Regardez la vidéo…
Lorsque nous parlons d’intelligence artificielle, ou IA, nous faisons généralement référence à l’apprentissage profond. Résumer du texte, générer des phrases, retirer l’arrière-plan d’une image, recommander le prochain film à regarder ou même détecter un cancer plus tôt : l’apprentissage profond alimente une grande partie des technologies de pointe dans le monde aujourd’hui, y compris ChatGPT et Midjourney. Même si cette technologie est utile et de plus en plus puissante, est-ce vraiment de l’intelligence ? Commençons par imaginer un groupe d’informaticiens dans une pièce avec un très gros éléphant. Des sourires nerveux et des regards fuyants apparaissent chaque fois que quelqu’un pointe l’éléphant et pose une question sur l’IA et l’intelligence. Notre instinct semble savoir ce qu’est l’intelligence, mais nous avons du mal à la définir. Nous semblons constamment changer d’avis à son sujet. Alors, plutôt que de chercher à déterminer si l’apprentissage profond est intelligent ou non, soyons de vrais informaticiens et concentrons-nous sur ce qu’il peut faire et comment il le fait. De toute façon, est-ce vraiment important qu’il soit intelligent s’il peut conduire parfaitement à votre place ou digérer de longs courriels et y répondre pour vous ?
Une analogie pour l’apprentissage profond…
Vous pouvez voir l’IA, ou l’apprentissage profond, comme un mauvais élève.
Il se présente à un examen sans comprendre la matière. Plutôt que d’étudier à l’avance et d’apprendre le contenu du livre, il tente de contourner le système pour obtenir la note de passage.
Comme un mauvais élève qui veut désespérément réussir, il essaie de copier ses camarades sans comprendre les questions. La seule différence, c’est qu’il est un peu plus astucieux que la plupart des mauvais élèves sur un point remarquable : il ne se fera pas facilement prendre et donnera l’impression d’avoir étudié.
Plutôt que de copier un ou deux étudiants assis à côté de lui et de se faire prendre par le professeur, il recueille les réponses de tous les étudiants de la classe et copie la réponse la plus fréquente pour chaque question. Il continue donc de copier et coller des réponses, mais de façon un peu plus intelligente, avec des statistiques. À partir des copies de tout le monde, il comprend quelle réponse est la plus susceptible d’être donnée à chaque question. Il répète ce processus pour toutes les questions de l’examen. Vous pourriez donc obtenir la meilleure note de la classe sans comprendre la matière, tout en évitant de vous faire prendre puisque toutes vos réponses semblent logiques. Elles reposent sur celles de tous les autres, pas sur la copie d’une seule personne. Étendez ce processus à tout Internet et à tous les sujets qui s’y trouvent, et vous obtenez GPT. Copiez ensuite encore plus de vraies conversations humaines et entraînez-vous avec elles, et vous obtenez ChatGPT.
C’est ainsi que fonctionne l’IA. Elle est essentiellement une machine à « faire semblant jusqu’à réussir ». Le résultat semble impressionnant, mais le modèle ne comprend pas ce que vous voulez accomplir. Il donne seulement l’impression de le comprendre. En lui fournissant beaucoup d’exemples comme une question et les réponses des étudiants, il apprend la solution optimale à choisir pour des questions semblables. Cela fonctionne si les étudiants sont assez bons, et c’est aussi pourquoi vos données sont tellement importantes ! Si vous lui fournissez suffisamment d’exemples venant de spécialistes, donc dans notre analogie d’excellents étudiants qui ont vraiment étudié, le modèle devient puissant, comme ChatGPT, comparativement aux anciens modèles dont vous n’avez probablement jamais entendu parler !
