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 leurs propres ordinateurs (cf. Site web d'AliceCommuniqué de presse de Yandex ".Yandex lance Alice - le premier assistant d'IA 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 capacité d'utiliser Alice en anglais pourrait être développée dans un (proche) avenir (Anadiotis, Ibid.). Cela permettrait d'ouvrir l'ensemble du monde Yandex aux anglophones. En attendant, cela permettrait également à Yandex d'avoir accès à toutes les données de ces mêmes anglophones, jusqu'à présent essentiellement réservées 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 qu'imaginer la paranoïa politique qui pourrait alors se développer. En attendant, la concurrence internationale entre les géants de l'Internet pour les données des utilisateurs, cruciales pour une partie de l'apprentissage approfondi, comme nous le verrons en expliquant ce qu'est l'apprentissage approfondi ci-dessous, va très probablement s'intensifier. D'un point de vue plus positif, une meilleure compréhension pourrait également émerger suite à la découverte du monde russe par des non-Russes. Néanmoins, cela aurait 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 commencerons par donner des exemples d'utilisation de l'apprentissage profond dans le monde réel. Nous distinguons deux types d'activités : les activités classiques basées sur l'IA et les activités d'IA totalement nouvelles, liées à l'émergence même de l'apprentissage profond. 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 la plus susceptible de faire partie, au moins, du classement de la puissance relative des acteurs mondiaux (Hélène Lavoix, "Quand l'intelligence artificielle va alimenter la géopolitique - Présentation de l'IA", 29 novembre 2017, et Jean-Michel Valantin, "La révolution chinoise de l'intelligence artificielle", le 13 novembre 2017, The Red Team Analysis Society).

Ensuite, nous nous plongerons plus profondément dans le monde du Deep Learning, en prenant comme exemple pratique l'évolution du programme AI-DL DeepMind de Google, initialement développé pour gagner contre les Go masters humains : AlphaGo, puis AlphaGo Zero et enfin AlphaZero. Après avoir brièvement présenté où se situe le DL dans l'IA, nous nous concentrerons d'abord sur les réseaux neuronaux profonds et l'apprentissage supervisé. Ensuite, nous nous pencherons sur la dernière évolution de l'apprentissage renforcé en profondeur et nous commencerons à nous demander si un nouveau paradigme AI-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 du pétrole et du gaz. Le Southwest Research Institute (SwRI) a développé le système de détection intelligente des fuites (SLED), qui "utilise des algorithmes pour traiter les images provenant de capteurs balayant 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 des 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). Si l'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 système 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 fait grimper les factures après la "tempête parfaite" de problèmes énergétiques", 12 décembre 2017, Le télégraphe), n'aurait très probablement pas eu lieu - en supposant, bien sûr, que des investissements liés à la réponse aient été faits.

En outre, DL participe de plus en plus au 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 essentiel de la Smart Factory 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 des données d'apprentissage et de raisonnement approfondi". (Huawei, "Huawei s'associe au PCITC pour adopter Smart Factory 2.0", 13 novembre 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 l'apprentissage profond pour "la reconnaissance précise des visages, la structuration piéton-véhicule et la recherche d'images inversées", coopérant également avec la police de Shenzhen. Toujours avec Metropolis, Alibaba Cloud's City Brain 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 de 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).

Le plus célèbre est que le Deep Learning a été et est toujours utilisé pour jouer à des jeux tels que 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 première fois dans l'histoire de l'humanité, nous pourrions commencer à penser que nous pourrions gérer des activités de manière presque parfaite, ainsi que gouverner, dans les multiples dimensions qui régissent les demandes, également de manière presque parfaite. En soi, dans un monde où les humains sont très imparfaits, il s'agit d'une révolution. Cela nous amène à nous interroger sur de nouvelles questions telles que la manière 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 ont été utiles pour survivre et atteindre notre niveau actuel de développement (Richards J. Jr. Heuer,, Psychologie de l'analyse du renseignementCenter for the Study of Intelligence, Central Intelligence Agency, 1999) - devons-nous soudainement gérer des activités presque parfaites ? L'exemple très simple de la voiture qui se conduit toute seule me vient immédiatement à l'esprit. Le nombre élevé d'accidents impliquant des voitures qui se conduisent seules semble en effet provenir de leur incapacité à gérer une conduite humaine imparfaite (James Titcomb, "Une voiture sans conducteur est impliquée dans un accident au cours de la première heure de la première journée", le 9 novembre 2017, Le télégraphe).

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

Laboratoire DeepMind est une plateforme similaire offerte par DeepMind de Google (Ibid). L'ancienne ImageNetcréé en 2009, a aidé les agents de l'IA à apprendre à "voir" (Ibid.). Est-ce la naissance d'une véritable nouvelle activité d'IA, 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 jusqu'ici dominé par la recherche d'un avantage concurrentiel relatif ? La notion d'avantage concurrentiel est-elle encore pertinente ? Que se passera-t-il lorsque les acteurs concurrents, des États aux entreprises, utiliseront chacun l'AI-DL de manière à ce que la gestion et la gouvernance soient quasi parfaites ? La première phase sera très probablement une course pour obtenir cet avantage AI-DL, tout en essayant éventuellement d'en priver d'autres. Mais que se passera-t-il lorsque deux ou plusieurs acteurs atteindront le même stade de développement de l'IA ? Comme le souligne l'exemple donné en introduction, il y aura également une concurrence pour savoir qui pourra accéder aux données des citoyens.

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.

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 fait grimper les factures après la "tempête parfaite" de problèmes énergétiques", 12 décembre 2017, Le Telegraph. 

DeepMind, Page web AlphaGo.

Blog 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 novembre 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 défense, Janvier 2017.

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

Metz, Cade, "Dans l'univers d'OpenAI, les ordinateurs apprennent à utiliser les applications comme le font les humains", le 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, 550, 354-359, 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", le 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'IA conçu pour le marché russe“.