Pourquoi l'apprentissage automatique (machine learning) et l'intelligence artificielle maintenant ?
Bien que l'apprentissage automatique existe depuis de nombreuses décennies, ce n'est que ces dernières années que ces méthodes se sont imposées. L'explication est multifactorielle :
- Disponibilité des données. Il y a quelques années, les données n'existaient pas. Les dossiers médicaux n'existaient que sur papier, les statistiques de fréquentation des sites web n'étaient pratiquement pas collectées, les téléphones portables ne stockaient aucune donnée, etc. Aujourd'hui, des quantités colossales de données sont stockées et organisées. Votre ordinateur ou votre téléphone a déjà enregistré combien de temps vous avez passé sur cette page, où vous vous trouvez en ce moment, toutes les pages que vous avez consultées aujourd'hui, tous les termes que vous avez recherchés sur Google, etc. C'est aussi seulement maintenant que la plupart des organisations ont compris que les données comptent parmi leurs biens les plus précieux. Pour une entreprise, une exploitation judicieuse des données peut faire la différence entre la faillite et l'introduction en Bourse. Pour un chercheur, une exploitation judicieuse des données peut mener à des découvertes sensationnelles. Les données valent aujourd'hui leur pesant de diamants, et les quantités disponibles sont inouïes.
- Stockage des données. Organiser et stocker des données est complexe. Cette technologie a progressé rapidement au cours des dernières décennies. La capacité de stockage, la vitesse et l'accès aux bases de données ont connu une croissance exponentielle.
- Matériel. Dans un ordinateur, les calculs sont effectués par un processeur. Outre le processeur, l'ordinateur dispose aussi d'une mémoire. La vitesse des processeurs double tous les deux ans depuis 1970 (ce doublement de la vitesse tous les deux ans est appelé loi de Moore).
- Algorithmes améliorés. Il existe de nombreuses méthodes d'apprentissage automatique. Même si les principes de l'apprentissage automatique sont les mêmes aujourd'hui qu'il y a 50 ans, les algorithmes ont été considérablement optimisés au fil des années. Plusieurs améliorations géniales ont été apportées, dont la rétropropagation (backpropagation). La rétropropagation est un mécanisme qui permet à l'apprentissage automatique d'ajuster et de calibrer le modèle automatiquement.
- Démocratisation de l'IA. Il y a 10 ans, seules les grandes organisations pouvaient créer et utiliser l'IA. Aujourd'hui, n'importe qui peut utiliser l'IA avec un simple ordinateur personnel et des connaissances assez modestes en programmation.
L'importance des cartes graphiques
Le secteur du jeu vidéo est gigantesque. Des millions d'enfants et d'adultes jouent aux jeux vidéo et, au fil des années, ces jeux sont devenus de plus en plus réalistes, donc de plus en plus exigeants sur le plan technique. De grandes entreprises comme NVIDIA et AMD investissent des milliards de dollars pour développer et améliorer les cartes graphiques, ce qui a permis à n'importe qui de jouer à des jeux aux graphismes impressionnants. Une carte graphique est en fait elle aussi un type de processeur, et il s'est avéré que les cartes graphiques sont excellentes pour effectuer des calculs mathématiques, en particulier pour le machine learning. Les fabricants ont donc commencé à adapter la carte graphique et le logiciel afin qu'ils puissent aussi servir au machine learning. Il est en outre devenu possible de relier de nombreuses cartes graphiques et d'exploiter ainsi leur puissance combinée en parallèle (les calculs peuvent donc être répartis sur plusieurs cartes graphiques et ainsi considérablement accélérés).
Aujourd'hui, la carte graphique NVIDIA Titan X coûte environ 10 000 SEK et, avec cette carte, n'importe qui peut obtenir 6,6 TFLOPS, soit une capacité de calcul de 6,6 billions d'opérations par seconde (environ 400 fois plus que le processeur d'un ordinateur personnel puissant). Cette puissance suffit pour créer une intelligence artificielle impressionnante.
Aujourd'hui, il n'est pas rare que des entreprises et des organisations disposent de leur propre infrastructure dans laquelle des centaines de cartes graphiques sont reliées entre elles. Les services cloud proposés par Amazon AWS, Google Cloud Computing et Microsoft Azure permettent également à n'importe qui d'exploiter des centres de données dotés d'une capacité de calcul énorme.
Le terme anglais pour processeur graphique est GPU (Graphical Processing Unit) et pour processeur classique CPU (Central Processing Unit).
L'IA n'en est encore qu'à ses balbutiements
Aujourd'hui, le sigle IA est partout. Des personnes avisées et clairvoyantes estiment désormais que la majorité des citoyens devraient suivre une formation sur l'IA. C'est assez surprenant, puisque personne ne parlait d'IA il y a 10 ans. En 2010, les réseaux de neurones (le type d'IA qui domine aujourd'hui, abordé plus loin) étaient encore relativement délaissés, mais quelques groupes de recherche s'obstinaient à les utiliser pour interpréter des images. Geoffrey Hinton, Yoshua Bengio et Yann LeCun ont réalisé plusieurs avancées décisives en 2010. En 2011, Dan Ciresan a présenté un réseau de neurones capable d'interpréter des images avec une précision impressionnante. En 2012, Hinton et Krizhevsky ont remporté le concours annuel ImageNet grâce à un réseau de neurones qui interprétait correctement les images dans 83,6 % des cas. Depuis, les réseaux de neurones dominent totalement le domaine de la vision par ordinateur (computer vision), c'est-à-dire l'IA qui interprète les images et la vidéo. Il est aussi progressivement apparu que les réseaux de neurones fonctionnent en fait pour toutes les tâches perceptuelles, c'est-à-dire les tâches qui consistent à interpréter du son, des images, de la vidéo, du texte et d'autres signaux.