Reinforcement learning , voix et émotion : avancées majeures des 24 derniers mois
Des exemples récents illustrent les progrès de l’intelligence artificielle en général, et du machine-learning en particulier.
Le débat public est nourri, depuis des mois maintenant, de prises de position sur l’impact de l’IA dans nos sociétés. Tantôt présentée comme une opportunité, tantôt comme une menace, souvent les deux, l’intelligence artificielle est clivante.
En ce début d’année, c’est le patron d’un GAFA qui apporte sa pierre à l’édifice. Pour Sundar Pichai, CEO de Google, l’IA sera plus importante encore pour l’humanité que l’électricité ou le feu.
Ce qui sous-tend ce débat, ce sont les progrès exponentielles des capacités de l’IA. Nous savons que ces dernières sont la résultante d’un alignement des planètes que nous avons déjà abordé.
Quelles sont concrètement ces avancées spectaculaires ? Quels progrès tangibles l’IA a-t-elle engendrée dans les 24 derniers mois ? Voici 3 exemples :
Alpha Go Zero, la dernière itération d’Alpha Go, premier programme a battre le champion du jeu de GO.
Alpha Go Zero n’a pas eu besoin de données pour apprendre à jouer ; l’algorithme, basé sur le reinforcement learning développé par DeepMind, a appris seul en jouant contre lui-même. Non seulement Alpha Go Zéro s’est hissé en quelques jours au niveau de ses prédécesseurs, puis les a battu 100 parties à 0, mais il a en outre consommé beaucoup moins de ressources.
La reconnaissance vocale s’approche du graal
La capacité d’une machine à reconnaitre le langage parlé avec la même performance qu’un humain est considéré comme le but ultime des chercheurs. On estime entre 5% et 6% le taux d’erreur de compréhension d’un humain. Après un taux d’erreur de 6,9% en 2017, les équipes d’IBM ont atteint 5,5% en associant plusieurs algorithmes de machine-learning. Pour IBM, le graal est fixé à 5,1%, cela ne devrait pas tarder.
L’analyse de sentiment continue sa progression
Le traitement automatique du langage naturel est actuellement une capacité clé de l’IA dans le sens où elle trouve de nombreuses applications pratiques dans l’entreprise. Par exemple, pour une marque communiquant activement sur les réseaux sociaux, connaître en temps réel le sentiment (neutre, positif, négatif) des parties prenantes sur sa communication apporte un ROI tangible. Fascinante, cette capacité de l’IA est néanmoins (très) complexe à mettre en oeuvre.
Les équipes d’Open AI on atteint un taux de précision de 91% avec un algorithme de machine learning qui n’était pas au départ conçu pour cela ; il cherchait, pour la petite histoire, à prédire des éléments de rédaction de commentaires clients d’Amazon.
Nous le voyons bien ici, à travers ces quelques exemples, que le machine learning progresse à grand pas et que la performance des capacités de l’IA suit avec un facteur exponentiel.
C’est pourquoi il est essentiel pour les sociétés de projeter l’utilisation de l’IA dans leur politique générale d’entreprise, dans leur stratégie à court et moyen-terme ; que les expérimentations légitimes que l’on peut réaliser dans une fonction de l’entreprise s’inscrivent dans une démarche réfléchie et cohérente. A défaut, de nouveaux entrants disrupteurs, construits autour de l’IA, pourraient venir secouer des acteurs établis.
