Les ma­chines pen­santes

L’in­tel­li­gence ar­ti­fi­cielle : mythes et réa­li­tés.

01net - - SOMMAIRE - Par Sté­phane Barge

L’in­tel­li­gence ar­ti­fi­cielle est le contraire de la bê­tise na­tu­relle », a dit un jour Woo­dy Al­len. Las, la pre­mière reste en­core bien moins ré­pan­due que la se­conde ! Pour­tant, pas une se­maine ne se passe sans qu’on an­nonce un nou­veau mi­racle nu­mé­rique. Un jour,

c’est `n as d` bl`ff q`i se Qait battre ¨ plate co`t`re par `n lo­gi­ciel ¨ `ne table

de po­ker. Le len­de­main, voi­ci qu’un oeil

élec­tro­niq`e déQ­raie la chro­niq`e en dé­bus­quant des tu­meurs can­cé­reuses sur

des ra­dio­gra­phies. @ne a`tre Qois en­core,

un ré­seau de neu­rones dé­couvre de nou

velles pla­nètes. ;as­sé l’en­tho`siasme

sus­ci­té par ces prouesses, la peur s’in­si

n`e dans nos es­prits. >e pro څ lent alors les me­naces d` ch¼mage de masse et de l’as­ser­vis­se­ment a`c ma­chines. Entre ces sen­ti­ments an­ta­go­nistes, le champ est libre po`r les cham­pions de la com’ et d` mar­ke­ting. Sous leur plume, le moindre

pro­gramme inQor­ma­tiq`e de­vient `ne in­tel­li­gence ar­ti څ cielle digne d` pric T`ring, l’éq`iva­lent d` No­bel po`r l’inQor­ma­tiq`e. ,jo`tons ¨ le`rs QanQa­ron­nades les pré­vi­sions hall`ci­nées ɧ et hall`ci­nantes ɧ des Q`t`ro­log`es q`i, po`r cer­tains, n’ont ja­mais plon­gé dans les en

trailles d` co­dage mais no`s voient déj¨

sur­pas­sés par les ro­bots dans tous les do

maines. N’o`blions pas, en څ n, les belles

pro­messes des rois du business, comme

-8B, q`i a ڇ rme q`’`ne de ses voit`res cond`ira to`te se`le dès 2021. 7es cherche`rs s’ac­cordent po`rtant ¨ dire q`’a`c`n vé­hic`le ne po`rra at­teindre ce ni­veau d’au­to­no­mie avant... 2040.

.e bro`ha­ha ne no`s aide g`ère ¨ cer­ner les réa­li­tés de cette dis­ci­pline pas­sion­nante qui am­bi­tionne de si­mu­ler nos

ca­pa­ci­tés cog­ni­tives s`r des ma­chines.

Les or­di­na­teurs sont trop sou­vent pa­rés de ca­pa­ci­tés qu’ils n’ont pas en­core, ne sont pas prêts d’avoir, et n’au­ront peu­têtre ja­mais. À com­men­cer par le sens

comm`n, cette Qac`lté q`i rend les ani­ma`c et les h`mains ca­pables d’ap­prendre en s’im­pré­gnant de leur environnement. « C’est en ob­ser­vant le monde q`e no`s réa­li­sons q`’il a trois di­men­sions, q`e des ob­jets pe`vent en ca­cher d’a`tres, être dé­pla­cés, ch`ter si on les prive de le`r s`pport, etc. », ex­plique le Fran­çais Yann LeCun, ce spé­cia­liste de l’in­tel­li­gence ar

ti څ cielle ¨ la tête des la­bos de 1ace­booV. 4l est pro­bable q`’a`c`ne ma­chine n’at­teigne une telle acui­té avant long­temps. La pré­vi­sible montée en puis­sance des

pro­cesse`rs ne chan­ge­ra rien ¨ l’af­faire. « Ce n’est pas `ne q`es­tion de tech­no­lo­gie,

ren­ché­rit 7e.`n. Mais `n casse-tête p`re­ment scien­ti­fiq`e. Ré­so`dre ce pro­blème risq`e de prendre de nombre`ses an­nées o` pl`sie`rs dé­cen­nies. » Si on y par­vient.

