Le 10 octobre 2017, Yandex (l'équivalent russe de Google) a lancé Alice, un «assistant intelligent de conversation» utilisant notamment Deep Learning, ainsi que «SpeechKit, le kit de reconnaissance vocale exclusif de Yandex», afin d'aider les internautes russes à accomplir de nombreuses tâches, en plus de Internet, mais aussi en ce qui concerne la gestion de leurs propres ordinateurs (voir Site Alice; Yandex Communiqué de presse “Yandex lance Alice - le premier assistant d'intelligence artificielle conçu pour le marché russe“; George Anadiotis, “Alice, le making of: Dans les coulisses avec la nouvelle assistante d'IA de Yandex“, 10 octobre 2017, ZDNet).

La capacité d'utiliser Alice en anglais pourrait être développée dans un proche avenir (Anadiotis, Ibid.). Cela ouvrirait tout le monde de Yandex aux anglophones. En attendant, cela permettrait également à Yandex d’avoir accès à toutes les données de ces très anglophones, jusqu’à présent essentiellement réservés à Google, Apple et Amazon. Compte tenu des tensions actuelles entre les États-Unis et, avec des variantes, les membres de l’OTAN, d’une part, et la Russie, d’autre part, on peut trop bien imaginer la paranoïa politique qui pourrait alors se développer. Dans le même temps, la concurrence internationale entre les géants de l’Internet pour les données des utilisateurs, élément crucial de Deep Learning, comme nous le verrons plus loin en expliquant ce que nous appelons Deep Learning, va très probablement s’intensifier. Sur un plan plus positif, une meilleure compréhension peut également émerger à la suite de la découverte du monde russe par des non-Russes. Néanmoins, cela aurait également un impact sur les perceptions et donc sur les relations internationales.

Le monde de l'IA, notamment dans sa composante d'apprentissage en profondeur, est déjà là. Cela touche tout, même si l'ampleur et la profondeur de ses impacts sont encore à peine perceptibles. Nous devons comprendre l'apprentissage en profondeur pour pouvoir vivre dans ce nouveau monde en devenir, plutôt que de simplement y réagir.

Cet article se concentre donc sur le Deep Learning (DL), le sous-domaine de l’Intelligence Artificielle (IA) qui conduit le développement exponentiel actuel du secteur. Alors que nous cherchons à imaginer à quoi ressemblera un futur monde axé sur l'IA et ce qu'il signifiera pour ses acteurs, notamment en termes politiques et géopolitiques, il est en effet fondamental de comprendre d'abord ce qu'est l'IA.

Précédemment, nous avons présenté l'IA, en regardant d'abord L'IA en tant que capacité, puis en tant que domaine scientifique. Enfin, nous avons présenté les différents types de capacités d'IA que les scientifiques cherchent à atteindre et la manière dont ils abordent leurs recherches.

Dans cet article, nous donnerons d’abord des exemples de la manière dont l’apprentissage en profondeur est utilisé dans le monde réel. Nous distinguons deux types d’activités: les activités classiques propulsées par l’IA et les activités d’IA totalement nouvelles, liées à l’émergence même de la DL. Dans les deux cas, nous soulignerons leur potentiel révolutionnaire, impactant trois fonctions principales émergentes au sein des systèmes politiques que nous avions précédemment identifiés: la gestion de l'IA, la gouvernance de l'IA et le statut de puissance de l'IA, alors que l'IA est le plus susceptible de faire partie du classement du pouvoir relatif des acteurs mondiaux (Hélène Lavoix, «Quand l'intelligence artificielle aura le pouvoir dans la géopolitique - Présentation de l'IA“, Le 29 novembre 2017, et Jean-Michel Valantin,“La révolution de l'intelligence artificielle chinoise«Du 13 novembre 2017, The Red (Team) Analysis Society).

Ensuite, nous allons plonger plus profondément dans le monde de Deep Learning, en prenant comme exemple concret l'évolution du programme DeepMind AI-DL de Google développé initialement pour vaincre les maîtres du Go humain: AlphaGo, puis AlphaGo Zero et enfin AlphaZero. Après une brève présentation de l’emplacement de la DL dans l’IA, nous nous concentrerons d’abord sur les réseaux de neurones profonds et l’apprentissage supervisé. Deuxièmement, nous examinerons la dernière évolution de Deep Reinforcement Learning et commencerons à nous demander si un nouveau paradigme AI-DL, qui pourrait révolutionner le dogme actuel concernant l’importance du Big Data, n’émerge pas.

