L’application de l’analyse computationnelle et des techniques d’apprentissage décrites dans les articles précédents recouvre le terme d’intelligence artificielle (IA). L’IA concrétise l’ambition de pouvoir créer des machines qui peuvent penser, apprendre et créer des solutions à des problèmes de façon similaire à ce que ferait le cerveau humain.
L’IA n’est absolument pas quelque chose de nouveau pour nous, nous l’utilisons tous les jours. À chaque que nous envoyons un e-mail, que nous utilisons une carte bancaire, que nous voyageons ou que nous lançons une recherche sur Internet, l’IA est le socle sur lequel toutes ces activités sont basées. Les algorithmes intelligents vérifient et détectent constamment des fraudes à la carte de crédit, des avions qui décollent et atterrissent, suivent en permanence des niveaux de stocks et réalisent même des produits dans des usines robotisées.
Algorithme génétique
Ces algorithmes d’IA se fondent sur le machine learning, le deep learning, les réseaux neuronaux artificiels, le traitement automatique des langues. Un autre composant de l’IA sont les algorithmes qui sont utilisés pour la créer. Un bon exemple de cela est l’algorithme génétique (AG), qui est une méthode de recherche heuristique utilisée en IA et dont l’approche est inspirée de la théorie de Darwin sur l’évolution. L’AG est utilisée pour trouver des solutions optimisées à des problèmes liés aux théories de la sélection naturelle et de l’évolution biologique comme la sélection, la mutation, l’héritage et la recombinaison.
L’AG est basé sur une vision classique d’un chromosome comme une série de gènes. R.A. Fisher a adopté cette vision pour fonder la génétique des populations, en fournissant une formule mathématique qui précise le taux auquel certains gènes se propagent au sein d’une population.
Lorsque l’on résout des les problèmes d’optimisation, éventuellement sous contraintes, un algorithme classique va générer une seule valeur à chaque itération. Puis la série de valeurs approche la solution optimale. A contrario, l’AG passe par un processus similaire à celui de la sélection naturelle – il modifie à plusieurs reprises un large groupe de solutions individuelles et les utilise comme « parents » pour produire les « enfants » de la génération suivante. Après plusieurs générations, le groupe évolue vers une solution optimale.
« Bien que rendus aléatoires, les AG ne sont en rien aléatoires. » Au contraire, ils exploitent des données historiques pour orienter la recherche vers la zone où la performance est meilleure au sein de l’espace exploré. L’AG simule de façon efficace la loi du plus fort sur plusieurs générations consécutives pour résoudre un problème. Chaque personne représente un point dans un espace de recherche et une solution possible.
C’est grâce à la juxtaposition de l’AG, du machine learning, du deep learning, des réseaux neuronaux artificiels et du traitement automatique des langues que l’intelligence artificielle peut apprendre à partir de données et créer des solutions – une activité fondamentalement humaine. Aujourd’hui, ces méthodes sont utilisées pour chercher au sein de très grands et complexes jeux de données, dans le but de trouver des solutions raisonnables à des problèmes complexes, en résolvant des problèmes d’optimisation, avec sous sans contraintes. Elles sont utilisées pour résoudre des problèmes qui ne sont pas traités par des modèles statistiques standards, y compris des modèles où la fonction objectif est discontinue, non-dérivable ou fortement non linéaire. Elles peuvent également être utilisées sur des problèmes combinatoires mixtes (continus et distincts).
Plusieurs IA
Ces avancées nous ont permis de tirer profit de l’immense masse de données produites sous toutes les formes pour réaliser toutes sortes d’actions. Cependant, la plupart des IA qui réalisent ces tâches sont des IA spécifiques (ou Artificial Narrow Intelligence), dans le sens où elles ont été pensées et construites pour exécuter des fonctions très précises. Elles sont capables d’accomplir des tâches isolées qui relèvent d’un système complexe mais bien défini. Ce sont des IA comme celles d’IBM Watson, des voitures sans conducteur ou des chatbots par exemple.
Ces IA, bien qu’extrêmement performantes, sont difficilement applicables aux problèmes nouveaux. Elles sont des outils conçus dans un but bien précis (par exemple gagner une partie d’échecs, ou répondre à des demandes de clients). À l’inverse, une IA générale (ou Artificial General Intelligence) est construite dans un but plus général – apprendre de nouvelles choses, s’autoaméliorer, étendre son champ de fonctionnalités ou même créer quelque chose de nouveau.
Les IA générales sont explicitement conçues pour apprendre de nouvelles tâches de façon autonome et s’adapter à des changements d’environnements. Elles ont été développées pour avoir des objectifs multiples. Même le langage de programmation d’une IA générale est élaboré dans cet esprit. Replicode est un exemple de langage d’IA générale – à l’inverse d’autres langages d’IA, il a été créé sous la forme de petits programmes parallèles qui ne comportent pas de conditions explicites comme « si-alors » ou des boucles.
Impacts économiques
L’IA et l’IA générale sont utilisées dans une multitude de secteurs. L’année dernière, Uber a acheté une startup d’IA générale, Geometric Intelligence, dans l’intention de créer une nouvelle division de recherche en IA. Ce qu’Uber a l’intention de faire avec ce rachat, personne ne le sait. Analyser comment les business plans vont évoluer avec ces technologies est un travail sans fin. Mais une chose est claire, le monde du travail est en plein tumulte et s’adapter à ces changements est la seule façon de survivre économiquement. Comme le dit le chief product officer d’Uber, Jeff Holden :
« Si vous vous tournez vers le futur, nous allons connaître des changements structurant en intelligence artificielle qui vont impacter les modèles économiques et les opportunités de business. »
Les entreprises financières ont déjà lancé la création de fonds qui peuvent prédire les changements de prix avec une grande quantité de données, comme les prix et volumes, les news et données des réseaux sociaux dans plusieurs langues, ou encore d’autres informations économiques et comptables d’une entreprise ou d’un pays. Plusieurs théories économiques comme l’élasticité, la structure du marché, l’optimisation du prix ou même les regroupements en général, sont exposés à de profondes transformations liées à l’IA.
Nous sommes sur le point de constater des impacts bien plus larges de l’IA sur l’économie, la société et le monde professionnel. Ce n’est que le début de l’aventure pour l’humanité qui va assister à l’arrivée de l’IA dans la société, et à la découverte de nouveaux horizons dessinés par cette technologie.
Terence Tsé et Mark Esposito sont co-auteurs de « Understanding How the Future Unfolds : Using DRIVE to Harness the Power of Today’s Megatrends ». Kary Bheemaiah est auteur de « The Blockchain Alternative: Rethinking Macroeconomic Policy and Economic Theory ».