C’est nou­veau, ça vient de sor­tir

Dès le XVIIe siècle, bien avant l’avè­ne­ment du Net et de l’in­fox, l’Al­le­mand Leib­niz ima­gine le Cal­cu­lus Ra­tio­ci­na­tor, une ma­chine ca­pable de dé­mê­ler le vrai du faux dans n’im­porte quelle dis­cus­sion. Près de deux siècles plus tard, en oc­tobre 1950, le Bri­tan­nique Alan Tu­ring fait sen­sa­tion en pu­bliant dans la re­vue Mind (es­prit, en fran­çais) un ar­ticle in­ti­tu­lé « Ma­chines de cal­cul et in­tel­li­gence ». Ce brillant ma­thé­ma­ti­cien,

q`i avait dé­chif­fré les codes se­crets de

l’ar­mée al­le­mande du­rant la Se­conde Guerre mon­diale, pré­dit que les or­di­na­teurs se­ront, un jour, ca­pables de pen­ser. Vic­time de la ré­pres­sion contre les ho­mo­sexuels, Tu­ring se sui­cide quatre ans plus tard. Il n’as­siste donc pas à l’acte fon­da­teur de la dis­ci­pline qu’il a pour­tant contri­bué à faire émer­ger. L’an­née zé­ro

de l’in­tel­li­gence ar­ti څ cielle 4, dé­marre

en 1956, sous l’im­pul­sion d’un cher­cheur du Mas­sa­chu­setts Ins­ti­tute of Tech­no­lo­gy (MIT), John McCar­thy. Cet in­ven­teur de

l’ec­pres­sion v ,rti څ cial 4ntel­li­gence »

or­ga­nise un congrès sur ce thème au Dart­mouth Col­lege (New-Hamp­shire). Une poi­gnée de cher­cheurs s’y réunissent pour po­ser les bases de cette nou­velle spé­cia­li­té, qui vise à in­cul­quer aux ma­chines des ca­pa­ci­tés sen­si­tives (la vue, l’ouïe…) et de rai­son­ne­ment. De même que Ga­li­lée avait émis l’hy­po­thèse que les lois de la na­ture pou­vaient s’écrire sous forme d’équa­tions ma­thé­ma­tiques, ces scien­ti

څ q`es s`pposent q`e l’in­tel­li­gence h`maine se­rait co­dable en lan­gage in­for­ma­tique. De­puis, per­sonne ne les a dé­men­tis, ni prou­vé de fa­çon ir­ré­fu­table qu’ils avaient rai­son.

Les pré­dic­tions fan­tai­sistes pul­lulent

En 1958, l’in­for­ma­ti­cien amé­ri­cain Al­len Ne­well as­su­rait qu’un or­di­na­teur réus­si­rait à do­mi­ner un cham­pion d` monde des échecs avant la څ n des an­nées !0. >a pro­phé­tie څ nit par se réa­li­ser… en 1997. Le so­cio­logue Her­bert Si­mon, quant à lui, es­ti­mait dès 1965 que les ma­chines se­raient ca­pables, dans

AU­CUNE MA­CHINE NE PEUT AC­QUÉ­RIR SEULE DES COM­PÉ­TENCES

une ving­taine d’an­nées, de réa­li­ser n’im­porte quelle tâche in­tel­lec­tuelle. Ce­ci, alors qu’elles s’em­mê­laient les pro­ces­seurs en ten­tant, sans suc­cès, de s’at­ta­quer à la tra­duc­tion au­to­ma­tique de

tectes. 7e`rs flops ¨ ré­pé­ti­tion dans ce

do­maine contri­buèrent d’ailleurs à as­sé­cher les sub­ven­tions des la­bo­ra­toires, au point de donner un pre­mier coup d’ar­rêt

a`c tra­va`c s`r l’in­tel­li­gence ar­ti څ cielle.

