Lors de meetups Keley, Data Science, Machine Learning et autres concepts sont abordés de manière ludique et vulgarisée par nos experts. Dans cet épisode, focus sur une méthode IA sans données rentrantes, l'archéologie et le bridge.
L’IA est-elle capable d’apprendre sans données entrantes ?
Cette question va à l’encontre des principes de base de l’Intelligence Artificielle. Pourtant, le MIT Technology Review s’est intéressé il y a quelque temps à une nouvelle technique qui voudrait que les IA apprennent sans être alimentées par des quantités astronomiques de données. Cela représenterait une potentielle énorme économie de ressources et donc lèverait certains freins actuels à l’adoption de l’IA comme le financement (réduction de la puissance de calcul nécessaire) ou l’écologie (baisse drastique des données nécessaires et de l’énergie consommée).
Tout part d’un principe simple : plutôt que d’apprendre à IA à reconnaître des éléments, apprenons-leur à réfléchir comme des humains. Si l’on dit à un enfant qu’une licorne est un mélange entre un cheval et un rhinocéros, cet enfant va ensuite être capable, lorsqu’il voit une licorne, de la reconnaître comme telle, sans en avoir vu avant. Des ingénieurs réfléchissent donc à reproduire cette capacité : reconnaître des objets qu’une IA n’aurait jamais vus, à partir de la description de cet objet.
En pratique, plutôt que d’être confronté à des datasets classiques comme MNIST, l’algorithme est confronté à des images – très pixellisées en nuance de gris – censées lui apprendre à reconnaître des éléments. Par exemple, pour la reconnaissance des chiffres, la technique permet un taux d’exactitude de 94% sur le dataset MNIST classique, ce qui, pour une tâche aussi « simple », est plutôt encourageant. D’autres modèles plus actuels et avancés que cet exemple font néanmoins beaucoup mieux.
Cette publication du MIT Technology Review n’a fait que raviver un débat entre deux types de partisans de l’Intelligence Artificielle : les connexionnistes et les symbolistes. Le monde connexionniste est dominant à l’heure actuelle. Son Machine Learning repose sur des relations et connexion entre des données toujours plus importantes. À l’inverse, le monde symboliste tente de s’affranchir de toutes ces données, en privilégiant les bases puis en laissant l’algorithme choisir. Mais ce dernier n’a à ce jour pas prouvé qu’il pouvait être viable avec des résultats significatifs autre que des reconnaissances les plus simples.
L’IA au secours de l’archéologie
Au cœur d’un site archéologique découvert au Pakistan, des scientifiques ont repéré des inscriptions apparentées à un langage humain jusqu’alors inconnu. Si l’IA est capable d’effectuer une traduction entre deux langues connues, peut-elle déchiffrer un langage qui reste un mystère pour nous ?
La première question à laquelle devait d’ailleurs répondre l’IA est : est-ce vraiment une langue ? Ou juste une signalisation ? Un mathématicien a résolu ce dilemme en comparant grâce au Machine Learning des langages connus comme des langues, de la musique, du code en un clustering. Concrètement, des catégories ont été créées à partir des caractéristiques de ces différents langages. Ce nouveau langage, baptisé Indus, correspondait à la catégorie des langues écrites et parlées, et non à d’autres comme la musique ou le code. Le Machine Learning avait donc bien pu déceler que l’Indus était une langue.
Cependant, il est apparu tout de suite compliqué de déceler des patterns pour connaître la signification de cette langue puisqu’aucun autre langage n’était à mettre en regard de l’Indus pour le comprendre. Pour cette fois alors, l’Intelligence Artificielle n’est pas arrivée au secours de l’humain et personne n’a réussi à ce jour à déchiffrer l’Indus, qui reste donc un mystère entier.
Le bridge, l’un des derniers jeux qui resistait encore à l’IA, vient de tomber
Après les échecs ou le jeu de Go, c’est autour du bridge d’avoir trouvé son maître en l’Intelligence Artificielle. Qui plus est une IA française ! Le bridge était un des derniers jeux à résister, mais, dans le cadre d’un Challenge organisé à Paris en mars dernier, les meilleurs joueurs du monde se sont inclinés face à Nook, l’IA de la startup NukkAi.
Pour les novices, dans le bridge, il y a trois parties : les enchères, qui définissent le contrat à remplir par le déclarant ; le jeu, où le déclarant tente de remplir son contrat ; le comptage des points, en fonction des contrats remplis ou non. L’IA de NukkAi n’est pas encore compétente dans la première partie, les enchères, mais triomphe des meilleurs humains pour ce qui est du jeu.
Dans l’histoire des jeux à avoir été maîtrisés un jour par l’IA, le même schéma se répète à savoir une dualité entre des règles à comprendre et la nécessité de faire des calculs. Ces systèmes dit complexes, impliquent alors des réseaux de neurones – souvent des boîtes noires – qui éprouvent des méthodes d’échantillonnage – consistant à tester toutes les possibilités plutôt qu’à calculer la probabilité – afin d’évaluer la meilleure trajectoire à prendre.
Longtemps symbolique des progrès de la machine, l’Intelligence Artificielle a pu devenir imbattable aux échecs car la puissance de calcul d’un ordinateur lui permet de simuler toutes les possibilités qu’il reste dans la partie pour prendre ainsi la meilleure décision, ce qui est impossible pour un humain qui par conséquent se fiera plus à son instinct. Mais dans des jeux où les possibilités sont encore trop grandes – et qui nécessiteraient une puissance de calcul quantique –, ou dans des jeux réputés incomplets – c’est-à-dire où l’on ne connaît pas tous les paramètres – l’IA avait encore tout à prouver.
En 2016 puis 2017, le programme AlphaGo battait assez largement les meilleurs mondiaux au jeu de Go, alors réputé trop complexe pour une IA. L’algorithme racheté par Google s’était alors construit sur la méthode dite de Monte-Carlo avant de se perfectionner en reproduisant le comportement humain et en jouant contre elle-même, utilisant l'apprentissage par renforcement (Reinforcement Learning) pour s'améliorer. En 2018, une IA maîtrisait le jeu Starcraft – réputé incomplet –, grâce notamment à l’optimisation de sa stratégie, mais surtout à sa rapidité d’exécution.
Ces deux exemples étaient un premier pas, mais les jeux qui combinaient les deux facteurs – possibilités infinies et caractère incomplet – restaient la chasse gardée des humains. La performance de Nukkai tient donc de l’exploit et les possibilités que l’algorithme ouvre sont nombreuses. L'habilité de Nook tient dans son côté hybride, combinant les deux courants symbolique et connexionniste (aussi appelé numérique) de l'IA. Elle mixe ainsi des règles de logiques avec de l'apprentissage via réseaux de neuronnes, ce qui lui permet d'être explicable. NukkAI attire ainsi d'autres activités. Le secteur de la défense et notamment Thalès font partie des premiers intéressés par cette IA capable de résoudre des problèmes infinis et incomplets.
