Le 10 octobre 2017, Yandex (l'équivalent russe de Google) a lancé Alice, un " assistant intelligent conversationnel " utilisant notamment le Deep Learning, ainsi que " SpeechKit, la boîte à outils de reconnaissance vocale propriétaire de Yandex ", pour aider les internautes russes à accomplir de nombreuses tâches non seulement sur internet mais aussi concernant la gestion de leur propre ordinateur (cf. Site web d'Alice; Communiqué de presse de Yandex "Yandex lance Alice, le premier assistant d'intelligence artificielle conçu pour le marché russe."George Anadiotis, "Alice, le making of : Dans les coulisses avec la nouvelle assistante IA de Yandex", 10 octobre 2017, ZDNet).

La possibilité d'utiliser Alice en anglais pourrait être développée dans un avenir (proche) (Anadiotis, Ibid.). Cela ouvrirait le monde entier de Yandex aux anglophones. En même temps, cela permettrait à Yandex d'avoir accès à toutes les données de ces mêmes anglophones, jusqu'à présent réservées principalement à Google, Apple et Amazon. Compte tenu des tensions actuelles entre les États-Unis et, avec des variantes, les membres de l'OTAN, d'une part, et la Russie, d'autre part, on ne peut que trop imaginer la paranoïa politique qui pourrait alors se développer. Pendant ce temps, la concurrence internationale entre les géants de l'internet pour les données des utilisateurs, cruciales pour une partie du Deep Learning, comme nous le verrons en expliquant ce qu'est le Deep Learning ci-dessous, sera très probablement intensifiée. D'un point de vue plus positif, une meilleure compréhension peut également émerger du fait de la découverte du monde russe par les non-Russes. Néanmoins, cela aura également un impact sur les perceptions et donc sur les relations internationales.

Le monde de l'IA, notamment dans sa composante "Deep Learning", est déjà là. Il a un impact sur tout, même si l'étendue et la profondeur de ses impacts sont encore difficilement perceptibles. Nous devons comprendre le Deep Learning pour pouvoir vivre dans ce nouveau monde en devenir, plutôt que de seulement y réagir.

Cet article se concentre donc sur le Deep Learning (DL), le sous-domaine de l'Intelligence Artificielle (IA) qui mène le développement exponentiel actuel du secteur. Alors que nous cherchons à imaginer à quoi ressemblera un futur monde alimenté par l'IA et ce que cela signifiera pour ses acteurs, notamment en termes de politique et de géopolitique, il est en effet fondamental de comprendre d'abord ce qu'est l'IA.

Précédemmentnous avons présenté l'AI, en examinant d'abord L'IA en tant que capacité, puis en tant que domaine scientifique. Enfin, nous avons présenté les différents types de capacités d'IA que les scientifiques cherchent à atteindre et la manière dont ils abordent leurs recherches.

Dans cet article, nous allons d'abord donner des exemples d'utilisation du Deep Learning dans le monde réel. Nous distinguons deux types d'activités : les activités classiques alimentées par l'IA et les activités d'IA totalement nouvelles, liées à l'émergence même du DL. Dans les deux cas, nous soulignerons leur potentiel révolutionnaire, qui a un impact sur trois grandes fonctions émergentes au sein des politiques que nous avions déjà commencé à identifier : La gestion de l'IA, la gouvernance de l'IA et le statut de puissance de l'IA, lorsque l'IA est le plus susceptible de faire partie, au minimum, du classement de puissance relative des acteurs mondiaux (Hélène Lavoix, "L'intelligence artificielle au service de la géopolitique - Présentation de l'IA", 29 novembre 2017, et Jean-Michel Valantin, "La révolution chinoise de l'intelligence artificielle", 13 novembre 2017, The Red Team Analysis Society).

Ensuite, nous ferons une plongée plus profonde dans le monde du Deep Learning, en prenant comme exemple pratique l'évolution du programme DeepMind AI-DL de Google, initialement développé pour gagner contre les maîtres humains du jeu de Go : AlphaGo, puis AlphaGo Zero et enfin AlphaZero. Après avoir présenté brièvement la place de l'apprentissage profond dans l'IA, nous nous concentrerons d'abord sur les réseaux neuronaux profonds et l'apprentissage supervisé. Ensuite, nous examinerons la dernière évolution avec l'apprentissage profond par renforcement et nous commencerons à nous demander si un nouveau paradigme IA-DL, qui pourrait révolutionner le dogme actuel concernant l'importance des Big Data, n'est pas en train d'émerger.

