Monsieur Rauscher, faut-il avoir peur de l’intelligence artificielle (IA)?
«Non. J’ai les mains dans le cambouis tous les jours, et je sais qu’on est très loin de ce que l’on voit dans les films de science-fiction.
Que répondez-vous à ceux qui en ont peur?
«Je pense que c’est une peur irrationnelle. Les économistes disent qu’on a toujours tendance à exagérer les effets d’une nouvelle technologie sur le court terme et à les sous-estimer sur le long terme. Nous nous trouvons typiquement dans ce schéma. Je comprends que certaines personnes aient peur de l’IA, mais pour d’autres raisons. Par exemple, parce que leurs tâches vont être automatisées. Mais qu’on ait peur de l’IA comme on a peur d’un scénario catastrophe, où les robots deviennent plus intelligents que les Hommes, ça non! Je suis expert en IA et je peux vous dire que c’est beaucoup plus facile d’annoncer le déluge pour faire parler de soi, que d’avoir une démarche plus raisonnable en expliquant que cela n’a rien d’effrayant.
Elon Musk, le patron de Tesla et de SpaceX, a pourtant affirmé qu’il fallait s’en inquiéter…
«Elon Musk est un inventeur, et donc quelqu’un de passionné. Et comme toute personne passionnée, il peut parfois devenir un peu fanatique. Peut-être connaît-il des choses que je ne connais pas, certes. Mais d’après les innovations que je vois tous les jours, qu’elles viennent d’IBM, de Google ou d’autres grands acteurs, je peux vous dire qu’il n’y a rien d’extraordinaire.
Vous avez été l’un des premiers à parler du retour de l’IA en 2007, lorsque vous avez cofondé Yseop. Comment regardait-on cette technologie à l’époque?
«Si aujourd’hui nous pouvons acheter des voitures à moins de 10.000 euros et d’une fiabilité incroyable, c’est grâce à l’IA. Cette technologie est utilisée dans l’industrie depuis longtemps, elle n’est pas nouvelle, loin de là. En 2007, on me disait: ‘Surtout ne parle pas d’intelligence artificielle, mais seulement d’applications business, car cela va faire peur.’
L’IA, c’est aussi écouter et comprendre.
John Rauscher, CEO de Yseop
On pensait qu’il s’agissait d’une nouvelle supercherie technique comme il y en a eu plusieurs dans les années 1980. Les noms qui ont été donnés par mes clients aux deux premiers projets que j’ai menés étaient ‘Soucoupe volante’ et ‘Vaudou’. Voilà ce que pensaient de l’IA les grands groupes dans le secteur des services il y a 10 ans. Personne n’y croyait.
Concrètement, que recouvre le terme d’intelligence artificielle?
«Il s’agit des techniques qui permettent aux machines de simuler l’intelligence humaine. Nous voyons, nous écoutons, nous parlons, nous raisonnons… Tous ces domaines font l’objet de l’IA. Ma société Yseop, par exemple, essaie de faire parler et rédiger une machine comme un être humain. Sauf que notre logiciel est capable de rédiger 2.000 pages à la seconde.
Les champs de l’IA sont-ils donc infinis?
«Elle peut permettre de voir à une précision supérieure à celle de l’être humain et ainsi d’aider à la détection de défauts sur des pièces détachées, par exemple. Demain, chez les loueurs de voitures comme Hertz ou Avis, le véhicule que vous louerez passera sous un portique qui verra la plus petite éraflure possible. Quand vous ramènerez la voiture, vous passerez sous le même portique, et la machine vous dira si tout est OK.
L’IA, c’est aussi écouter et comprendre. Prenez l’exemple des logiciels de reconnaissance vocale, comme Siri chez Apple. Ce n’est pas encore parfait, mais des progrès considérables ont été faits. Vous avez aussi la technologie qui permet de rédiger, donc de parler et de dialoguer avec un être humain. Mon entreprise travaille avec des agences de notation internationales qui utilisent l’IA pour rédiger des notes sur les entreprises, les villes et même les pays de façon complètement automatisée. Encore une fois, chacun des sens de l’être humain constitue un champ d’application de l’IA.
On parle aussi beaucoup de «machine learning». Est-ce un synonyme de l’IA?
«Le ‘machine learning’ ou ‘deep learning’ est l’un des secteurs de l’IA qui ne se concentre ni sur la voix, ni sur l’écoute, ni sur la vue, mais sur le raisonnement. Pour bien comprendre, il faut savoir que le monde des logiciels se partage en trois grandes familles : les programmes d’infrastructures (ceux qui font fonctionner les réseaux de communication, par exemple), les applications business ou progiciels, et les plateformes (les technologies qui vous permettent de créer les applications business; l’intelligence artificielle est une plateforme).
Dans cette seconde partie, le ‘machine learning’ va permettre l’élaboration d’une logique de raisonnement. L’enjeu est de devenir capable d’automatiser la production d’algorithmes de développement. En d’autres termes, le ‘machine learning’, c’est l’automatisation du travail des informaticiens qui créent des applications business.
