Utilisez-vous le terme “IA” de manière incorrecte?
Traduction par Dalila Abdennebi du texte original de Cassie Kozyrkov (édité par Guillaume Laforge)
Voilà, je l’ai dit : cela ne me dérange pas que l’industrie informatique utilise les termes “IA” et “machine learning” pour désigner la même chose. Cependant, est-ce techniquement correct ? Est-ce un raccourci ? Et quitte à chercher la petite bête, qui utilise vraiment le terme “IA” de manière incorrecte ?
Le terme “IA” tel qu’il est utilisé par l’industrie informatique devrait techniquement s’appeler “deep learning” (apprentissage profond).
Le milieu universitaire ne considère pas l’intelligence artificielle (IA) et le machine learning (ML) comme étant interchangeables, et en tant qu’ancienne universitaire, je partage ses définitions et je conviens que d’un point de vue technique, l’IA englobe le ML qui lui-même englobe le deep learning. Dans quelle mesure, me direz-vous ? Le Deep learning (DL) est une approche du ML qui utilise un ensemble particulier d’algorithmes (les réseaux de neurones), et c’est ce que l’industrie a tendance à qualifier d’IA.
Je pense également que la majorité des gens (et de l’industrie) ne se soucie pas de faire la distinction entre ces deux termes, et utilise le vocabulaire de manière moins formelle. le langage évolue, que cela nous plaise ou non. A l’origine utilisé par certains professeurs, le terme IA s’est défait de leurs griffes et a finalement fait son entrée dans la langue vernaculaire avec une autre signification.
Le langage évolue, que cela nous plaise ou non.
Au risque d’offenser les chercheurs, je pense aussi qu’il est plus utile de reconnaître la nouvelle façon dont l’industrie utilise le terme, et d’expliquer son usage aux lecteurs qui ne se soucient pas des nuances. Il est normal de laisser le langage évoluer, tant que nous suivons le rythme de son évolution. Inventé en 1956, le terme IA n’a jamais été défini de manière si stricte. (Amis universitaires, souvenez-vous de l’époque où IA était un terme embarrassant que vous ne vouliez pas utiliser dans vos demandes de subvention… Vous le remplaciez alors par celui de machine learning, n’est-ce pas ?). Lorsque les termes sont mal définis, il n’est pas vraiment question de les utiliser correctement. Mais rassurez-vous, nous pouvons tous avoir raison ! Les mots s’adaptent à l’usage.
Quant aux fervents défenseurs de la langue, soyez vigilants : ne serait-il pas embarrassant si ce que vous qualifiez d’IA est techniquement appelé Reinforcement Learning (RL ou apprentissage par renforcement), et que vous fassiez également un mauvais usage des mots ? Allons, nous pouvons tous être amis ! Si votre définition de l’IA repose sur des séquences d’actions, sur la planification, la collecte d’informations à partir d’un environnement, l’élaboration de stratégie pour définir un comportement futur, alors vous pensez sans doute au RL dont voici un exemple classique un ordinateur ayant appris l’exécution de figures acrobatiques avec des modèles réduits d’hélicoptères.
Si vous recherchez les robots tout droit sortis de l’univers de la science-fiction, alors vous pourriez aimer le terme HLI : Human-like intelligence.
Si vous vous noyez dans cette soupe à l’alphabet à base d’ IA, ML, DL, RL, et que vous recherchez désespérément les robots tout droit sortis de l’univers de la science-fiction, alors vous pourriez aimer le terme HLI, Human-like intelligence ou “intelligence simili-humaine”.
Ceux qui parmi vous s’inquiètent d’en voir une à tous les coins de rue : détendez-vous. Toutes les applications métier de l’IA ne sont pas des HLI, et les entreprises ne cherchent pas à fabriquer des consciences. Elles sont trop occupées à utiliser l’IA pour résoudre de vraies problématiques commerciales et se débarrasser de certaines corvées répétitives à l’aide d’un bon étiqueteur de choses.
Quand je suis d’humeur particulièrement taquine, je trouve que cette citation de Mat Velloso représente ma nouvelle définition préférée de la différence entre IA et ML.
“Si c’est écrit en Python, c’est probablement du machine learning.
Si c’est écrit en PowerPoint, c’est probablement de l’ IA.”
Maintenant, résumons. Amis professeurs fermez vos oreilles. A tous les autres : lorsque l’industrie parle d’IA et de machine learning, ces termes peuvent tout à fait êtres synonymes, et n’ont que peu à voir avec la HLI.
Dans la pratique, vous n’êtes pas obligés de définir votre problématique comme relevant de l’IA ou du ML avant de vous lancer.
Voici une autre raison pour laquelle un personne comme moi peut s’accommoder de cette idée : d’un point de vue mise en application, il n’est pas nécessaire d’identifier votre problématique comme relevant de l’IA, du ML ou du DL avant de vous lancer. Essayez simplement tous les algorithmes que vous pouvez et conservez le plus performant. Si vous utilisez une approche différente du DL/ML et qu’elle s’avère mauvaise, vous le découvrirez rapidement et vous pourrez ajuster votre trajectoire en cours de route. Néanmoins, pour commencer, il est préférable de choisir l’option la plus simple, même si vous doutez que cela puisse fonctionner. Cela ne prend que quelques minutes. Si vous pouvez utiliser un réseau de neurones, vous pouvez également y tracer une ligne (que représentent 2 à 5 lignes de codes ? Même sans package et en partant de zéro, c’est facile. Et si vous ne vous souvenez pas de la formule du modèle de régression, mes amis en ont fait une chanson entrainante pour vous en souvenir en boucle). En prime, si vous obtenez de bons résultats, cela signifie que vous disposerez d’une solution plus facile à maintenir en production. Bonne chance, éclatez-vous et que le meilleur algorithme gagne !
Merci de m’avoir lue ! Que diriez-vous d’un cours sur YouTube ?
Si cet article vous a plu et que vous recherchez un cours d’IA appliquée conçu pour les débutants comme pour les experts, en voici un que j’ai réalisé pour votre plaisir (en anglais):