Apprentissage approfondi dans le monde réel, gouvernance de l'IA et statut du pouvoir de l'IA

En bref, l'apprentissage approfondi (DL) est utilisé pour résoudre au mieux des problèmes et des fonctions complexes et pour prendre les meilleures décisions possibles concernant toute question elle est appliquée ou pour réussir, quel que soit le domaine dans lequel il est utilisé.

Par exemple, la DL est de plus en plus utilisée dans l'industrie pétrolière et gazière. Le Southwest Research Institute (SwRI) a mis au point le système Smart LEak Detection (SLED), qui "utilise des algorithmes pour traiter les images des capteurs scanning de l'infrastructure" pour "détecter de manière autonome et précise les fuites et les déversements d'hydrocarbures liquides" (Maria S. Araujo et Daniel S. Davila, "L'apprentissage machine améliore la surveillance du pétrole et du gaz", 9 juin 2017, Parler de l'IdO dans l'énergie). DNV GL a étudié l'utilisation de la DL (en fait Microsoft Azur Machine Learning) pour prédire la corrosion dans les pipelines et a conclu que les "performances obtenues" étaient "extrêmement prometteuses" (Jo Øvstaas, "...").Données et apprentissage automatique pour la prédiction de la corrosion des pipelines", 12 juin 2017, DNV GL). Had Italie et le Royaume-Uni ont bénéficié de tels systèmes, tant l'" explosion d'une importante installation de traitement en Autriche, qui est le principal point d'entrée du gaz russe en Europe ", que la " fermeture du plus important réseau d'oléoducs et de gazoducs de la mer du Nord ", respectivement les 11 et 12 décembre 2017, avec des conséquences majeures pour l'approvisionnement européen (Jillian Ambrose et Gordon Rayner, "La pénurie de gaz va faire grimper les factures après une "tempête parfaite" de problèmes énergétiques", 12 déc. 2017, Le télégraphe), n'aurait très probablement pas eu lieu - en supposant, bien sûr, que les investissements liés à la réponse aient été réalisés.

En outre, la DL s'inscrit de plus en plus dans le développement de ce que l'on appelle la "Smart Factory". "En avril 2017, le PCITC et Huawei ont annoncé conjointement une plateforme de fabrication intelligente... un élément central de l'usine intelligente 2.0 au sein du groupe Sinopec". Notamment, l'une des capacités de la plateforme "crée un "cerveau intelligent" pour les usines pétrochimiques en utilisant l'apprentissage profond et le raisonnement des données." (Huawei, "Huawei s'associe au PCITC pour adopter Smart Factory 2.0", 13 nov. 2017, PRNewswire).

Avec la "Metropolis AI Smart Cities Platform" de NVDIA, le produit de gestion de contenu vidéo de Huawei prend en charge et utilise le Deep Learning pour "la reconnaissance précise des visages, la structuration des piétons et des véhicules et la recherche d'images inversées", coopérant également avec la police de Shenzhen. Toujours avec Metropolis, City Brain d'Alibaba Cloud utilise l'IA pour des services tels que "la gestion et la prédiction du trafic en temps réel, les services urbains et des systèmes de drainage plus intelligents", améliorant par exemple "les embouteillages jusqu'à 11 % dans le district pilote de Hangzhou" (Saurabh Jain, "Alibaba et Huawei adoptent la plateforme Metropolis AI Smart Cities de NVIDIA", 25 septembre 2017, Blog NVDIA).

Plus célèbre, le Deep Learning a été et est encore utilisé pour jouer à des jeux comme le go ou les échecs, ce qui permet de développer et de tester de nouveaux programmes d'IA, dans leur architecture et leurs algorithmes. Ce sont ces programmes, notamment ceux développés par DeepMind de Google, que nous utiliserons ci-dessous pour approfondir notre compréhension de ce qu'est le DL.

Ces cas peuvent apparaître comme des cas classiques de la façon dont l'IA dans sa composante DL peut révolutionner des méthodes et des pratiques déjà existantes.