Apprendre en profondeur dans le monde réel, gouvernance de l'IA et statut de l'IA

En résumé, Deep Learning (DL) est utilisé pour résoudre au mieux des problèmes et fonctions complexes et pour prendre les meilleures décisions possibles. en ce qui concerne n'importe quelle question il est appliqué ou réussir dans quelque domaine que ce soit.

Par exemple, la DL est de plus en plus utilisée dans l'industrie du pétrole et du gaz. Le Southwest Research Institute (SwRI) a mis au point le système de détection Smart LEak (SLED), qui «utilise des algorithmes pour traiter les images provenant d'une infrastructure de numérisation de capteurs» afin de «détecter de manière autonome et précise les fuites et les déversements d'hydrocarbures liquides» (Maria S. Araujo et Daniel S. Davila , “L'apprentissage automatique améliore la surveillance du pétrole et du gaz«Du 9 juin 2017, Parler de l'Internet des objets en énergie). DNV GL a exploré l’utilisation de la DL (en réalité Microsoft Azur Machine Learning) pour prédire la corrosion dans les pipelines et a conclu que la «performance obtenue» était «extrêmement prometteuse» (Jo Øvstaas, «Big data et apprentissage automatique pour la prévision de la corrosion dans les pipelines“, 12 juin 2017, DNV GL). L'Italie et le Royaume-Uni avaient-ils bénéficié de ces systèmes, à la fois «l'explosion d'une grande installation de traitement en Autriche, principale porte d'entrée du gaz russe en Europe», et la «fermeture du plus important pipeline de pétrole et de gaz de la mer du Nord système », respectivement les 11 et 12 décembre 2017, avec des conséquences majeures sur l'offre européenne (Jillian Ambrose et Gordon Rayner, “Pénurie de gaz pour faire monter les factures après la «tempête parfaite» de problèmes d'énergie“, 12 décembre 2017, Le télégraphe), n’aurait probablement pas eu lieu - en supposant, bien sûr, que les investissements liés à la réponse aient été réalisés.

De plus, DL participe également de plus en plus au développement de ce qu’on appelle «Smart Factory». «En avril 2017, PCITC et Huawei ont annoncé conjointement une plate-forme de fabrication intelligente… un élément central de Smart Factory 2.0 au sein du groupe Sinopec». L'une des capacités de la plate-forme «crée un« cerveau intelligent »pour les usines pétrochimiques en utilisant des données d'apprentissage et de raisonnement approfondis.» (Huawei, «Huawei s'associe au PCITC pour adopter Smart Factory 2.0“, 13 nov. 2017, PRNewswire).

Avec la «Plateforme Metropolis AI Smart Cities» de NVDIA, le produit de gestion de contenu vidéo de Huawei prend en charge et utilise Deep Learning pour «la reconnaissance précise du visage, la structuration des véhicules pour piétons et la recherche d'images inversées», en coopération avec la police de Shenzhen. Toujours avec Metropolis, City Brain d’Alibaba Cloud utilise l’intelligence artificielle pour des services tels que «la gestion et la prévision du trafic en temps réel, les services urbains et des systèmes de drainage plus intelligents», améliorant par exemple «la congestion du trafic jusqu’à 11% dans le district pilote de Hangzhou» (Saurabh). Jain, “Alibaba et Huawei adoptent la plateforme Metropolis AI Smart Cities de NVIDIA“, Le 25 septembre 2017, Blog NVDIA).

Plus célèbre, Deep Learning a été et est toujours utilisé pour jouer à des jeux tels que le go ou les échecs, ce qui permet de développer et de tester de nouveaux programmes d'intelligence artificielle, dans leur architecture et leurs algorithmes. Ce sont ces programmes, notamment ceux développés par DeepMind de Google, que nous utiliserons ci-dessous pour approfondir notre compréhension de ce qu'est la DL.

Celles-ci peuvent apparaître comme des cas classiques de la manière dont l'IA dans son composant DL pourrait révolutionner les pratiques et les moyens existants.

