Une définition complexe à opérer et à partager

Si le terme d’« intelligence artificielle » (IA) est entré dans le langage commun et son utilisation devenue banale dans les médias, il n’en existe pas réellement de définition partagée.

Au sens large, le terme désigne en effet indistinctement des systèmes qui sont du domaine de la pure science-fiction (les IA dites « fortes », dotées d’une forme conscience d’elles-mêmes) et des systèmes déjà opérationnels en capacité d’exécuter des tâches très complexes (reconnaissance de visage ou de voix, conduite de véhicule – ces systèmes sont qualifiés d’IA « faibles » ou « modérées »).

Cette confusion contribue à entretenir des craintes purement spéculatives (des IA autonomes conscientes s’opposant aux humains) qui resteraient anecdotiques si elles ne troublaient pas la mesure des réels enjeux, tels que l’impact sur les droits fondamentaux de processus de prise de décision fondés sur des modèles mathématiques, et donc difficile l’élaboration de cadres de régulation.

Une définition à restreindre, au cas par cas, aux technologies utilisées

L’IA est en réalité une discipline jeune d’une soixante d’années, qui réunit des sciences, théories et techniques (notamment logique mathématique, statistiques, probabilités, neurobiologie computationnelle et informatique) et dont le but est de parvenir à faire imiter par une machine les capacités cognitives d’un être humain.

Les spécialistes préfèrent en général employer le nom exact des technologies concrètement en œuvre (qui relèvent aujourd’hui essentiellement de l’apprentissage automatique – machine learning) et sont parfois réticents à employer le terme d’ « intelligence » car les résultats, bien qu’extraordinaires dans certains domaines, demeurent encore modestes au regard des ambitions entretenues.

Qu’est-ce que l’apprentissage automatique (machine learning) ?

Après avoir connu deux périodes de fort développement (entre 1940 et 1960, puis entre 1980 et 1990), l’IA a connu un nouvel essor en 2010 grâce aux algorithmes dits d’apprentissage automatique. Deux facteurs sont à l’origine de ce nouvel engouement des chercheurs et des industries informatiques : l’accès à des volumes massifs des données et la découverte de la très grande efficacité des processeurs de simples cartes graphiques d’ordinateur pour accélérer le calcul des algorithmes d’apprentissage.

L’actuelle « révolution » de l’IA ne vient donc pas d’une découverte de la recherche fondamentale mais de la possibilité d’exploiter avec efficacité des fondements relativement anciens, tels que l’inférence bayésienne (XVIIIème siècle) ou les neurones formels (1943) pour l’une des sous-classes de l’apprentissage automatique, l’apprentissage profond (ou deep learning).

L’apprentissage automatique a opéré un changement complet de paradigme par rapport à la précédente génération d’IA, les systèmes experts, avec une approche voulue comme inductive : il ne s’agira plus pour un informaticien de coder les règles à la main mais de laisser les ordinateurs les découvrir par corrélation et classification, sur la base d’une quantité massive de données. Autrement dit, l'objectif de l'apprentissage automatique n’est pas réellement d’acquérir des connaissances déjà formalisées mais de comprendre la structure de données et de l’intégrer dans des modèles, notamment pour automatiser des tâches.

Systèmes experts et apprentissage automatique : deux conceptions différentes de l’IA

Très concrètement, dans sa phase d'apprentissage, la machine va rechercher les liens entre des données préalablement sélectionnées pour un domaine spécifique (par exemple, sur 10 années, dans différentes villes, le nombre de crèmes glacées vendues et la température de l'air) et les catégoriser. Ce modèle pourra ensuite être utilisé pour résoudre des questions du type : s'il fait 25°, combien de glaces puis-je espérer vendre dans tel lieu ?

Bien que certains systèmes construisent des modèles de manière relativement autonome, l'intervention humaine demeure encore essentielle, qu'il s'agisse de choisir les données d'apprentissage, d'identifier leurs éventuels biais ou alors, quand cela est possible, de distinguer parmi les corrélations celles pouvant être réellement la cause d'un phénomène (si l'on vend beaucoup plus de glaces pour un lieu donné, est-ce à cause de la température ou de la présence d'un très bon glacier ?).

Le futur de l’IA et ses enjeux

D’après certains experts comme Yann LeCun, chercheur en IA et pionnier de l’apprentissage profond, l’ambition de parvenir à imiter une cognition humaine (ou même animale) nécessiterait de nouvelles découvertes en recherche fondamentale et non une simple évolution des technologies actuelles d’apprentissage automatique. De telles technologies, qui relèvent essentiellement de la mathématique et de la statistique, ne sont en effet pas en mesure d’agir par intuition ou de modéliser rapidement leur environnement.

Les impacts sociétaux, éthiques et sur les droits fondamentaux ne sont donc pas à construire en craignant que l’apprentissage automatique ne fasse émerger une forme conscience artificielle dans les 10 ou 20 années, mais prévenant les biais, les discriminations, les atteintes à la vie privée, à la liberté d’expression ou de conscience voire à la vie elle-même avec les armes autonomes provenant d’une conception de la société la réduisant à un modèle mathématique.