Pour la toute première fois dans l'histoire de l'humanité, nous pouvons commencer à penser que nous pouvons gérer des activités de manière quasi parfaite, ainsi que gouverner, dans les multiples dimensions qui régissent les exigences, également de manière quasi parfaite. En soi, dans un monde d'humains très imparfaits, c'est une révolution. Cela nous amène à nous interroger sur de nouvelles questions telles que la façon dont nous, les humains, avec toutes nos imperfections, avec nos multiples biais cognitifs - c'est-à-dire les erreurs mentales que nous commettons systématiquement mais qui nous ont été utiles pour survivre et atteindre notre niveau de développement actuel (Richards J. Jr. Heuer,, Psychologie de l'analyse du renseignementCenter for the Study of Intelligence, Central Intelligence Agency, 1999) - devons-nous gérer des activités soudainement quasi parfaites ? L'exemple très simple de la voiture à conduite autonome vient immédiatement à l'esprit. Le nombre élevé d'accidents impliquant des voitures autopilotées semble en effet provenir de leur incapacité à gérer la conduite humaine imparfaite (James Titcomb, "Une voiture sans conducteur est impliquée dans un accident au cours de la première heure de la première journée", 9 novembre 2017, Le télégraphe).

Cependant, de nouvelles activités commencent également à apparaître, pour le moins moins moins classiques. Nous avons le cas des plates-formes d'apprentissage, où des agents AI-DL apprennent et s'entraînent (Cade Metz, "Dans l'univers d'OpenAI, les ordinateurs apprennent à utiliser les applications comme les humains.", 12 mai 2016, Câblé). Par exemple, Univers, développé par OpenAI (le laboratoire d'IA soutenu par le PDG de Tesla, Elon Musk) est une plateforme logicielle où les scientifiques peuvent former leur IA pour qu'elle interagisse avec des applications et des programmes, dont beaucoup sont à code source ouvert (Ibid).

Laboratoire DeepMind est une plateforme similaire proposée par DeepMind de Google (Ibid). Les anciens ImageNetcréé en 2009, a aidé les agents d'IA à apprendre à "voir" (Ibid.). S'agit-il de la naissance d'une activité d'IA véritablement nouvelle, similaire à l'éducation, et qui doit faire partie de la gouvernance émergente de l'IA ?

Comment ces deux types d'activités, les activités classiques alimentées par l'IA et les nouvelles activités de l'IA, seront-elles intégrées dans la gestion de l'IA et, dans le domaine de la politique qui nous concerne principalement, dans la gouvernance de l'IA ? Comment la gestion et la gouvernance de l'IA sont-elles organisées ? Comment la gouvernance de l'IA interagira-t-elle avec les structures et les processus plus anciens de l'État, du régime et du gouvernement ?

En outre, comment sera organisé un monde qui a été jusqu'à présent dominé par la recherche d'un avantage concurrentiel relatif ? La notion d'avantage concurrentiel est-elle même encore pertinente ? Que se passera-t-il lorsque des acteurs jusqu'ici concurrents, des États aux entreprises, utiliseront chacun l'IA-DL de telle manière que la gestion et la gouvernance seront toutes quasi parfaites ? La première phase sera très probablement une course pour obtenir cet avantage AI-DL, tout en essayant éventuellement d'en priver les autres. Mais que se passera-t-il lorsque deux acteurs ou plus atteindront le même stade de développement de l'IA ? Comme le montre l'exemple donné en introduction, la concurrence pour l'accès aux données des citoyens va également s'intensifier.

Il s'agit ni plus ni moins d'un monde complètement nouveau qui est peut-être en train de se créer.

Mais nous devrons également nous demander si et comment de telles évolutions pourraient échouer.

Nous allons maintenant nous plonger plus profondément dans le monde de l'apprentissage approfondi, ce qui nous permettra, tout au long de la série, de mieux comprendre quelles activités sont susceptibles d'être touchées par l'IA-DL, de commencer à imaginer quelles nouvelles activités AI pourraient naître, ainsi que de déterminer comment la course probable au statut de puissance AI pourrait se dérouler et autour de quels éléments.

Pour continuer la lecture, devenir membre de la société d'analyse The Red (Team).
Si vous êtes déjà membre, veuillez login (n'oubliez pas de rafraîchir la page).

Article complet 3368 mots - environ 9 PAGES
Incluant les membres seulement 1728 mots / 5 pages

 


À propos de l'auteur: Dr Hélène LavoixM. Lond, PhD (relations internationales), est le directeur de la Red (Team) Analysis Society. Elle est spécialisée dans la prévision et l'alerte stratégiques pour les questions de sécurité nationale et internationale.

Image : Neurones par Geralt, Pixabay, Public Domain - Recadré et recolorisé.


Références

Anadiotis, George , "Alice, le making of : Dans les coulisses avec la nouvelle assistante IA de Yandex", 10 octobre 2017, ZDNet.