[
L’infolettre hebdomadaire What’s AI de Louis-François Bouchard sur Substack
À ce stade, vous vous demandez peut-être comment l’apprentissage profond arrive à faire semblant. Les détails feront l’objet d’un autre article, mais il peut être utile de comprendre ce qu’est une fonction de perte. La fonction de perte est le moteur de l’apprentissage profond. Imaginez un professeur qui vous indique combien de points il vous manque pour obtenir une note parfaite. Il est impossible de connaître la note exacte de chaque réponse, mais une bonne fonction de perte vous donne une idée de votre performance. Le problème, c’est que le professeur qui corrige votre examen ne vous dit pas exactement quelles questions vous avez ratées. Il ne vous donne même aucun commentaire, à part un score approximatif qui indique à quel point vous avez échoué. C’est donc à vous de déterminer ce qui ne va pas et comment vous améliorer. Voilà pourquoi il faut beaucoup de données et d’essais pour entraîner un puissant modèle d’apprentissage profond.
L’IA : faible et puissante à la fois
C’est pourquoi les IA sont à la fois puissantes et faibles.
Elles sont puissantes parce qu’elles obtiennent d’excellents résultats si vous disposez des données nécessaires pour leur enseigner ce que vous voulez.
Elles sont faibles parce qu’elles ne sont pas du tout intelligentes en dehors des données qu’elles ont vues. Notre mauvais élève n’apprend pas la matière de l’examen, mais plutôt ce que les autres étudiants sont susceptibles de répondre. Votre IA ne comprend donc ni les mathématiques ni l’histoire. Elle ne comprend pas ce qu’est une tumeur ou ce que votre patron attend de vous. Elle comprend simplement très bien les statistiques pour l’examen actuel et reproduit ce que la plupart des médecins feraient ou ce que la plupart des patrons voudraient d’une personne comme vous. Une IA entraînée pour un examen d’histoire ne peut ni résumer le cours, ni aider quelqu’un, ni faire autre chose que répondre à cet examen précis ou à des examens très semblables.
C’est ainsi que les IA peuvent générer du texte, modifier des images, comprendre des tendances, détecter le cancer plus tôt ou recommander le prochain film à regarder. Elles sont toutes différentes, mais aussi très semblables, puisqu’elles ont été entraînées uniquement à réaliser leur tâche à partir d’exemples. Une étape importante utilisée pendant l’entraînement de la plupart des IA s’appelle l’apprentissage supervisé. Les IA apprennent quoi trouver ou quoi faire à l’aide d’exemples produits par des spécialistes. Nous parlons de supervision parce qu’elles suivent ces spécialistes et leur façon de prendre une décision, mais elles n’acquièrent pas, et n’acquerront jamais ainsi, leurs connaissances. Elles sont supervisées par des spécialistes et peuvent au mieux devenir aussi performantes qu’eux.
Une IA n’est pas entraînée à comprendre ce qu’est un cerveau ou une tumeur. Elle est entraînée à répondre comme le ferait la majorité des neurologues devant la même image du cerveau. J’insiste ici sur le mot « même ». Vous pourriez croire que différents hôpitaux peuvent utiliser la même IA pour leurs images médicales, mais ce n’est pas nécessairement le cas. Par exemple, la plupart des hôpitaux règlent différemment leurs appareils d’IRM qui produisent des images du cerveau ou de la moelle épinière. Les variations de contraste, qui ne nous dérangent pas, peuvent empêcher l’IA de reconnaître l’image et son contenu. Notre pauvre élève est complètement perdu. C’est comme si les questions de l’examen avaient été reformulées et placées dans un autre ordre, ce qui l’empêche de s’appuyer sur ce qu’il avait appris. Un neurologue expérimenté pourrait avoir besoin d’un peu plus de temps, mais il arriverait tout de même assez facilement à voir le problème dans une IRM provenant d’un autre hôpital.
Et si ce problème vous intéresse, vous allez adorer mes prochaines vidéos sur l’IA dans le domaine biomédical. C’est le sujet de ma thèse de doctorat et je publierai une courte série de vidéos sur mon travail avec l’IA et les images d’IRM !