Pour la toute première fois de l’histoire de l’humanité, nous pouvions commencer à penser que nous pouvions gérer les activités de manière presque parfaite, tout en gouvernant, dans les multiples dimensions qui régissent les demandes, les demandes également de manière presque parfaite. Ceci, en soi, dans un monde d'humains très imparfaits est une révolution. Cela nous amène à nous interroger sur de nouveaux problèmes, tels que la manière dont nous, humains, avec toutes nos imperfections, avec nos multiples biais cognitifs, c’est-à-dire les erreurs mentales que nous commettons systématiquement mais qui nous ont été utiles pour survivre et atteindre notre niveau de développement actuel (Richards J Jr. Heuer ,, Psychologie de l'analyse de l'intelligence, Centre d’étude du renseignement, Agence de renseignement centrale, 1999) - devons-nous gérer soudainement des activités presque parfaites? L’exemple très simple de la voiture autonome vient immédiatement à l’esprit. Le nombre élevé de collisions impliquant des voitures autonomes semble en effet provenir de leur incapacité à gérer une conduite imparfaite (James Titcomb, «Voiture sans conducteur impliquée dans un accident dans la première heure du premier jour“, Le 9 novembre 2017, Le télégraphe).

Cependant, de nouvelles activités commencent également à apparaître, qui sont pour le moins moins classiques. Nous avons le cas des plateformes d’apprentissage, où les agents d’AI-DL apprennent et se forment (Cade Metz, “Dans l'univers d'OpenAI, les ordinateurs apprennent à utiliser des applications comme les humains«12 mai 2016, Filaire). Par exemple, Univers, développé par OpenAI (Le laboratoire d'IA soutenu par Elon Musk, PDG de Tesla) est une plate-forme logicielle où les scientifiques peuvent former leurs IA à l'interaction avec des applications et des programmes, dont la plupart sont open source (Ibid).

DeepMind Lab est une plate-forme similaire proposée par DeepMind de Google (Ibid). Le plus vieux ImageNet, créé en 2009, a aidé les agents d’IA à apprendre à «voir» (ibid.). S'agit-il de la naissance d'une nouvelle activité d'IA similaire à l'éducation et qui fera partie de la gouvernance émergente de l'IA?

Comment ces deux types d’activités, les activités classiques axées sur l’IA et les nouvelles activités d’IA, seront-elles intégrées à la gestion de l’IA et, dans le domaine de la politique qui nous concerne en premier lieu, à la gouvernance de l’IA? Comment la gestion de l'IA et la gouvernance de l'IA sont-elles organisées? Comment AI-gouvernance va-t-elle interagir avec les structures et processus restants des anciens États, régimes et gouvernements?

De plus, comment sera organisé un monde jusqu'ici dominé par la recherche d'un avantage concurrentiel relatif? La notion d'avantage concurrentiel est-elle encore d'actualité? Que se passera-t-il lorsque, jusqu'à présent, des acteurs en concurrence, allant des États aux entreprises, utiliseront chacun AI-DL de manière à ce que la gestion et la gouvernance soient presque parfaites? La première phase sera probablement une course pour obtenir cet avantage AI-DL, tout en essayant éventuellement de priver les autres. Mais que se passera-t-il lorsque deux ou plusieurs acteurs atteindront le même stade de développement de l'IA? Comme le montre l'exemple de l'introduction, il y aura également concurrence pour savoir qui peut accéder aux données des citoyens.

Ce n’est rien de moins qu’un monde complètement nouveau en train de se créer.

Cependant, nous devons également nous demander si et comment de tels développements pourraient échouer.

Nous allons maintenant plonger plus profondément dans le monde de l'apprentissage en profondeur, ce qui nous permettra ensuite, tout au long de la série, de mieux comprendre quelles activités sont susceptibles d'être touchées par AI-DL, pour commencer à envisager quelles nouvelles activités d'IA pourraient naître , ainsi que de cartographier comment la course probable au statut de puissance de l’IA pourrait avoir lieu et autour de quels éléments.

Pour continuer à lire, Devenir membre de la société d'analyse (d'équipe) rouge.
Si vous êtes déjà membre, s'il vous plaît s'identifier (n'oubliez pas d'actualiser la page).

Article complet 3368 mots - env. 9 PAGES
Incl. Réservé aux Membres 1728 mots / 5 Pages

 


A propos de l'auteur: Dr Hélène Lavoix, PhD Lond (Relations internationales), est le directeur de la société d'analyse rouge (équipe). Elle est spécialisée dans la prospective stratégique et l'alerte en matière de sécurité nationale et internationale.

L'image sélectionnée: Les neurones par Geralt, Pixabay, Domaine public - Recadré et re-colorisé.


Références

Anadiotis, George, “Alice, le making of: Dans les coulisses avec la nouvelle assistante d'IA de Yandex“, 10 octobre 2017, ZDNet.