Araujo, Maria S. et Daniel S. Davila, "L'apprentissage machine améliore la surveillance du pétrole et du gaz", 9 juin 2017, Parler de l'IdO dans l'énergie.

Ambrose Jillian, et Gordon Rayner, "La pénurie de gaz va faire grimper les factures après une "tempête parfaite" de problèmes énergétiques", 12 déc. 2017, Le Telegraph. 

DeepMind, Page web AlphaGo.

Blog de DeepMind, "Apprentissage du renforcement en profondeur".

Heuer, Richards J. Jr. Psychologie de l'analyse du renseignementCenter for the Study of Intelligence, Central Intelligence Agency, 1999.

Huawei, "Huawei s'associe au PCITC pour adopter Smart Factory 2.0", 13 nov. 2017, PRNewswire.

Jain, Saurabh, "Alibaba et Huawei adoptent la plateforme Metropolis AI Smart Cities de NVIDIA", 25 septembre 2017, Blog NVDIA

JASON, étude parrainée par le secrétaire adjoint à la défense pour la recherche et l'ingénierie (ASD R&E) au sein du bureau du secrétaire à la défense (OSD), département de la défense (DoD) Perspectives sur la recherche en matière d'intelligence artificielle et d'intelligence générale artificielle en rapport avec le ministère de la défenseJanvier 2017.

Metz, Cade "AlphaGo de Google passe des jeux de société aux réseaux électriques", 24 mai 2017, Câblé.

Metz, Cade, "Dans l'univers d'OpenAI, les ordinateurs apprennent à utiliser les applications comme les humains.", 12 mai 2016, Câblé.

Nielsen, Michael A., "Réseaux neuronaux et apprentissage approfondi“, Détermination Presse, 2015.

Øvstaas, Jo, "Données et apprentissage automatique pour la prédiction de la corrosion des pipelines", 12 juin 2017, DNV GL.

Rosenblatt, Frank. “Le perceptron : un modèle probabiliste pour le stockage et l'organisation de l'information dans le cerveau.” Revue psychologique 65.6 (1958): 386.

Silver, et al. "Maîtriser les échecs et le shogi en jouant soi-même avec un algorithme d'apprentissage de renforcement général", arXiv:1712.01815 [cs.AI], 5 décembre 2017.

Silver, David Julian Schrittwieser, Karen Simonyan, Ioannis Antonoglou, Aja Huang, Arthur Guez, Thomas Hubert, Lucas Baker, Matthew Lai, Adrian Bolton, Yutian Chen, Timothy Lillicrap, Fan Hui, Laurent Sifre, George van den Driessche, Thore Graepel & Demis Hassabis, "Maîtriser le jeu de Go sans connaissance humaine“, Nature, 550354-359, le 19 octobre 2017, doi10.1038/nature24270

Silver, David Aja Huang, Chris J. Maddison, Arthur Guez, Laurent Sifre, George van den Driessche, Julian Schrittwieser, Ioannis Antonoglou, Veda Panneershelvam, Marc Lanctot, Sander Dieleman, Dominik Grewe, John Nham, Nal Kalchbrenner, Ilya Sutskever, Timothy Lillicrap, Madeleine Leach, Koray Kavukcuoglu, Thore Graepel & Demis Hassabis, "Maîtriser le jeu de Go avec les réseaux neuronaux profonds et la recherche d'arbres” Nature, 529, 484-489, 28 janvier 2016, doi:10.1038/nature16961.

Titcomb, James "Une voiture sans conducteur est impliquée dans un accident au cours de la première heure de la première journée", 9 novembre 2017, Le Telegraph.

Van Veen, Fjodor, "Le zoo du réseau de neurones“, L'Institut Asimov, 14 décembre 2016.

Communiqué de presse de Yandex "Yandex lance Alice, le premier assistant d'intelligence artificielle conçu pour le marché russe.".

Publié par Dr Helene Lavoix (MSc PhD Lond)

Dr Hélène Lavoix, PhD Lond (relations internationales), est la présidente de The Red Team Analysis Society. Elle est spécialisée dans la prospective stratégique et l'alerte précoce pour les relations internationales et les questions de sécurité nationale et internationale. Elle s'intéresse actuellement notamment à la guerre en Ukraine, à l'ordre international et à la place de la Chine en son sein, au dépassement des frontières planétaires et aux relations internationales, à la méthodologie de la prospective stratégique et de l'alerte précoce, à la radicalisation ainsi qu'aux nouvelles technologies et à leurs impacts sécuritaires.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.

FR