Si vous vous posez cette question. C’est que ces concepts vous ne sont pas totalement étrangers mais qu’il y a en quelque sorte confusion. Le fait que ces domaines soient de surcroît très liés ne facilite pas les choses. Ce n’est pas bien grave, cette ambiguïté sera complètement dissipée dans les lignes qui suivent.

Introduction

Avant de donner la définition exacte de chaque concept, listons quelques contre-exemples. Vous allez voir que la différence entre l’Intelligence Artificielle et le Machine Learning sera de plus en plus claire.

Par exemple, vous ne pouvez pas dire : « L’intelligence artificielle nous permet de filtrer les courriers indésirables ». C’est bien le Machine Learning, ou l’apprentissage automatique, qui rend ce filtrage possible. L’anti spam (ou filtrage des indésirables) est une méthode de classification qui utilise une base de courriers préalablement identifiés comme indésirables pour apprendre à les reconnaître dans l’avenir. Ainsi, une distinction sera faite entre les spams et les courriers valides.

Vous ne pouvez pas dire non plus que : « Le Machine Learning à pour objectif de donner aux machines la capacité de simuler le comportement humain ». Ce champ de recherche est beaucoup plus précis. Il vise plutôt à donner aux machines la capacité d’apprendre à résoudre un problème par elles-mêmes en utilisant les données. Vous l’aurez bien compris, l’Intelligence Artificielle est un domaine de recherche plus large. Il englobe même le Machine Learning et bien d’autres domaines comme la robotique, la reconnaissance vocale ou la vision par ordinateur. La figure¹ qui suit illustre bien le lien qui existe entre Intelligence Artificielle et Machine Learning.

Le lien entre l’Intelligence Artificielle et le Machine Learning est bel et bien un lien de généralisation spécialisation sous la sphère de l’Algorithmique. De plus, le Machine Learning est également un domaine englobant pour ce qui fait pour beaucoup la tendance en Data Science ces dernières années, le Deep Learning.

Qu’est ce que l’Intelligence Artificielle ?

L’« Intelligence Artificielle » est, aujourd’hui, un buzzword utilisé de bien des façons. Il nous importe de revenir aux origines pour retrouver son sens premier.

Définition de l’Intelligence Artificielle

Ce terme fut utilisé pour la première fois dans la proposition de Dartmouth en 1955². Portée par quatre chercheurs de renom : John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Elwood Shannon, cette proposition donna les lignes directrices de la première conférence sur l’Intelligence Artificielle, tenue l’été 1956 à l’Université de Dartmouth. On y trouve la définition suivante : « L’étude de l’Intelligence artificielle doit poursuivre sur les bases de la conjecture qui stipule qu’en principe chaque aspect de l’apprentissage ou toute autre caractéristique de l’intelligence peut être décrit d’une manière si précise qu’on peut créer une machine capable de le simuler. Nous ambitionnons de trouver comment donner aux machines la capacité à utiliser un langage, à former des abstractions et des concepts, à résoudre des problèmes, aujourd’hui réservés aux humains, et à s’auto-améliorer. »³.

Les 7 aspects de l’Intelligence Artificielle

Cette conférence fondatrice s’est consacrée à l’étude de 7 aspects de l’Intelligence Artificielle  :

1. Simulation des facultés supérieures du cerveau humain ;
   
2. Utilisation du langage ;
   
3. Simulation des neurones hypothétiques capables de former des concepts;
   
4. Identification et mesure de la complexité d’un problème ;
   
5. Auto-amélioration ;
   
6. Abstraction : Manipulation des idées ;
   
7. Aléatoire et créativité.
   

L’objectif premier de l’Intelligence Artificielle est de simuler l’intelligence de l’Homme, sa créativité et sa capacité à apprendre.

L’Intelligence Artificielle Aujourd’hui

L’intelligence Artificielle a beaucoup progressé ces dernières années sur bien des aspects comme le langage ou la capacité à s’auto-améliorer. Cette intelligence reste, néanmoins, une intelligence faible⁴, concentrée sur une seule tâche. Contrairement à une intelligence forte⁵ qui serait dotée d’esprit, de conscience et de sensibilité.

Rappelez-vous l’affrontement annoncé entre l’intelligence Artificielle et l’Homme, de ce match qui a opposé AlphaGo à Lee Sedol⁶. C’était la première fois qu’une machine de Deep Learning s’oppose dans un match de jeu de Go au champion du monde en titre et le bas très largement. C’était pour certain l’avènement de l’Intelligence suprême qui surpasserait celle des humains mais ne nous somme pas obligés d’être tous de cet avis.