« D’ici trois à huit ans, les ma­chines se­ront aus­si in­tel­li­gentes qu’un homme moyen »,

sur­en­ché­ris­sait pour­tant, dès 1970, Mar­vin Mins­ky de­puis son la­bo du MIT. En 2019, les ro­bots fe­ront des femmes de mé

nage e ڇ caces po`r to`s les Qoyers, pré­ten­dait en­core le « vi­sion­naire » Ray

6`re­beil ¨ la څ n des an­nées 90ɳ

Entre les cher­cheurs, l’har­mo­nie est par­faite

Au contraire, c’est la zi­za­nie ! Deux prin­ci­paux cou­rants de pen­sée s’af­frontent s`r l’in­ter­pré­ta­tion même de la no­tion d’in­tel­li­gence et sur la ma­nière de la mo­dé­li­ser dans un or­di­na­teur. D’un cô­té, les sym­bo­listes misent sur le rai­son­ne­ment for­mel et la lo­gique. Hé­ri­tiers de Des­cartes, Spi­no­za et Leib­niz, ces ra­tio­na­listes es­timent que l’in­tel­li­gence peut être for­ma­li­sée par un en­semble de règles ins­crites dans la mé­moire de l’or­di­na­teur. De l’autre, les connexion­nistes es­timent qu’elle ne se ré­duit pas à l’es­prit et à la rai­son. Comme Locke, Hume ou Ba­con en leur temps, ils jugent qu’il faut éga­le­ment prendre en compte les ex­pé­riences et les per­cep­tions vé­hi­cu­lées par l’environnement. Pour eux, la cy­be­rin­tel­li­gence passe par la si­mu­la­tion nu­mé­rique de notre cer­veau, no­tam­ment à tra­vers des ré­seaux de neu­rones. Ces ar­te­facts de cel­lules grises étant cen­sés sto­cker des connais­sances en in­gur­gi­tant des gi­ga­oc­tets de don­nées.

Le cer­veau nu­mé­rique, c’est pour bien­tôt

Il semble illu­soire de re­pro­duire `n cer­vea` ar­ti څ ciel avant long­temps, tant cet or­gane est com­plexe et ses méandres dé­li­cats à ex­plo­rer. Do­té d’un bud­get de plus d’un mil­liard d’eu­ros, le pro­jet eu­ro­péen Hu­man Brain Pro­ject am­bi­tionne de mi­mer le fonc­tion­ne­ment d’un cer­veau sur le su­per­cal­cu­la­teur d’IBM Blue Gen. Mais il ac­cu­mule les di ڇ c`ltés dep`is ses dé­buts en 2013. Ses pen­dants amé­ri­cains, the BRAIN Ini­tia­tive et the Hu­man Con­nec­tome Pro­ject, ne pro­duisent pas non plus d’avan­cées spec­ta­cu­laires.

Les ro­bots sont au­to­di­dactes

En fait, pas vrai­ment. L’idée

q`’`ne in­tel­li­gence ar­ti څ cielle se

for­me­rait d’elle-même, en un clin d’oeil, reste un leurre. Contrai­re­ment à ce que vous avez peut-être en­ten­du ici et là, au­cune ma­chine n’est ca­pable d’ac­qué­rir seule de nou­velles com­pé­tences, sans in­ter­ven­tion hu­maine et ce, quel qu’en soit le do­maine. Cer­taines tech­niques aident tou­te­fois les or­di­na­teurs à pro­gres­ser en leur ap­pre­nant à ana­ly­ser des jeux de don­nées, ou à ti­rer des le­çons de leurs échecs. Ce champ d’étude, dit du ma­chine lear­ning (ap­pren­tis­sage ma­chine), a in­con­tes­ta­ble­ment fait pas­ser un cap à la dis­ci­pline. Grâce à lui, l’or­di­na­teur est ca

pable de réa­li­ser `ne tªche spé­ci څ q`e sans

avoir été ex­pli­ci­te­ment pro­gram­mé pour

ce­laɳ En to`t cas, pas de Qa¯on clas­siq`e.