Conclusion
Voilà l’état actuel de l’intelligence artificielle, et plus précisément de l’apprentissage profond. Contrairement aux humains, l’apprentissage profond apprend souvent des réponses, tandis que les humains cherchent plutôt à comprendre le sujet. C’est pourquoi l’apprentissage profond est puissant pour des cas d’utilisation précis lorsque vous disposez de données. Autrement dit, cette différence vient du fait qu’il apprend à réussir une tâche plutôt qu’à acquérir les connaissances nécessaires pour la réaliser.
J’ai peut-être un peu sous-estimé ce mauvais élève… Et je tiens à m’excuser publiquement, surtout après ce que nous avons vu récemment avec ChatGPT. Il est peut-être paresseux, mais il maîtrise vraiment bien les statistiques, ce qui lui permet d’être utilisé dans une grande variété d’applications. Parcourir les réponses de tout le monde dans une salle d’examen n’est sûrement pas facile non plus. Les chercheurs ont réalisé de nombreuses prouesses d’ingénierie et développé une foule de techniques d’apprentissage incroyablement novatrices qu’ils continuent d’améliorer. Mais que se passerait-il si vous essayiez vraiment de comprendre la matière ? C’est ce que tente de faire l’IA symbolique, mais ce sera le sujet d’un autre article !
Je ne pense pas que l’apprentissage profond soit synonyme d’intelligence, et cela ne change pas grand-chose qu’il le soit ou non. Il reste tout de même très intéressant de discuter du type d’intelligence qu’il possède et de sa compréhension de notre monde. J’aimerais beaucoup connaître votre opinion dans les commentaires ci-dessous. Pour le moment, l’IA ne nous ressemble pas vraiment. Dans un autre article, nous examinerons plus en profondeur les différences entre l’IA et les humains. Abonnez-vous pour ne pas le manquer. Cette différence n’empêche pas les modèles d’intelligence artificielle d’être très puissants et utiles, et rien ne garantit qu’il s’agisse de l’état final de l’IA. Un mauvais élève possède d’autres qualités dont nous pouvons profiter ! Des qualités que j’ai déjà explorées dans des centaines d’articles !
Rappelez-vous que ce que j’ai décrit ici est simplement une analogie pour expliquer le fonctionnement de l’apprentissage profond, et surtout celui de l’apprentissage supervisé, la forme d’intelligence artificielle la plus courante dans les applications actuelles. Les chercheurs améliorent continuellement son fonctionnement, et ce que nous appelons « IA » pourrait être complètement différent dans quelques années. Seul l’avenir nous le dira. Qu’est-ce qui vous donne de l’espoir ou vous fait peur au sujet de l’apprentissage profond ? Je choisirai peut-être votre réponse pour un futur article !
FAQ
Qu’est-ce que l’apprentissage profond, en termes simples ?
L’apprentissage profond entraîne des réseaux neuronaux en couches sur de nombreux exemples afin qu’ils apprennent les motifs qui relient une entrée, comme une image, à une sortie utile.
Pourquoi les systèmes d’apprentissage profond ont-ils besoin d’autant de données ?
Ils apprennent leur comportement à partir d’exemples et de corrections répétées. Des données variées et représentatives leur donnent donc plus d’occasions d’apprendre le motif pertinent.
Qu’est-ce que l’apprentissage supervisé ?
L’apprentissage supervisé entraîne un modèle avec des exemples annotés par des personnes ou des spécialistes, qui lui montrent la réponse ou le comportement à associer à chaque entrée.
Pourquoi un modèle peut-il être puissant et limité à la fois ?
Il peut être extrêmement performant sur des entrées semblables à ses données d’entraînement, puis échouer lorsqu’un nouveau cas sort des motifs appris.
Pourquoi une entrée doit-elle ressembler aux exemples d’entraînement ?
Un modèle ne raisonne pas à partir d’une expérience illimitée. Il applique les motifs appris dans son jeu de données, et les entrées inconnues peuvent produire des prédictions peu fiables.
Pourquoi le même modèle d’imagerie médicale peut-il échouer dans un autre hôpital ?
Des appareils et des réglages différents peuvent modifier suffisamment le contraste pour sortir l’image de la distribution d’entraînement, même si un neurologue peut encore l’interpréter.