Revue de 25 ans de recherche en intelligence artificielle, pour comprendre les 10 ans à venir

L’analyse de 16 625 articles d’études scientifiques publiées ces 25 dernières années sur le thème de l’intelligence artificielle pourrait indiquer la fin prochaine de l’âge d’or du « deep learning ». La MIT Technology Review s’est attelée à cet exercice de rétrospective pour rappeler quelles technologies façonnent l’IA au-delà de l’ « apprentissage profond », un type d’IA dérivé du Machine Learning qui est en fait pour le grand public l’arbre qui cache la forêt de l’IA.

Les cycles technologiques de l’IA

 

Le deep learning est en effet utilisé notamment par Google Search, Facebook ou encore le moteur de recommandation de Netflix. Mais cette technologie capable de détecter des tendances dans les datas et d’imiter certains raisonnements humains n’est employée que depuis 10 ans, soit la durée des cycles technologiques dans le domaine de l’intelligence artificielle. De nouvelles tendances émergent en effet tous les 10 ans et peuvent totalement réorienter l’ensemble du secteur. Ces 25 dernières années trois tendances majeures ont marqué le secteur de l’IA : un virage vers le machine learning ou apprentissage automatique à la fin des années 1990 et au début des années 2000, une popularité croissante des réseaux de neurones au début des années 2010, et ces dernières années la croissance du « reinforcement learning » ou apprentissage par renforcement.

 

L’ancêtre du Machine Learning

 

Dans les années 80, les systèmes à base de connaissance avaient pour ambition de recréer le « bon sens » d’un être humain. Parmi les projets les plus ambitieux, Cyc, un projet lancé en 1984 au sein du consortium américain MCC. Ces projets se sont tous heurtés à une difficultés majeure : trop de règles doivent être encodées manuellement pour parvenir à un résultat significatif, ce qui nécessite donc un budget et des délais conséquents. Le machine learning est alors apparu comme la solution pour extraire ces règles automatiquement sans qu’un humain ait besoin de les coder.

 

Du machine learning au deep learning

 

Entre 1990 et 2000 de nombreuses technologies étaient en compétition pour la détection de tendances au sein de jeux de données : les réseaux bayésiens (utilisés pour calculer des probabilités conditionnelles), les machines à vecteurs supports (ou SVM pour support vector machines), et les algorithmes évolutionnaires basés sur la théorie darwinienne de l’évolution. Ce n’est qu’en 2012, lors de l’évènement ImageNet que la compétition acharnée entre ces différentes méthodes a du s’incliner devant la supériorité du deep learning pour la reconnaissance d’images.

L’apprentissage par renforcement s’impose

 

Les techniques de Machine Learning se répartissent en trois différents types : l’apprentissage supervisé, non supervisé, et par renforcement. Cette dernière approche de « reinforcement learning » ou apprentissage par renforcement a connu son heure de gloire en octobre 2015 avec la victoire de AlphaGo – développé et entrainé par DeepMind, une entreprise de Google – face au champion du monde de Go.

 

Quelles technologies feront évoluer l’IA ces 10 prochaines années ?

 

Depuis les premiers travaux des années 50, chaque décennie a vu s’imposer une nouvelle technologie d’Intelligence Artificielle. Le deep learning a actuellement le vent en poupe mais pourrait donc être dépassé soit par un regain d’intérêt pour une ancienne technique ou par un tout nouveau paradigme qui révolutionnerait le secteur.

 

Lire l’article