Jus­qu’ici, la mé­thode tra­di­tion­nelle obli­geait les in­for­ma­ti­ciens à lui dic­ter un

nombre d’ac­tions ¨ ef­fect`er so`s cer­taines condi­tions. C’est le fa­meux al­go­rithme, co­dé par le pro­gram­meur sous la forme d’ins­truc­tions, dans un lan­gage com­pré­hen­sible par la ma­chine. Celle-ci

n’avait plus alors qu’à suivre la re­cette pour comp­ter des mots dans un texte, par exemple. Mais ce pro­cé­dé a ses li­mites et pa­ra­doxa­le­ment, il s’avère même moins

e ڇ cace lorsq`’il s’agit de co­der des tªches

qui nous pa­raissent très simples, voire na­tu­relles à nous, hu­mains. Sup­po­sons qu’il faille ap­prendre à un or­di­na­teur à

re­con­na¶tre des chiffres écrits ¨ la main. .omment l`i ec­pliq`er la Qorme d` chiffre 0, par ecemple * >Ãre­ment pas en l`i di­sant que c’est un cercle ou une el­lipse, des no­tions in­con­nues de ce gros bê­ta. C’est là qu’in­ter­vient l’ap­pren­tis­sage au­to­ma­tique, dont le prin­cipe re­pose sur deux élé­ments. Pri­mo, un jeu de don­nées, dans le­quel l’or­di va pui­ser ses connais­sances de base, avant même de com­men­cer à ré­soudre le pro­blème. En l’oc­cur­rence, pour

re­con­na¶tre `n 0 o` `n 7 écrit ¨ la main,

il mé­mo­rise la base de don­nées MNIST

8odi څ ed o` 8iced Na­tio­nal 4ns­tit`te

of Stan­dards and Tech­no­lo­gy), soit

70 000 images n`mé­ri­sées de chiffres man`scrits de 28 pi­cels de c¼té, chac`ne

étant as­so­ciée à son dé­cryp­tage. Se­cun­do,

l’inQor­ma­ti­cien dé څ nit `ne mé­thode de

tra­vail dont la ma­chine va se ser­vir pour ex­ploi­ter ces don­nées. En l’oc­cur­rence, il s’agit de trou­ver dans la base MNIST l’image ayant le plus de pixels en comm`n avec celle d` chiffre man`scrit q`’il faut ana­ly­ser. Tout sim­ple­ment… En s’ap­puyant sur l’in­ter­pré­ta­tion de don­nées, le ma­chine lear­ning sert donc à si­mu­ler des com­por­te­ments cog­ni­tifs que l’être hu­main lui-même est in­ca­pable d’ex­pli­quer ! C’est en ap­pli­quant ce prin­cipe que La Poste, par exemple, a pu se pas­ser d’hommes (et de femmes) pour lire les codes pos­taux sur les en­ve­loppes.

Le deep lear­ning est le must en ma­tière d’ap­pren­tis­sage

C’est très exa­gé­ré. D’abord, cette FAUX

tech­nique, dite d’ap­pren­tis­sage pro­fond, qui ex­ploite des ré­seaux de neu­rones struc­tu­rés en couches suc­ces­sives, ne re­pré­sente qu’une des nom­breuses mé­thodes de ma­chine lear­ning. Comme la plu­part d’entre elles, elle consiste à en­sei­gner une tâche à l’or­di­na­teur, en lui de­man­dant de mé­mo­ri­ser de nom­breux exemples. Les cher­cheurs montrent à l’al­go­rithme des illus­tra­tions com­por­tant un chat, puis d’autres sans re­pré­sen­ta­tion de pe­tit mi­nou, en lui si­gna­lant à chaque fois la bonne ré­ponse at­ten­due. La ma­chine

ap­prend ain­si ¨ iden­ti څ er les Qé­lins dans

une bi­blio­thèque d’images. Au bout d’un cer­tain temps, le sys­tème re­con­naît l’ani­mal sur des pho­tos qu’il dé­couvre pour la pre­mière fois. Connu dans ses grands

prin­cipes dès la څ n des an­nées 80, le deep

lear­ning avait été un temps aban­don­né. Jus­qu’à ce que le Fran­çais Yann LeCun, qui di­rige au­jourd’hui les la­bo­ra­toires de re­cherche et de dé­ve­lop­pe­ment de Fa­ce­book, le re­mette au goût du jour la dé­cen­nie sui­vante. Comment ? En l’ex­ploi­tant dans des sys­tèmes de re­con­nais­sance d’écri­ture ma­nus­crite sur les chèques ban­caires. Pour­tant, par­ti­cu­liè­re­ment gour­mand en cal­culs, ce pro­cé­dé n’a com

