Apprentissage automatique : la voie vers une créativité sans limites

Par Mike Haley
- 10 Mai 2017 - 6 min De Lecture

Prenez une grande boîte de Lego : tant de créations en puissance qui n’attendent qu’à être dévoilées. Le constructeur doit apprendre comment assembler les briques pour obtenir des formes plus grandes. Imaginez maintenant que le créateur n’est plus une personne, mais un robot qui apprend à effectuer de nouvelles tâches, comme les humains.

Si cette idée vous dérange, ou vous évoque un monde orwellien où les robots se servent des Legos pour « l’élevage » des humains et transformer leur substance vitale en électricité, ne vous faites pas de soucis. La notion d’apprentissage robotisé existe, mais elle est loin d’un tel cauchemar.

L’apprentissage automatique, généralement synonyme de l’expression intelligence artificielle (IA), présente un intérêt pour tous les secteurs. En dépit de son potentiel, qui a juste commencé à émerger, l’intelligence artificielle ne fait qu’effleurer la complexité des interactions dont est capable la nature humaine, de par sa créativité, sa curiosité et son empathie. De l’association entre les atouts de l’homme et les capacités de la machine à comprendre instantanément les systèmes complexes sans préjugés se dégagerait un pouvoir créatif de transformation.

Les machines peuvent-elles penser ? On peut se poser la question. C’est d’ailleurs ce qu’a fait le mathématicien britannique Alan Turing dans les années 1950, posant la première pierre de la recherche sur l’intelligence artificielle. Peu après, le MIT (Institut de technologie du Massachusetts) ouvrait le premier Laboratoire d’intelligence artificielle. Dans les décennies qui ont suivi, les chercheurs ont tenté de créer des systèmes informatiques capables de raisonner avec logique, de comprendre un langage naturel, d’utiliser la vision automatisée et de copier le cerveau humain. Malheureusement, les recherches sur l’IA ont souvent fait chou blanc, en raison du manque de puissance informatique et de données ou de l’instabilité des méthodes et des financements.

Finalement, au milieu des années 2000, des découvertes capitales dans les domaines des mathématiques, du big data et du cloud ont permis de développer des systèmes beaucoup plus complexes. Ces avancées se sont télescopées. Telle l’explosion d’une supernova après une collision stellaire, cette convergence a donné lieu à une réaction en chaîne qui a permis l’apparition de l’apprentissage automatique.

Aujourd’hui, le champ émergeant des neurosciences computationnelles, qui utilisent les IRM fonctionnelles afin de mieux comprendre le fonctionnement du cerveau, est source d’inspiration pour l’apprentissage profond, dans lequel des réseaux complexes de neurones utilisent des algorithmes pour la reconnaissance d’images, de textes et de voix. Il est intéressant de noter que ces systèmes sont aussi insondables que le cerveau lui-même dont la complexité dépasse la logique humaine.

Si vous avez déjà utilisé Google Maps, vous avez déjà eu un aperçu des avantages de l’apprentissage automatique. Les données géospatiales sur les rues informent les plans des réseaux routiers de Google Maps des erreurs possibles ou des données obsolètes. Les algorithmes d’apprentissage automatique permettent de corriger certaines erreurs grâce à l’imagerie de Google Street View. Si par exemple les données Maps originales ne montrent pas un panneau-stop à un carrefour, mais que l’imagerie Street View l’a repéré, le système reconnaîtra l’erreur et la corrigera.

Google Maps Paris
Google Maps

Ce sont les données qui alimentent l’apprentissage automatique. La prolifération du travail sur le cloud et les milliards de capteurs de l’Internet des Objets (IoT) qui captent les données le rendent possible. Un apprentissage automatique efficace est nourri de données variées, de bonne qualité et en quantité suffisante. C’est pourquoi IBM a investi plus de 3 milliards de dollars dans des entreprises détenant des données sur la santé pour son projet Watson Health, qui a déjà traité presque 300 millions de dossiers de patients. Et Microsoft a payé 26,2 milliards de dollars pour l’achat de LinkedIn parce qu’Economic Graph et ses 433 millions de données professionnelles lui permettront « de réinventer des moyens de stimuler la productivité des actifs en réinventant la vente, le marketing et les procédures de ressources humaines », explique son PDG, Satya Nadella.

En matière de collecte de données et d’apprentissage automatique, Amazon n’est pas en reste. Des données sont collectées chaque fois que le service vocal Echo est utilisé. L’équipe Echo dispose d’un réseau neural profond qui repose sur la sémantique et l’apprentissage des langues. Au début, l’équipe a instruit ce système en lui faisant apprendre des textes, des voix, des mots et des significations, un processus plus facile pour les machines que pour les humains. Mais personne ne sait comment le système fonctionne. Cela va bien au-delà de la complexité du raisonnement humain.

Quel est le rapport avec la conception ? L’exemple d’Echo et d’autres programmes d’apprentissage automatique indiquent qu’à l’avenir, l’utilisation des logiciels ressemblera plutôt à une collaboration naturelle entre personnes. Les designers, les architectes, les fabricants, les artistes et tous les autres créateurs pourront dire « Je veux que mon projet ait une touche plus Art déco » et un logiciel de conception générative, comme Autodesk Dreamcatcher, produira des centaines voire des milliers de résultats qu’ils pourront trier et affiner à souhait. Dire « Art déco » à quelqu’un évoque de nombreuses références. À l’avenir, vous pourrez parler à un logiciel de cette façon et il vous comprendra.

Amazon Echo
Amazon Echo. Avec l’aimable autorisation d’Amazon.

Aujourd’hui, les systèmes d’apprentissage automatique reconnaissent les visages et détectent les cancers, mieux que les humains. Mais l’évolution des outils d’apprentissage automatique se développera par phases qui, indéfectiblement, optimiseront et renforceront le processus de fabrication et changeront les façons de travailler.

La première phase consistera à effectuer la basse besogne habituellement chronophage ou ennuyeuse : préparer les données, corriger les erreurs, optimiser les solutions, surveiller les défaillances… Ensuite, la seconde phase, qui impliquera l’aide d’assistants intelligents, observera votre comportement et celui des autres et, par prédiction, éliminera les étapes répétitives afin de libérer votre attention, que vous pourrez consacrer aux points importants. Enfin, dans la dernière phase, ces collaborateurs de confiance vous proposeront des suggestions et en discuteront avec vous, comme le ferait un collègue humain. Dans ce cas, le système prendra en charge une grande partie du travail, peut-être même aussi l’assemblage de prototypes succincts. Cette évolution nous rapproche de la légende d’un gros bouton « fabriquer » sur lequel il suffirait d’appuyer pour voir apparaitre un résultat.

Quel que soit votre travail, il y a fort à parier que vous consacrez trop de temps aux tâches répétitives et laborieuses et pas assez aux vraies tâches créatives, les seules qui soient productives. Dans ce contexte regrettable, seuls les oiseaux rares comme Steve Jobs se paient le luxe de donner des ordres à leurs exécutants. Imaginez que tout le monde puisse en faire autant, dans tous les domaines, pas seulement dans la conception.

L’apprentissage automatique fera de nous des médiateurs et des curateurs, en plus d’être des créateurs : la symbiose humain-machine libérera la créativité. Un vaste univers de possibles sommeille. Ce sera l’âge de l’hypercréativité effrénée, sans aucune limite.

Sur le même sujet…