L'intelligence artificielle

L’intelligence artificielle ou encore IA, est un ensemble d’algorithmes conférant à une machine des capacités d’analyse et de décision lui permettant de simuler l'intelligence humaine. 

Dès que l'on essaie d'imiter un comportement humain avec une machine, c'est de l'intelligence artificielle. Une aussi large gamme de situations mène à une gamme encore plus large de solutions et de techniques pour essayer de les résoudre.

Ainsi, il n’existe pas une seule intelligence artificielle mais plusieurs intelligences artificielles aux approches techniques bien distinctes. Pour les systèmes les plus complexes, un montage multi-agents est même d’ailleurs requis.

L'Intelligence Artificielle regroupe différents concepts qui se sont développés au fur et à mesure du temps :

- Le test de Turing : historiquement, c'est la première définition de l'intelligence artificielle. C'est un test  fondé sur la faculté d'une machine à imiter la conversation humaine.Décrit par Alan Turing en 1950, ce test consiste à mettre un humain en confrontation verbale à l’aveugle avec un ordinateur et un autre humain. Si la personne qui engage les conversations n’est pas capable de dire lequel de ses interlocuteurs est un ordinateur, on peut considérer que le logiciel de l’ordinateur a passé avec succès le test. Pour conserver la simplicité et l’universalité du test, la conversation est limitée à des messages textuels entre les interlocuteurs.

- Machine Learning (ML) : ou apprentissage automatique, est un sous-ensemble de l’IA. Tout ML est IA, mais toute IA n’est pas ML. Le Machine Learning est capable de reproduire un comportement grâce à des algorithmes, eux-mêmes alimentés par un grand nombre de données. 

Les algorithmes du machine learning apprennent par l’entrainement. Par exemple, pour qu'une machine apprenne le concept de chat, un ingénieur compile un grand nombre d'exemples sur l'animal qu'il transmet à un algorithme. 

Confronté à de nombreuses situations, l'algorithme apprend quelle est la décision à adopter et crée un modèle.

La caractéristique des algorithmes en machine learning, est que la qualité de leurs prédictions s’améliore avec l’apprentissage. Plus nous leur fournissons de données (jusqu’à un certain point), meilleurs sont les moteurs de prédiction.

- Deep learning :  ou apprentissage profond (sous domaine du Machine Learning)  est particulièrement efficace dans tous les domaines où les autres algorithmes échouent. Il fonctionne en simulant des réseaux de neurones artificiels imitant ainsi dans le principe le fonctionnement du cerveau. Il en existe de nombreux types et chacun est adapté à des contextes d'utilisation différents. Le principe étant que l'intelligence artificielle apprenne de ses erreurs. 

Des petites calculatrices  artificielles ("réseaux de neurones") basées sur des logiciels, sont reliées entres elles. Elles ont un fonctionnement pratiquement similaire à la fonction des neurones de notre cerveau. 

Elles forment un « réseau neuronal » qui reçoit une entrée (par exemple l'image d’une voiture); les analyse ; prend une décision à ce sujet et est informé si sa détermination est correcte. 

Dans l’hypothèse où la réponse est fausse, les connexions entre les neurones sont ajustées par l’algorithme. Et par conséquent va changer ses prévisions futures. Initialement, le réseau sera erroné plusieurs fois. Mais comme nous alimentons en millions d’exemples, les connexions entre les neurones seront réglées de sorte que le réseau neuronal rend des décisions correctes sur presque toutes les occasions.

Le deep learning est très performant pour résoudre des situations de navigation complexes, comme pour gérer l'entrée d'une automobile sur un rond-point. Un logiciel classique basé sur un moteur de règles aurait besoin d'un volume massif de lignes de code. Avec le deep learning, le système apprend par l'entrainement à partir d'un corpus de cas de figures de circulation. 

Ensuite, sa matrice est généralisée pour faire face à des situations qu'il n'a pas encore rencontrées. 

    Application de l'IA à la voiture autonome : 

        L'Intelligence Artificielle observe la conduite d'un pilote pour s'expérimenter pour ensuite "conduire comme un humain" (l'entreprise Valeo a employé cette méthode). 

L'Intelligence Artificielle passe également des tests en simulateur pour s'entraîner. Les méthodes d'apprentissage de l'intelligence artificielle sont basées sur l'exemple et sont les mêmes que celles utilisées pour la reconnaissance des visages sur les photos. Les algorithmes donnent un sens aux données issues des capteurs. Il s'agit de classifier les obstacles et de déterminer la manœuvre la plus sûre à exécuter. Les algorithmes d'apprentissage doivent d'abord subir un entraînement : on les exerce dans un vaste jeu de données collectées par les capteurs dans différentes conditions (différentes routes, conditions météo, trafic). Ils sont face à des millions d'images réunissant différentes catégories d'objets où sont indiqués la position et le type d'objet dont il s'agit. Cet apprentissage supervisé est appelé la labellisation. La diversité des données et des obstacles rencontrés au cours de cet apprentissage est essentielle pour assurer la sécurité une fois sur la route. Les piétons doivent notamment présenter différentes couleurs de vêtements, corpulences et orientations. Suite à cette labellisation, une  étape de validation est exigée. Il s'agit de tester les algorithmes sur des données différentes et plus nombreuses afin de vérifier leur capacité à réagir dans des situations nouvelles en se basant sur leurs expériences précédentes et à mettre en avant les problèmes qui les mettent en difficulté. Un taux supérieur à 90% de réussite est exigé.

        Les constructeurs envisage désormais la mise au point de standards technologiques permettant aux futures voitures autonomes de communiquer entre elles. La problématique est d'une part d'offrir la possibilité aux véhicules, quelle que soit la marque, d'échanger entre eux des données sur leur situation, leur position, leur environnement, en tenant compte de tous les capteurs. Et d'autre part de faire en sorte que les infrastructures routières puissent elles-aussi leur transmettre des informations, en vue par exemple d'anticiper un embouteillage, une situation météo gênante ou le passage au rouge d'un feu de signalisation. Autres passerelles envisagées via ces standards : des interactions avec les caméras de surveillance urbaines pour détecter la présence de travaux sur la voirie ou identifier un incident. Ou encore avec les réseaux télécom pour repérer les piétons ou cyclistes, même si ces derniers sont invisibles (à une intersection), en identifiant la signature de leur smartphone. Un protocole wifi standard dédié à la voiture autonome a déjà été élaboré pour gérer les échanges entre systèmes.

        Reste une question sans réponse. Celle du dilemme moral. Si une IA doit décider entre éviter d'écraser un piéton mais emboutir une moto... ou l'inverse, que devra-t-elle choisir ? Certes ce dilemme se pose aussi à l'humain. Mais ce qui est toléré chez l'humain ne l'est pas chez un robot. Tout l'enjeu sera de démontrer, notamment via des études statistiques, que la voiture autonome sera plus sûre que l'humain.