men­cé ¨ dé­col­ler q`’en 2012, a` mo­ment

de l’avè­ne­ment d’une nou­velle gé­né­ra­tion de pro­ces­seurs ca­pables de trai­ter

pl`s de 1 000 mil­liards d’opé­ra­tions par se­conde. 7es in­tel­li­gences ar­ti څ cielles

pro­duites sur la base de cette mé­thode ont

alors bl`ffé to`s les ec­perts. En réd`isant

de moi­tié les er­reurs des al­go­rithmes de re­con­nais­sance de la voix, elle a, no­tam­ment, ou­vert le champ aux as­sis­tants vocaux. Elle a éga­le­ment fait pro­gres­ser la tra­duc­tion au­to­ma­tique et la re­con­nais­sance d’images.

Ce­pen­dant, le deep lear­ning n’est pas la pa­na­cée, loin s’en faut. En té­moignent quelques-uns de ses échecs ré­cents. En

j`illet 2015, par ecemple, l’application de

re­con­nais­sance d’images de Google a confon­du des per­sonnes noires avec des go­rilles. Sur les vi­déos, où les images se dé­forment avec les mou­ve­ments, les ré­sul­tats ne sont pas beau­coup plus pro­bants que ceux ob­te­nus avec les an­ciennes mé­thodes tra­di­tion­nelles. Cer­tains prônent le dé­ve­lop­pe­ment d’autres tech­niques com­plé­men­taires. Par­mi elles, ci­tons l’ap­pren­tis­sage par ren­for­ce­ment.

/ans ce cas de څ g`re, l’or­di­nate`r n’a pas

à mé­mo­ri­ser d’énormes vo­lumes de don­nées puis­qu’il ap­prend es­sen­tiel­le­ment de ses er­reurs. À la ma­nière d’une bête de cirque qui re­çoit une frian­dise lors­qu’il réus­sit sa ca­briole, la ma­chine est « ré­com­pen­sée » par un si­gnal lorsque sa ré­ponse est cor­recte. À force d’en­traî­ne­ment, elle amé­liore sa per­for­mance.

Doc­teur Wat­son va mettre les tou­bibs au chô­mage

Il y a trois ans, lors­qu’IBM lance FAUX

sa di­vi­sion Wat­son Health, son am­bi­tion n’est ni plus ni moins de ré­vo­lu­tion­ner la mé­de­cine par le biais de son su­per­cal­cu­la­teur Wat­son. Chan­ge­ment ra­di­cal de re­gistre, pour ce mé­ga–or­di­na­teur qui s’était illus­tré en 2011, en bat­tant les uns après les autres ses ad­ver­saires hu­mains au Jeo­par­dy!, fa­meux jeu té­lé­vi­sé amé­ri­cain de culture gé­né­rale. .ette Qois, څ ni de s’am`ser >a mission

consiste à pres­crire des trai­te­ments an­ti­can­cers, ul­tra­per­son­na­li­sés se­lon le pro- څ l gé­né­tiq`e des pa­tients, a څ n d’ac­cro¶tre le`rs chances de g`éri­son. >i, a` dé­part,

les on­co­logues pa­rais­saient enthousiastes, il semble qu’ils se soient em­bal­lés un peu vite. Cet été, le géant amé­ri­cain a sup­pri­mé plu­sieurs di­zaines de postes dans

les ef­fec­tiQs de cette di­vi­sion, ce q`i n’a`gure rien de bon. Quelques se­maines plus tard, des do­cu­ments in­ternes, pu­bliés ré­cem­ment par le site mé­di­cal spé­cia­li­sé

>tat­nebs.com, ré­vé­laient de nombre`ses

cri­tiques en­vers le tout-puis­sant Wat­son. Des té­moi­gnages d’ex­perts mé­di­caux dé­plo­raient d’im­por­tantes er­reurs d’ap­pré­cia­tion for­mu­lées par la ma­chine. Ils poin­taient par ailleurs de mul­tiples re­com­man­da­tions de trai­te­ments dan­ge­reux et in­cor­rects. Par exemple, à un

se­ca­gé­naire q`i so`ffrait de sai­gne­ments, le « doc­teur » Wat­son avait pré­co­ni­sé un mé­di­ca­ment qui au lieu de le soi­gner, ris­quait d’ag­gra­ver sa si­tua­tion, jus­qu’à cau­ser une hé­mor­ra­gie sé­vère, voire fa­tale.