Je m’explique. L’informatique des 30 dernières années s’est basée sur le calcul. On retrouve ce schéma dans Excel ou sur un logiciel de gestion de paie, par exemple. Les développeurs parvenaient également à introduire dans ces programmes certains algorithmes de raisonnement, mais de façon très limitée.
Avec le ‘machine learning’, c’est la machine qui produit le code, presque instantanément, tout en étant capable de l’adapter à l’évolution de circonstances extérieures, dont elle prend conscience grâce aux données qu’elle reçoit. Elle est donc capable de générer des millions de modules de raisonnement .
On peut donner comme exemple les thermostats super intelligents, qui adaptent le fonctionnement du chauffage en fonction de l’évolution de données extérieures pour atteindre la température désirée à l’heure programmée.
Les machines apprennent-elles de la même façon que l’être humain?
«Pas tout à fait. Dans l’IA, il y a deux grandes approches. La première, utilisée par les systèmes informatiques des années 1980, était une approche déterministe , qui implique des résultats 100% exacts. Dans ce cas-là, la logique sera répétitive. La deuxième grande approche est statistique. Elle définit le résultat en fonction d’une moyenne. Le ‘machine learning’ est une approche de type statistique, car il se base sur des réseaux de neurones. Le meilleur taux de réussite qu’il peut obtenir est de 95%, ce qui est ennuyeux pour certaines applications qui ont besoin d’exactitudes et non pas d’approximations.
Le ‘machine learning’ offrira des résultats bien meilleurs… Mais pas suffisants par rapport à ce que les Hommes attendent d’un ordinateur.
John Rauscher, CEO de Yseop
Beaucoup diront qu’il s’agit toutefois d’un résultat bien supérieur à ce que peut faire l’Homme, qui arrive péniblement à un taux de réalisation de 60% à 80%. Si vous demandez à un être humain de vérifier la qualité de production de pièces détachées, certains défauts pourront lui échapper. Le ‘machine learning’ offrira des résultats bien meilleurs… Mais pas suffisants par rapport à ce que les Hommes attendent d’un ordinateur. Car, jusqu’à aujourd’hui, on a toujours eu l’habitude d’avoir une informatique exacte. Quand vous recevez votre relevé de banque ou votre bulletin de paie, vous ne prenez pas la calculatrice pour vérifier que le compte est bon. Pourquoi? Parce qu’il s’agit d’une approche déterministe, et donc 100% exacte. L’approche de type statistique entraîne un taux de déchets, et c’est très important d’en avoir conscience quand on s’intéresse à l’intelligence artificielle de type ‘machine learning’ ou ‘deep learning’.
La principale conséquence est que plusieurs marchés resteront fermés à cette technologie, comme la finance, l’aviation, l’automobile où l’électroménager. Personne ne va mettre du ‘machine learning’ pour piloter un avion qui se tromperait de temps en temps.
La finance ne sera donc pas touchée par le «machine learning»?
«En tout cas, pas pour des applications de production. Beaucoup d’acteurs disent que le ‘machine learning’ sert à découvrir des comportements ou des tendances. Si j’ai besoin de connaître le taux de fraude sur des millions d’utilisateurs, cette technologie m’apporte une réponse. Ce ne sera pas 100% exact, mais ce sera toujours mieux que ce que je pouvais faire avant. Mais si je veux faire de la recommandation de produits financiers, je ne peux pas laisser faire une machine et risquer qu’elle se trompe. Aucun département juridique n’acceptera de prendre ce risque.
Il existe pourtant déjà des robots-conseillers…
«Oui, mais ils ne sont pas autorisés comme outils de recommandation aux consommateurs. Et puis, il y a beaucoup de robots-conseillers qui sont basés sur des règles, donc de type déterministe, et pas sur du ‘machine learning’. C’est assez complexe, mais il est important de bien faire la différence. Quand quelqu’un me dit: ‘J’ai de l’IA dans mon application’, ma première question est de demander s’il s’agit d’un moteur de règles ou de ‘machine learning’.
En d’autres termes, le ‘machine learning’ et le ‘deep learning’ ne permettront pas d’automatiser la finance.
John Rauscher, CEO de Yseop
Il y a ces deux approches bien distinctes. Celui qui réussira à proposer dans son logiciel du ‘machine learning’ sur un modèle déterministe rencontrera un énorme succès.
Le monde de l’IA est donc binaire…
«Exactement. Mais il faut rappeler qu’on se place là dans le domaine du raisonnement. Car l’IA est aussi la simulation des autres sens de l’être humain. En ce moment, il y a beaucoup de passion autour du ‘deep learning’. Des progrès considérables ont été faits et ne doivent pas être niés. Mais cela restera une approche statistique, qui ne pourra jamais être sûre à 100%. En d’autres termes, le ‘machine learning’ et le ‘deep learning’ ne permettront pas d’automatiser certaines tâches répétitives qui demandent une certaine précision, comme dans les secteurs réglementés, et donc la finance.»
Retrouvez la deuxième partie de cette interview ici.