L’Intelligence Artificielle, une révolution algorithmique ?

intelligence-artificielle-revolution-algorithme

L’Intelligence Artificielle, souvent abrégé IA, est sur toutes les lèvres. Lors du congrès Big Data Paris, un représentant de Google annonçait que nous étions aujourd’hui avec l’IA au même niveau que internet en 1997. Imaginons les enjeux de ces technologies qui changent nos vies au quotidien.

 

Nouveau paradigme

L’évolution rapide de l’intelligence artificielle ces derniers mois est dû à la concordance de trois grandes tendances :

  • La croissance des capacités informatique : la Loi de Moore, énoncée en 1965, établit le fait que pour un même coût, la puissance des transistors informatiques double tous les 2 ans (seuil des 8 nanomètres posent des problématiques d’ordres quantiques qui pourraient déboucher sur une nouvelle informatique, l’informatique quantique)
  • Cloud et API : une nouvelle économie qui stocke , échange et traite la donnée en temps réel.
  • Big Data : on estime que la croissance des volumes de données devrait atteindre les 44 zetabytes en 2020, selon l’IDC. L’iot (internet of things ou objets connectés) sera la première cause d’explosion des données avec la très forte croissance du nombre de capteurs.

La particularité est l’enjeu du Big Data est de s’étendre sur des données jusqu’alors non-collectées et non exploitées.

On différencie ainsi trois typologies d’information :

  1. Données stratégique : structurées
  2. Données ROT : inutiles
  3. Dark Data : 90% de la data n’est pas captée par l’entreprise

 

Le marché de l’IA

On estime la taille du marché de l’Intelligence Artificielle à 43,5 B$ en 2024. Cette énorme potentiel est par conséquent un pot à miel pour le startups. On en comptait 1561 spécialisées dans l’IA en 2016. Ces startups ont levé 5,4 B$ au cours de cette même année. Si certains prédisent la création d’une bulle spéculative autour de l’écosystème des startups de l’intelligence artificielle, la valorisation moyenne de ces startups est de 5,2 M$. En effet, les enjeux sont gigantesques. Selon Accenture, on pourrait atteindre +40% de gain de productivité grâce à l’IA.

Les GAFA avec Microsoft et IBM investissent massivement et font énormément de recherche sur le sujet du deep learning (le procédé plus coûteux). De l’autre côté du marché on retrouve toutes les startups ainsi que les VC. Les GAFA, IBM et Microsoft contrôlent l’écosystème et rachètent les startups montantes lorsque leur potentiel est sur le point d’exploser.

L’écosystème des acteurs de l’intelligence artificielle

enterprise_ia_landscape

 

Convergences des intelligences humaines et artificielles

Intelligence humaine

  • Humaine : qualité mentale qui consiste à la capacité d’apprendre de l’expérience et s’adapter à son environnement

On notera que l’intelligence humaine est une intelligence multiples : sensorielle, émotionnelle, empathique, logique, …

Intelligence artificielle

  • Artificielle : Construction de programmes informatiques qui s’adonnent à des tâches qui demandent des processus mentaux de haut niveau

Intelligence Faible : L’IA est d’aujourd’hui est faible. C’est à dire qu’elle est spécialisée dans une compétence.

Intelligence Forte : Dans les films de science fiction (ex: film Her), l’IA est forte, c’est-à-dire qu’elle est supérieure à l’homme dans tous les domaines.

Super Intelligence : Plus forte que tous les Hommes rassemblés, plus puissante que l’Humanité.

Singularité : remet en cause toutes les règles (physique, mathématique, matière, temps, etc.)

Convergence des intelligences

L’IA se rapproche progressivement des modèles humains. Le processus est aujourd’hui centré sur les 4 capacités suivantes de l’Homme :

  • Apprendre
  • Percevoir
  • Communiquer
  • Raisonner

 

Technologies de l’Intelligence Artificielle

L’IA possède son propre jargon et ses buzzwords. Les définitions ne sont pas encore totalement définies et les notions sont souvent confondues. L’IA n’est pas une technologie mais un ensemble de technologies.

Machine Learning

Le Machine Learning est né grâce à l’essor des technologies du Big Data. Les algorithmes de Machine Learning extraient, prédisent, optimisent et s’adaptent. En un mot, le Machine Learning peut se traduit par : “qui apprend par l’exemple”.

Les 3 méthodologies d’apprentissage sont :

  • Supervisé : données étiquetées, classification et régression
  • Non supervisé (deep learning) : sans donnée étiquetée, clustering
  • Par renforcement : données non étiquetée, essai-erreur (récompense des bonnes actions, sanctions des erreurs)

Pour mieux comprendre, je vous invite à regarder les vidéos de Yann LeCun, le Français qui mène la recherche en intelligence artificielle chez Facebook.

Deep learning

Le Deep Learning est le dernier mot à la mode pour les fans de l’innovation. Le Deep Learning n’est pas différent du Machine Learning, c’est juste une sous-catégorie. Le Deep Learning correspond à un apprentissage non supervisé. Il est particulièrement important pour la reconnaissance d’image, de vidéos, d’objets, la reconnaissance faciale ou vocale. Très coûteux, il n’est pas accessible aux jeunes startups. Il s’agit donc du terrain de jeux privilégié des GAFA, d’IBM et de Microsoft

De même, le langage des hommes reste un défi pour les machines. La NLP (programmation neuro-linguistique) consiste à analyser, comprendre et générer du langage naturel écrit ou parlé. Les applications du NLP sont la traduction automatique, les assistants personnels, les bots, etc. Il implique une analyse grammaticale, une analyse sémantique et un contexte, pour aboutir à un sens. Techniquement la NLP se divise en deux parties, la compréhension et la génération du langage : NLP = NLU (understanding) + NLG (generation).

 

Les enjeux des évolutions technologiques et sociétales seront majeures et encore difficiles à imaginer tellement les changement seront profonds.

 

L’IA pour disrupter ou simplement pour survivre ?

 

A propos de Quentin Guignard 26 Articles
Diplomé du meilleur Master "E-business et Marketing Digital" en France. J'ai travaillé pour deux startups dans le sport business, un grand groupe dans les medias et je travaille actuellement pour un accélérateur de startup, le French Tech Hub. Mon parcours m'a amené à étudier 6 mois à Londres et à travailler 6 mois à San Francisco.