7’in­tel­li­gence ar­ti څ cielle d’4-8 étant to`jours en phase de test, ses pres­crip­tions fort heu­reu­se­ment, n’ont pas été sui­vies. Les can­cé­ro­logues ont certes en­core de beaux jours de­vant eux. Mais ne mi­ni­mi­sons pas pour au­tant l’ap­port de l’IA à la mé­de­cine. Les réels pro­grès réa­li­sés en

ma_i°]e de vi^ion a]_i څ cielle a`_o]i^en_ d±j¨ le^ ma­chine^ ¨ a^^i^_e] le^ m±de­cin^ dan^ le`]^ dia­gno^_ic^ Ain^i a`x Ņ_a_^ @ni^ la Food /]`g Ad­mi­ni^_]a_ion a a` _o]i^± a` []in_em[^ le dia­gno^_ic [a] `n lo­gi­ciel de la ]±_i­no[a_­hie diab±_i\`e `ne g]ave l±^ion oc`lai]e \`i [e`_ en_]a¶ne] la c±ci_± /e ce c¼_± de lؘoc±an la ^_a]_ `[ f]an¯ai^e The]a[ixel a mi^ a` [oin_ `n ^y^_°me ca[able de d±_ec_e] le^ cance]^ d` ^ein a[]°^ ana­ly^e de^ ]adiog]a[hie^

Des lo­gi­ciels tchatchent dé­jà comme des hu­mains

A`jo`]dؘh`i a`c`n de ce^ cha_ FAUX

bo_^ ɧ de^ ]obo_^ lo­gi­ciel^ con¯`^ [o`] [a[o_e] ɧ aؘn [a^^± lؘ±[]e`ve d` « je` de lؘi­mi_a_ion ı Alan T`]ing a con¯` ce _e^_ en $5 Il ^ؘa­gi_ de fai]e ±val`e] le ni­vea` dؘin_el­li­gence dؘ`ne ma chine [a] `n j`]y en chai] e_ en o^ Le di^ [o^i_if con^i^_e ¨ di^c`_e] [a] ±c]an dؘo]di­na_e`] in_e][o^± avec de`x in_e] loc`_e`]^ in^_all±^ chac`n dan^ `ne [i°ce di ڄ±]en_e Le []emie] ±_an_ h`main le ^econd `n cha_­bo_ Ce de]nie] e^_ con^i d±]± in_el­li­gen_ lo]^\`ؘil a]]ive ¨ ^e fai]e [a^^e] [o`] `n homme Ķ lؘ±[o\`e T` ]ing []±di^ai_ \`ؘen lؘan de^ o]di na_e`]^ ^e]aien_ ca[able^ de bl`ڄ e] a` moin^ de^ memb]e^ d` j`]y [en dan_ cin\ min`_e^ Ķ ce jo`] a`c`n a` _o­ma_e aؘn conc]±_i^± ^a []±dic_ion m²me ^i de nomb]e`x cha_­bo_^ on_ ]e ven­di\`± ce_ ex[loi_ _el >o[hia lؘan d]o·de c]±± [a] Han^on =obo_ic^ >a conve]^a_ion ]e^_e _]°^ li­mi_±e ^e^ ]± [on^e^ ^o`ven_ ho]^ ^`je_ ]±ali^±e^ a` moyen de [h]a^e^ _o`_e^ fai_e^ \`ؘelle m±mo]i^e e_ ]ec]ache de fa¯on a`_o­ma _i^±e « Une es­cro­que­rie » f`l mine Yann LeC`n ce F]an¯ai^ cha]g± de la ]eche]che e_ d± ve­lo[[emen_ de Fa­ce­book /ؘa`_]e^ c]±a_`]e^ vi]_`elle^ m±]i_e]aien_ ca]]±men_ de څ g`]e] a` g]and b²_i^ie] de lؘin _el­li­gence a]_i څ cielle >o`ve nez vo`^ [a] exem[le de Tay lؘa­gen_ conve]^a_ion­nel []o g]amm± [a] Mic]o^of_ [o`] conve]^e] avec le^ in_e]na`_e^

