Nous suivre Industrie Techno

abonné

[Dossier IA] l'outil derrière le buzz de l'intelligence artificielle

MANUEL MORAGUES
Soyez le premier à réagir

Soyez le premier à réagir

[Dossier IA] l'outil derrière le buzz de l'intelligence artificielle

Le battage médiatique autour de la révolution de l’intelligence artificielle masque l’essentiel : le machine learning, l’IA qui apprend des données, s’inscrit dans la continuité des méthodes industrielles. Ses outils rentrent peu à peu dans l’industrie en s’intégrant aux machines et en s’appuyant sur les experts humains.

Impossible de passer à côté. L’intelligence artificielle (IA) sature les médias. Démonstrations de force du deep learning, promesses de gains faramineux, menaces sur l’emploi ou dérives liées à l’usage aveugle de ses algorithmes, l’IA est mise à toutes les sauces. En quelques années, elle a acquis le statut de révolution technologique du XXIe siècle et s’est imposée comme un enjeu géostratégique et économique dans la compétition mondiale. Pour les entreprises et les États, le message est simple : « Si vous ratez la révolution IA, vous êtes mort. » Rien d’étonnant, donc, à ce que tous, à en croire les discours, stratégies et lancements de solutions, en fassent aujourd’hui… La réalité est tout autre. « L’IA se diffuse bien moins vite que ce que l’on entend un peu partout, pointe Sylvain Duranton, à la tête de BCG Gamma, l’entité dédiée à l’IA du BCG. Notre dernière étude montre que seuls 20 % des grands groupes ont mené des projets IA jusqu’au déploiement, contre 18 % il y a deux ans. On est loin de l’explosion. »

Cet emballement a l’inconvénient majeur de présenter l’IA comme un ovni numérique, a priori bien difficile à intégrer pour un industriel. Or elle s’inscrit au contraire dans la continuité des méthodes industrielles. « Analyser des données, identifier des corrélations, en tirer des enseignements pour optimiser ses process… Ce n’est pas nouveau, rappelle Alexis Fournier, expert en machine learning chez Dataiku, fort de vingt ans de datascience. On le fait aujourd’hui sur de nouveaux types de données et avec de nouveaux outils, mais c’est le même principe. » S’il y a bien une diffusion de l’IA dans l’industrie, cela vient d’abord des entreprises. « Ce qui fait que l’IA rentre à l’usine, ce n’est pas l’apparition du deep learning, tranche Patrick Sayd, le responsable de l’unité IA pour le langage et la vision au CEA List. C’est le besoin des industriels de piloter des systèmes de plus en plus complexes et le fait qu’ils ont commencé à stocker leurs données pour cela. » IA, big data, industrie 4.0, même combat !

Derrière l'arbre du deep learning, la forêt du machine learning

Il ne s’agit pas de nier l’étrangeté des réseaux de neurones profonds du deep learning, pas plus que la rupture qu’ils marquent. Mais il faut replacer cette dernière dans son contexte. Celui de la recherche, et celui de la performance en matière de perception. Soit le traitement de données homogènes (images, textes et sons, principalement). Ces progrès ont déjà permis un essor sans précédent des applications de commande vocale, de traitement automatisé de documents textuels et de vision par ordinateur. Cette dernière est très utile pour les opérations industrielles. Mais l’industrie a d’autres besoins que le deep learning n’est pas, pour le moment, capable de satisfaire. Ou pour lesquels on ne peut pas encore lui faire confiance [lire l’encadré]. De plus, recourir à cet outil extrêmement gourmand en données et en puissance de calcul, donc coûteux, reviendrait bien souvent à utiliser un marteau-piqueur pour enfoncer un clou.

Derrière l’arbre du deep learning (apprentissage profond), une forêt d’outils s’offre aux industriels : ceux du machine learning (apprentissage automatique). Voilà ce qu’est l’IA dont on parle tant : des outils qui apprennent à partir des données pour élaborer des modèles. A contrario de la simulation, qui part des lois de la physique, et de l’IA symbolique, qui se base sur des règles explicitées par l’humain comme dans les systèmes experts. Appliqués sur de nouvelles données d’entrée (une étape dite d’inférence, par opposition à celle de l’apprentissage), ces modèles pourront prédire les sorties correspondantes, identifier des similarités, détecter les anomalies…

Méthodes à noyau comme les machines à support de vecteurs, méthodes d’ensembles – AdaBoost, random forest – et réseaux de neurones… « Ces outils sont bien connus depuis une vingtaine d’années » , rappelle Mathilde Mougeot, titulaire de la chaire Analyse de données industrielles et apprentissage automatique de l’ENS Paris-Saclay. Ils sortent aujourd’hui des laboratoires pour intégrer l’usine. « Les[…]

Pour lire la totalité de cet article, ABONNEZ-VOUS

Déjà abonné ?

Mot de passe perdu

Pas encore abonné ?

vous lisez un article d'Industries & Technologies N°1030

Découvrir les articles de ce numéro Consultez les archives 2020 d'Industries & Technologies

Bienvenue !

Vous êtes désormais inscrits. Vous recevrez prochainement notre newsletter hebdomadaire Industrie & Technologies

Nous vous recommandons

StopCovid : l’Inria se dirige vers un compromis technologique pour l’appli française de contact tracing

StopCovid : l’Inria se dirige vers un compromis technologique pour l’appli française de contact tracing

Critiqué pour avoir développé un protocole centralisé pour l’application de suivi des cas contacts StopCovid,[…]

Pour bien commencer la semaine, les clés du déconfinement

Pour bien commencer la semaine, les clés du déconfinement

Pour bien commencer la semaine : Les clés pour comprendre la controverse sur le remdesivir

Pour bien commencer la semaine : Les clés pour comprendre la controverse sur le remdesivir

Quand les lignes de production se dédoublent

Quand les lignes de production se dédoublent

Plus d'articles