interview

"Pour doper l'intelligence artificielle, il nous faut plus de données"

Emmanuel Mogenet, responsable de la recherche en intelligence artificielle pour l'Europe chez Google. ©Doc

Dans les bureaux de Google à Zurich, 2.400 personnes travaillent sans relâche à rendre les machines toujours plus proches de l’humain. Plongée dans une quête d’ampleur avec le patron européen des labos en intelligence artificielle.

Alors que Deepmind, filiale spécialisée en intelligence artificielle du géant américain Google, a obtenu courant de semaine des résultats significatifs dans la détection d'une cinquantaine de maladies oculaires, L'Echo a rencontré Emmanuel Mogenet, directeur européen de la recherche en la matière pour la firme de Moutain View. Sans détour, il assène: "L’intelligence artificielle n’a rien de magique. Il s'agit simplement d'algorithmes mathématiques dont la performance n'a d'égal que la connaissance et les informations que les humains leur renseignent". Le décor est planté.

L'intelligence artificielle (IA) est un terme générique, souvent employé aujourd'hui pour désigner en fait ce qui sont des applications de "machine learning", soit de d'apprentissage automatique, branche du champs plus large. Quelle en a été la première véritable utilisation chez Google?
A large échelle, la classification du spam dans les boîtes mails. Peut-être vous en souvenez-vous, mais, à une époque, vous pouviez indiquer dans Gmail que tel ou tel message était indésirable. Nous avons utilisé ce feedback à des fins d'automatisation du processus. Nous avons développé un modèle d'apprentissage supervisé tirant parti des exemples annotés par les utilisateurs.

L’intelligence artificielle n’a rien de magique. Il s'agit simplement d'algorithmes mathématiques dont la performance n'a d'égal que la connaissance et les informations que les humains leurs renseignent
Emmanuel Mogenet
Directeur européen de la recherche en intelligence artificielle chez Google

Définitions

L'intelligence artificielle (IA) est un terme générique, souvent employé aujourd'hui pour désigner en fait ce qui sont des applications de «machine learning», sous-branche du champs concerné. Concrètement, ce qui s’appelle aussi «apprentissage automatique», est capable de reproduire un comportement après avoir été confronté à de nombreuses situations. L'algorithme apprend quelle est la décision à adopter et créé un modèle. La machine peut dès lors automatiser les tâches en fonction des situations. Le «deep learning» en est une ramification, plus précise, analysant les données à un haut niveau d'abstraction. Elle utilise des réseaux neuronaux pour apprendre des concepts.

Actuellement, c'est le "deep learning", sous-branche du machine learning, qui est sur toutes les lèvres dans les labos. Une technologie plus récente, mais plus puissante?
En effet. Le machine learning a commencé dans les années 90, quand le deep learning n'a lui véritablement fait son apparition qu'aux alentours de 2006. Pourtant, cette dernière avancée est bien plus puissante que les traditionnelles techniques d'apprentissage automatique, en ceci que les capacités des réseaux neuronaux que l'on y retrouve sont supérieures aux modèles plus simples dont nous disposions préalablement avec le machine learning.

En quoi?
C'est mathématiquement complexe à expliquer, mais ce qui est intéressant c'est que ces réseaux n'ont rien d'une invention nouvelle. Ils remontent aux années 80, sauf qu'à l'époque, ils ne fonctionnaient pas faute d'avoir assez de données ou de puissance de calcul. Une expérience lancée sur trois neurones pouvait parfois prendre trois jour pour arriver à terme, et ce, pour un dataset de 10 exemples. Cela a prévenu le décollage de cette technologie.

Des années plus tard, en 2018, tout n'est pas encore possible. Qu'est-ce qu'il manque concrètement?
Plus de données... C'est simple, comment avez-vous acquis votre bon sens? Vous n'êtes pas né avec. Vous avez développé une connaissance en observant le monde – imaginez le nombre d'images que cela représente sur le cours d'une vie –, connaissance que nous nous devons de répliquer pour les machines aussi. Pour y parvenir, cela implique un nombre impressionnant de données dont nous sommes aujourd’hui proches de disposer si l’on prend tout ce que l’on retrouve sur internet par exemple. Par contre, là où le bat blesse, c'est côté capacité. Si l'on se penche sur le nombre de neurones d’un cerveau et à quel point ils sont bien connectés, nous sommes toujours à trois ou quatre magnitudes en arrière d'être capable de construire quelque chose d’aussi gros niveau hardware.

Emmanuel Mogenet, responsable de la recherche en intelligence artificielle pour l'Europe chez Google. ©Doc

L’idée d’une super intelligence, dépassant la nôtre, est donc loin?
Pour moi, machines et humains avanceront main dans la main à l'avenir. Prenez l'exemple d'un docteur qui ne serait pas très bon en diagnostic, mais excellent en interactions humaines. Dans le futur, il pourrait mettre à bon escient son empathie, quand le diagnostic serait lui réalisé par une intelligence artificielle. Pour moi, il s'agit-là du scénario idéal. Chacun se complète. Et pour cause, il y a des tâches pour lesquelles nous sommes très mauvais, comme additionner des chiffres par exemple. Nos cerveaux ne sont pas conçus pour cela. Même les gens très bons doivent se forcer pour y parvenir. Par contre, nous sommes très bon dans tout ce qui touche à la communication et au partage. En parallèle, ce type de rapprochement homme-machine pourrait aussi mener à une société plus équitable où des gens avec moins de capacités pourraient être aidés par la technologie.

Qu'est-ce que vous répondez aux craintes de certains hauts profils comme Stephen Hawking ou Elon Musk sur la machine surpassant l'homme, voire le menaçant?
Il y a beaucoup d'excitation autour du sujet aujourd'hui et, parfois, cela se transforme en fantasmes, les gens laissant leur imagination s'emballer. Pourtant, avec le machine learning, tout n’est pas possible. Les systèmes modernes dont nous disposons actuellement permettent de répliquer l'"intelligence" d'un serpent par exemple, soit des fonctions cérébrales de bas niveau comme la reconnaissance de motifs ou de mouvements de base, mais pour tout ce qui est du raisonnement, ça, c'est complètement hors de portée.

Lire également

Publicité
Publicité
Publicité
Publicité

Contenu sponsorisé

Partner content