^`] la Toile Il ]±[±_ai_ de^ me^ ^age^ ]aci^_e^ me­na¯ai_ dؘen voye] le^ f±mi­ni^_e^ en enfe] e_ don­nai_ ]ai^on ¨ Hi_le] Ce \`i ne ^ig­ni څ e [a^ \`e le^ cha_­bo_^ ne fon_ [a^ de []og]°^ comme vo`^ [o`]]ez le con^_a_e] vo`^ m²me en fai^an_ `n b]in de ca`^e__e avec la cha]man_e Mi_^`k` bi_ ly INbw`F la`]±a_e ¨ \`a_]e ]e[]i^e^ d` []ix Loeb ne] \`i ]±com[en^e le cha_­bo_ le [l`^ lo \`ace e_ le [l`^ convain­can_

L’in­tel­li­gence ar­ti­fi­cielle aime jouer

Le^ je`x ]e^_en_ `n fo]mi­dable VRAI

la­bo]a_oi]e dؘex[±]imen_a_ion Lؘin_el­li­gence a]_i څ cielle a f]an­chi `n ca[ lo]^\`e le^ o]di­na_e`]^ ^e ^on_ mi^ ¨ ba__]e de^ a^ de back­gam­mon ¨ la څ n de^ ann±e^ " o` de^ ma¶_]e^ de^ ±chec^ dan^ le^ ann±e^ $ /e[`i^ de`x an^ on a bea`co`[ glo^± ^`] Al[haGo ce []o g]amme in­fo]ma_i\`e de Google \`i a dam± le [ion a`x cham[ion^ de je` de go :n a moin^ [a]l± dؘAl[haGo Ze]o Lؘan de]nie] cel`i ci a [o`]_an_ _e]]a^^± _o`_e^ le^ ve]^ion^ dؘAl[haGo y com[]i^ la _]°^ ±vol`±e mo`_`]e Ma^_e] \`i avai_ \`el\`e^ moi^ [l`^ _¼_ en mai " do min± ^an^ co`[ f±]i] Ke Jie n`m±]o `n mon­dial de ce__e di^ci[line Con_]ai]e men_ ¨ ^on []±d±ce^^e`] Al[haGo Z±]o aؘn [a^ a[[]i^ ¨ jo`e] en en]egi^_]an_ de^ mil­lie]^ de [a]_ie^ di^[`_±e^ [a] de^ h` main^ Il a ^im[le­men_ m±mo]i^± le^ ]°gle^ d` je` e_ la [o^i_ion de^ [i°ce^ ^`] le [la_ea` En^`i_e il ^ؘe^_ en_]a¶n± ¨ jo`e] ^e`l con_]e l`i m²me A` d±[a]_ il bo` geai_ ^e^ [ion^ a` ha^a]d e_ ]e[±]ai_ le^ co`[^ ga­gnan_^ [o`] a` f`] e_ ¨ me^`]e a ڇ ne] ^a _ech­ni\`e En \`a]an_e jo`]^ il e^_ de­ven` im­ba__able E_ alo]^ * ;o`] Google le je` nؘe^_ [a^ `ne څ n en ^oi « Avec Al­phaGo Ze­ro, nous dis­po­sons d’une IA gé­né­ra­liste qui peut s’ap­pli­quer dans bien d’autres do­maines » e^_ime /avid >ilve] \`i di]ige Al[haGo chez le g±an_ d` Ne_ Cؘe^_ o`blie] `n [e` vi_e \`e ce__e in_el li­gence ^e li­mi_e ¨ de^ []obl°me^ ^_]`c _`]±^ avec de^ ]°gle^ fa­cile^ ¨ []og]am me] e_ [e` dؘim[]±v` Google []±voi_ dؘaille`]^ de f]an­chi] `ne no`velle ±_a[e en څ±d an_ de^ game]^ a` je` vid±o de ^_]a_±gie StarC­raft \`i ^e jo`e en ±\`i[e e_ in­cl`_ de^ ^i_`a_ion^ bien [l`^ com [lexe^ /ؘa`_]e^ che]che`]^ ^ؘin_±]e^^en_ a` [oke] Lؘan de]nie] Lib]a_`^ `n lo gi­ciel mi^ a` [oin_ ¨ lؘ`nive]^i_± Ca]ne gie Mel­lon a ba__` de^ چ ambe`]^ []ofe^ ^ion­nel^ en Texa^ Holdؘ­hem No Li­mi_ `ne va]ian_e \`i ^e jo`e en _²_e ¨ _²_e e_ avec de^ mi^e^ illi­mi_±e^ >e^ conce[_e`]^ e^[°]en_ \`e le lo­gi­ciel Lib]a_`^ ^e]vi]a dan^ de^ ^i_`a_ion^ moin^ l`di\`e^ en [a]_ic`lie] celle^ \`i exi­gen_ de []end]e de^ d±ci^ion^ ]a[ide­men_ ¨ [a]_i] dؘin fo]ma_ion^ in­com[l°_e^ voi]e _]om [e`^e^ [a] exem[le dan^ le^ do­maine^ de la ^_]a_±gie mi­li_ai]e o` de la n±go­cia _ion comme]ciale

