I.A.

Le processus général de travail d’un problème d’intelligence artificielle est le suivant :

On commence par définir une tâche cognitive à automatiser. Cela peut être une tâche de perception, de compréhension ou de décision (par niveau de complexité croissante). On identifie les données de flux susceptibles de répondre à la problématique posée. La problématique à résoudre et le type de données disponible conditionnent souvent le modèle d’algorithme d’IA que l’on va pouvoir utiliser.

Une fois les données collectées, une tâche de mise en qualité est nécessaire comme pour tout projet de data science et une tâche d’étiquetage (labelling) propre aux projets d’IA sont nécessaires. La tâche de labellisation permet « d’apprendre » à l’algorithme l’information que l’on recherche. Cette tâche est aujourd’hui manuelle et très consommatrice de temps. De nombreux projets de recherche visent à essayer de l’automatiser.

Une fois la mise en forme effectuée, on identifie un algorithme d’IA pour faire de l’apprentissage sur une partie des données. En fonction de la performance obtenue on cherche à optimiser tous les paramètres : évolution de la tâche à accomplir pour la simplifier, identification de données de meilleure qualité, amélioration de la précision de labellisation, optimisation des algorithmes d’IA, etc…

Modélisation des tâches cognitives

L’intelligence artificielle cherche à modéliser les 3 grandes catégories de tâches cognitives : la perception, la compréhension et la décision. Les tâches de perception et de compréhension sont des tâches de précision. La performance d’une tâche de perception repose majoritairement sur un volume de données. Aujourd’hui elle est supérieure à 99% pour les humains et les machines. La performance d’une tâche de compréhension repose sur une capacité à comprendre un contexte autour d’une donnée et à raisonner par rapport aux données disponibles. Les humains atteignent facilement des performances de 99%, ce qui est loin d’être le cas pour les systèmes d’IA.

Une tâche de décision n’est pas une tâche de précision. Elle correspond à un équilibre à trouver entre un risque et un gain. C’est une tâche qui repose sur la précision des données disponibles ET l’intuition en cas absence de donnée ou de manque de temps. C’est une tâche pouvant nécessiter de la robustesse, de l’explicabilité ou pas.

La grande majorité des usages qui se développent en intelligence artificielle aujourd’hui correspondent à des tâches cognitives de perception (détection d’une information sur un ensemble de données) ou de compréhension (analyse d’un contexte autour d’une donnée). En dehors des jeux comme, les échecs ou le Go, les tâches cognitives de décision restent hors de portée des systèmes actuels.

  • Perception : Reconnaître le chien ou la route sur l’image
  • Compréhension : Comprendre que le chien est à côté de la route, comprendre que le chien est imprévisible, comprendre que le chien pourrait sauter sur la route, comprendre qu’il y a un risque
  • Décision : Prendre la décision de ralentir.