Araujo, Maria S. et Daniel S. Davila, “L'apprentissage automatique améliore la surveillance du pétrole et du gaz«Du 9 juin 2017, Parler de l'Internet des objets en énergie.

Ambrose Jillian, et Gordon Rayner, “Pénurie de gaz pour faire monter les factures après la «tempête parfaite» de problèmes d'énergie“, 12 décembre 2017, Le télégraphe. 

DeepMind, Page Web AlphaGo.

DeepMind Blog, “Apprentissage en renforcement profond“.

Heuer, Richards J. Jr. Psychologie de l'analyse de l'intelligence, Centre d’étude du renseignement, Agence de renseignement centrale, 1999.

Huawei, “Huawei s'associe au PCITC pour adopter Smart Factory 2.0“, 13 nov. 2017, PRNewswire.

Jain, Saurabh, “Alibaba et Huawei adoptent la plateforme Metropolis AI Smart Cities de NVIDIA“, Le 25 septembre 2017, Blog NVDIA

JASON, étude parrainée par le secrétaire adjoint à la Défense pour la recherche et l'ingénierie (ASD R & E) au sein du Bureau du Secrétaire à la Défense (OSD), ministère de la Défense (DoD) Perspectives de la recherche sur l'intelligence artificielle et l'intelligence générale artificielle pertinentes pour le DoDJanvier 2017.

Metz, Cade “AlphaGo de Google passe des jeux de société aux réseaux électriques“, Le 24 mai 2017, Filaire.

Metz, Cade, “Dans l'univers d'OpenAI, les ordinateurs apprennent à utiliser des applications comme les humains«12 mai 2016, Filaire.

Nielsen, Michael A., “Réseaux de neurones et apprentissage en profondeur“, Presse de détermination, 2015.

Øvstaas, Jo, “Big data et apprentissage automatique pour la prévision de la corrosion dans les pipelines“, 12 juin 2017, DNV GL.

Rosenblatt, Frank. “Le perceptron: un modèle probabiliste de stockage et d'organisation de l'information dans le cerveau. " Examen psychologique 65.6 (1958): 386.

Silver et al. “Maîtriser les échecs et le shogi en jouant de soi avec un algorithme d'apprentissage par renforcement général“, ArXiv: 1712.01815 [cs.AI], 5 décembre 2017.

Argent, David Julian Schrittwieser, Karen Simonyan, Ioannis Antonoglou, Aja Huang, Arthur Guez, Thomas Hubert, Lucas Baker, Matthew Lai, Adrian Lau, Adrian Bolton, Yutian Chen, Timothy Lillicrap, Fan Hui, Laurent Sifre, George van den Driessche et Thore Graepel & Demis Hassabis, “Maîtriser le jeu de Go sans connaissance humaine“, La nature 550, 354–359, 19 octobre 2017, est ce que je: 10.1038 / nature24270

Argent, David Aja Huang, Chris J. Maddison, Arthur Guez, Laurent Sifre, George van den Driessche, Julian Schrittwieser, Ioannis Antonoglou, Veda Panneershelvam, Marc Lanctot, Sander Dieleman, Dominik Grewe, John Nham, Nal Kalchbrenner, Ilya Sutskever, Timothy Lillicrap, Madeleine Leach, Koray Kavukcuoglu, Thore Graepel et Demis Hassabis, “Maîtriser le jeu de Go avec les réseaux de neurones profonds et la recherche dans les arbres” La nature 529, 484–489, 28 janvier 2016, doi: 10.1038 / nature16961.

Titcomb, James “Voiture sans conducteur impliquée dans un accident dans la première heure du premier jour“, Le 9 novembre 2017, Le télégraphe.

Van Veen, Fjodor, “Le zoo du réseau de neurones“, L'Institut Asimov, 14 décembre 2016.

Yandex Communiqué de presse “Yandex lance Alice - le premier assistant d'intelligence artificielle conçu pour le marché russe“.

A propos de l'auteur: Dr Helene Lavoix (MSc PhD Lond)

Dr Hélène Lavoix, PhD Lond (Relations internationales), est le directeur de The Red (Team) Analysis Society. Elle est spécialisée dans la prospective stratégique et l'alerte en matière de sécurité nationale et internationale. Elle se concentre actuellement sur l'intelligence artificielle, la science quantique et la sécurité. Elle enseigne au niveau Master à SciencesPo-PSIA.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les spams. En savoir plus sur la façon dont les données de vos commentaires sont utilisées.

FR
EN FR