Lee Sedol portait le poids de toute l’humanité sur ses épaules, et quelque part l’honneur des champions de cette discipline. Cette émotion transpirait dans ses faits et gestes. Ses coups était majestueux, et incarnaient l’intelligence dans toute sa splendeur. Pendant ce temps-là, AlphaGo, fut-elle très avancée et sophistiquée comme machine, elle n’avait de sensible que de tenter d’optimiser ces probabilités pour gagner en scannant des milliers de parties jouées par des êtres humains.

Qu’est ce que le Machine Learning ?

A peine quelques années après la première définition de l’Intelligence Artificielle en 1955, celle du Machine Learning fut également donnée. Arthur Samuel, lui-même considéré comme l’un des pionniers de l’Intelligence Artificielle, a proposé en 1959 la définition suivante : « Le Machine Learning est le champ d’étude visant à donner la capacité à une machine d’apprendre sans être explicitement programmée »⁷. C’est la machine qui doit trouver la solution au problème qui lui est posé sans suivre une série d’instructions formulées par son programmeur.

Machine Learning vs. Programmation

Ce domaine de recherche propose un nouveau paradigme qui s’oppose à celui de la programmation à base de règle, de type « Si condition Alors instruction 1 Sinon instruction 2…». Cette métaphore est mieux précisée par la définition de Tom Mitchell en 1997 :  » Pour réaliser une tâche T, la machine doit apprendre de son expérience E en essayant d’optimiser une mesure de performance P. »⁸

« A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improve with experience E » – Tom Mitchell

Pour illustrer cette définition, reprenons l’exemple d’AlpaGo cité dans la section précédente. Cette machine a pour tâche de jouer au Go. Avant de s’opposer, en mars 2016, à Lee Sedol, le champion du monde en titre, et de gagner 4-1, elle s’est perfectionnée en jouant des milliers de parties contre elle-même en essayant d’améliorer à chaque fois son taux de réussite. Cette machine est alimenté par des milliers de parties jouées par des humains et repose sur un système qui lui permet d’évaluer la probabilité de gagner de chacun des coups joués.

Conclusion

A la suite de sa défaite, Lee Sedol a mis fin à sa carrière professionnelle considérant qu’il ne pourra plus être le meilleur joueur de Go après le développement fulgurant de l’Intelligence Artificielle. Je comprends la déception qui a mené ce champion à prendre de telle décision. D’autres part, je suis de ceux qui croient à la créativité sans limites de l’êtres humain et de sa supériorité. Il aurait pu, pourquoi pas, voir dans cette nouvelle avancé technologique une occasion pour renforcer ses capacités. Cette intelligence ne serait pas là forcément pour lui faire concurrence.

Il convient de rappeler que Lee Sedol a réussi tout de même à remporter une manche sur les 5 disputées. Pour ce faire, il a imaginé une séries de coups totalement inattendus et inédits. Ce faisant, Il a réussi à déjouer tous les calculs d’AlphaGo sans même avoir besoin d’accéder au répertoire de centaines de milliers de parties de Go dont jouissait cette machine. Imaginez maintenant si ce génie du Go a utilisé cette machine pour s’entrainer, quel sera son niveau ?

L’intelligence Artificielle jouera sans aucun doute un rôle essentiel dans les quelques années à venir et ouvrira de nouveaux horizons. Il nous appartient de l’utiliser de la meilleure des façons pour pousser l’humanité vers plus de progrès scientifique et technologique.

Otmane NKAIRA

Références

1. Vrana, Johannes & Singh, Ripudaman. (2020). The NDE 4.0: Key Challenges, Use Cases, and Adaption.
2. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955 : http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf
3. La définition originelle est : “The study is to proceed on the basis of the conjecture that every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it. An attempt will be made to find how to make machines use language, form abstractions and concepts, solve kinds of problems now reserved for humans, and improve themselves.”
4. La définition de Intelligence artificielle faible : https://fr.wikipedia.org/wiki/Intelligence_artificielle#Intelligence_artificielle_faible
5. La définition de l’Intelligence artificielle forte : https://fr.wikipedia.org/wiki/Intelligence_artificielle#Intelligence_artificielle_forte
6. Plus d’informations sur le projet AlphaGo développé par DeepMind : https://deepmind.com/alphago-korea
7. La définition originelle est : “Machine Learning is the field of study that gives computers the ability to learn without being explicitly programmed”, Source of Arthur Samuel’s definition of machine learning, https://www.semanticscholar.org/paper/Some-Studies-in-Machine-Learning-Using-the-Game-of-Samuel/e9e6bb5f2a04ae30d8ecc9287f8b702eedd7b772?p2df
8. Machine Learning, Tom Mitchell, McGraw Hill, 1997 : http://www.cs.cmu.edu/~tom/mlbook.html