[Article en anglais] Artificial Intelligence: And You, How Will You Raise Your AI?

[Cet article est paru à l'origine le Blog de Kirti Vashee]

Ceci est le dernier billet pour l'année 2017, un billet d'invité par Jean Senellart qui a été un praticien de MT sérieux pendant environ 40 ans, avec une expertise approfondie dans tous les paradigmes technologiques qui ont été utilisés pour faire la traduction automatique. SYSTRAN a récemment effectué des tests de construction de systèmes MT avec différents ensembles de données et paramètres pour évaluer comment les données et la variation des paramètres affectent la qualité de sortie MT. Comme Jean l'a dit :

? Nous alimentons en permanence des données vers une collection de modèles avec différents paramètres ? et à chaque itération, nous changeons les paramètres. Nous avons des systèmes qui sont évalués dans cette configuration pendant environ 2 mois et nous voyons qu'ils continuent à apprendre. ?

Il s'agit plus d'un énoncé de vision sur l'évolution future de cette technologie (MT), où ils continuent à apprendre et à s'améliorer, que d'un compte-rendu direct des résultats expérimentaux, et je pense que c'est une bonne façon de terminer l'année dans ce blog.

Il est très clair pour la plupart d'entre nous que les approches basées sur l'apprentissage profond sont la voie à suivre pour l'évolution continue de la technologie MT. Cependant, la compétence avec cette technologie viendra avec l'expérimentation et la compréhension de la qualité des données et des paramètres de contrôle. Les bébés apprennent par l'exploration et l'expérimentation, et peut-être que nous devons aborder notre apprentissage continu, de la même manière, en apprenant par le jeu intentionnel. N'est-ce pas ainsi que l'intelligence évolue ? De nombreux experts affirment que l'IA va être le moteur de l'apprentissage et de l'évolution des pratiques commerciales dans presque tous les domaines d'activité.

L'intelligence artificielle fait l'objet de toutes les conversations de nos jours. Mais savons-nous vraiment de quoi nous parlons ? Et si au lieu de considérer l'IA comme un type de logiciel prêt à l'emploi et potentiellement menaçant pour nos emplois, et si elle était considérée comme une entité numérique évolutionniste, dotée d'une faculté d'apprentissage exceptionnelle ? Par conséquent, rompre avec le schéma industriel actuel du logiciel traditionnel qui nécessite le gel du code jusqu'à la prochaine mise à jour du système. L'IA pourrait alors perturber non seulement les applications technologiques, mais également les modèles économiques.

L'intelligence artificielle n'a aucune difficulté à gérer rapidement des volumes de données en croissance exponentielle, avec une précision et une qualité exceptionnelles. Il permet ainsi aux employés de disposer d'un temps précieux pour communiquer en interne avec les clients et investir dans des projets innovants. En permettant une analyse de toutes les informations disponibles pour une prise de décision rapide, l'IA est vraiment le corollaire de l'ère d'Internet, qui est aussi le résultat de toutes les menaces, qu'elles soient virtuelles ou physiques.

Deep Learning et réseaux de neurones artificiels : une IA en constante évolution

L'apprentissage profond et les réseaux neuronaux artificiels offrent un potentiel infini et une capacité unique d'évoluer continuellement dans l'apprentissage. En rompant avec les approches précédentes telles que l'approche d'analyse de données statistiques qui démontre une capacité de mémorisation et de calcul formidable, mais triviale, comme les bases de données et les ordinateurs, l'approche neuronale donne une nouvelle dimension à l'intelligence artificielle. Par exemple, dans le domaine de la traduction automatique, les réseaux de neurones artificiels permettent à la « machine » d'apprendre des langues comme nous le faisons dans un programme d'immersion à l'étranger. Ainsi, ces réseaux neuronaux n'ont jamais fini d'apprendre, après leur apprentissage initial, ils peuvent continuer à évoluer indépendamment.

Une Sélection Quasi Génétique ?

L'apprentissage d'un modèle neuronal s'apparente donc plus à un mécanisme de sélection génétique, tel que ceux pratiqués dans l'industrie agroalimentaire, qu'à un processus de programmation déterministe : dans tous les secteurs utilisés par les réseaux neuronaux, l'IA est sélectionnée pour ne retenir que les apprentissages qui progressent le mieux et le plus rapidement ou le plus adaptables à une tâche donnée. Ces techniques d'IA utilisées pour la traduction automatique sont même personnalisées en fonction des besoins des clients : entreprise, industrie et vocabulaire spécifique. Au fil du temps, certaines techniques d'IA vont se développer et d'autres vont disparaître parce qu'elles ne démontreront pas suffisamment d'apprentissage et qu'elles ne seront pas suffisamment efficaces. DeepMind illustre cette capacité à l'extrême. C'était à l'origine d'AlphaGo, le premier algorithme à battre l'humain. AlphaGo avait appris des milliers de jeux joués par des experts humains. L'entreprise a ensuite annoncé la naissance d'une génération encore plus puissante d'IA. Il a réussi à apprendre le jeu de Go sans jouer à des jeux   des humains, mais ? simplement ? en découvrant, seuls et en pratique, les stratégies et les subtilités de ce jeu en une fraction du temps du processus original. Surprenant, n'est-ce pas ?

Machines et logiciels d'auto-apprentissage

La prochaine génération de moteurs de traduction neuronale exploitera cette capacité intrinsèque des modèles neuronaux à apprendre en continu. Il s'appuiera également sur la capacité de deux réseaux différents à disposer de voies de progrès uniques. Plus précisément, à partir des mêmes données, comme pour deux étudiants, ces modèles peuvent s'améliorer en travaillant ensemble ou en se faisant concurrence. Cette deuxième génération d'IA  est très différent parce que non seulement il a des modèles enseignés à partir de référentiels existants (traductions existantes), mais tout comme les nouveaux-nés, ils apprennent aussi à apprendre au fil du temps, en les plaçant dans une perspective à long terme. Il s'agit de l'apprentissage tout au long de la vie : une fois installée en production, par exemple dans le système d'information client, l'IA continue d'apprendre et de s'améliorer.

Dans tous les cas, tant que l'IA ne sera pas considérée comme un changement de paradigme total, elle continuera d'être considérée comme un logiciel 2.0 ou 3.0. Une vision qui freine l'innovation et qui pourrait nous faire rater toutes ses promesses, notamment pour nous libérer des tâches répétitives afin de redonner du sens et du plaisir au travail.

[Source]