L’IA entre dans l’ère du probabilisme ?

La startup Gamalon a créé une méthode d’apprentissage fondée sur un code probabiliste permettant à la machine de faire face à l’incertitude et développer de manière autonome ses propres facultés.

En 2017, l’intelligence artificielle n’est plus un fantasme de science-fiction et a bel et bien intégré notre réalité. En outre, son développement est exponentiel. Les géants de la Tech ont tous développé et consacré beaucoup de temps et d’argent dans leur recherche et développement concernant l’IA, preuve s’il en fallait de sa croissante popularité. On sait aujourd’hui les facultés d’apprentissage de tels systèmes, notamment par la méthode du Deep Learning. Ce principe, qui est le paradigme utilisé majoritairement aujourd’hui, repose sur des algorithmes capables d’extraire et d’assimiler des connaissances sur la base de tout un tas de données. Ce travail de renseignement d’information est long et fastidieux puisqu’il nécessite l’absorption d’un très grand nombre de data. Elles sont, en d’autres termes, nécessaire à la bonne compréhension, à l’analyse fine par l’IA, de l’objet à identifier. Pour que l’intelligence artificielle parvienne à identifier un objet, par exemple un smartphone, il faudra renseigner toutes les informations caractéristiques de cet objet pour que l’IA puisse efficacement comprendre que c’est effectivement un smartphone.

La startup américaine, Gamalon, a développé une nouvelle méthode d’apprentissage pour l’IA pour pallier à ces problèmes grâce Bayesian Program Synthesis (BPS), un langage informatique qui s’inspire de la théorie probabiliste. En intégrant dans son code le hasard et l’incertitude, la start up a pour ambition de permettre à l’IA de réecrire de façon quasi-autonome son propre code et ainsi perfectionner ses compétences. La méthode est simple : permettre à l’IA, à partir de quelques informations, de reconnaître un objet. Ainsi, pour que la machine puisse identifier un smartphone, il suffit de renseigner seulement une partie de ses caractéristiques et non plus lui apprendre toutes les possibilités. Pourquoi ? Parce que l’IA va se servir des informations qu’elle connaît déjà pour analyser et comprendre ce que l’on veut lui apprendre, et cela, en réécrivant son propre code.  Cette technique présente des avantages considérables en ce qu’elle nécessite moins de données à intégrer, une rapidité de calcul démultipliée et un volume de stockage moins important donc moins gourmand en énergie.

Pour l’instant, l’intelligence artificielle imaginée par la startup est utilisée pour structurer et organiser les bases de données conséquentes. Elle pourrait donc particulièrement intéresser les entreprises en proie au traitement d’un grand nombre de data, notamment pour nettoyer les bases de données. L’autonomie d’apprentissage permise par le BPS ouvre cependant à de nouvelles perspectives de déploiement commercial pour Gamalon, que la jeune pousse entend bien développer dans un futur proche . On peut alors penser à toute une déclinaison d’usages pour ces IA capables de développer une compréhension élargie. Cependant, se repose en termes plus stricts, la question de l’éthique d’un tel système d’apprentissage. Jusqu’où pousser le machine learning et à quelles fins ? Telle est la question qui reste ouverte. Si la « conscience » artificielle de ces systèmes intelligents a de quoi inquiéter, elle n’est que le fruit de stratégies de programmation en amont. L’autonomie de cette IA apprenante n’est donc que relative. Cependant, restent à évaluer les bénéfices d’une méthode fondée essentiellement, au sens premier du terme, sur l’incertitude. Car « quant aux deux passions de l’incertitude, ce sont la peur et l’espérance » (Salvatore Veca).