La créa­tion ar­tis­tique n’est pas sa tasse de thé

Le oc_ob]e la mai^on Ch]i^ FAUX

_ie me__]a a`x ench°]e^ `ne _oile ^ign±eɳ [a] `ne ±\`a_ion ma_h±ma_i\`e in_i_`l±e Por­trait d’Ed­mond Bellamy Celle ci a ±_± mod±li^±e ^`] `n o]di­na_e`] [a] _]oi^ F]an¯ai^ d` col­lec_if :bvio`^ Le _a blea` ex[loi_e de`x ]±^ea`x de ne`]one^ an_a­go­ni^_e^ % le []emie] g±n°]e de^ image^ al±a_oi]e^ le ^econd le^ com[a]e ¨ de^ ě`v]e^ exi^_an_e^ a څ n de con_]¼le] le`] ]±ali^me En 6 `n al­go]i_hme avai_ ]±ali^± `n _a­blea` ¨ la ma­ni°]e de =emb]and_ [l`^ v]ai \`e na _`]e a[]°^ avoi] exa­min± de^ di­zaine^ de [ein_`]e^ d` ma¶_]e hol­lan­dai^ E_ ¯a ma]che a`^^i en li__±]a_`]e Lؘan de]nie] de^ in_el­li­gence^ a]_i څ cielle^ de Google on_ com[o^± de^ [o°me^ en [io­chan_ dan^ de^ ]oman^ ¨ lؘea` de ]o^e /ؘa`_]e^ im[]o vi^en_ d` jazz

SES ÉCHECS NE DOIVENT PAS FAIRE OU­BLIER SES RÉELS PRO­GRÈS

Conçus dans les la­bo­ra­toires de l’In­ria, ces ro­bots Pop­py Tor­so s’en­traînent à dé­pla­cer des ob­jets au moyen d’un joys­tick. lls peau­finent leur tech­nique pe­tit à pe­tit, en ap­pre­nant de leurs er­reurs.

Mort voi­là sept ans, John McCar­thy fut un des pionniers de l’in­tel­li­gence ar­ti­fi­cielle. Il or­ga­ni­sa dès 1956 la cé­lèbre confé­rence de Dart­mouth, qui je­ta les bases de la dis­ci­pline.

So­phia, l’an­droïde dé­ve­lop­pé par Han­son Ro­bo­tics, est-elle réel­le­ment ca­pable d’en­ga­ger une conver­sa­tion in­tel­li­gible avec un hu­main ? Plu­sieurs ex­perts en doutent.

Ce por­trait est l’un de ceux réa­li­sés par les ré­seaux de neu­rones mis au point par le col­lec­tif fran­çais Ob­vious. Pour ce­la, leur in­tel­li­gence ar­ti­fi­cielle s’est ins­pi­rée de 15 000 oeuvres.

L’an der­nier, le joueur de po­ker Dong Kim n’a pas fait le poids face à Li­bra­tus. « J’avais l’im­pres­sion que le lo­gi­ciel voyait mes cartes », a-t-il com­men­té après sa dé­faite face à son ad­ver­saire vir­tuel.

Newspapers in French

Newspapers from France

© PressReader. All rights reserved.