Pourquoi l’apprentissage automatique, et non l’intelligence artificielle, est la bonne voie à suivre pour la science des données

 Commentaire: Nous aimons imaginer un avenir axé sur l’IA, mais c’est l’apprentissage automatique qui nous aidera réellement à progresser, soutient l’expert Michael I. Jordan.

                                                                 Image : iStock/Igor Kutyaev

Nous nous promiffons du terme «intelligence artificielle», évoquant des idées de machines créatives anticipant nos moindres caprices, bien que la réalité soit plus banale: « Dans un avenir prévisible, les ordinateurs ne seront pas en mesure d’égaler les humains dans leur capacité à raisonner abstraitement sur des situations du monde réel. » C’est de Michael I. Jordan, l’une des principales autorités en matière d’IA et d’apprentissage automatique, qui veut que nous soyons réalistes à propos de l’IA.

Augmenter les gens

« Les gens commencent à se confondre avec la signification de l’IA dans les discussions sur les tendances technologiques , à savoir qu’il existe une sorte de pensée intelligente dans les ordinateurs qui est responsable du progrès et qui est en concurrence avec les humains. Nous n’avons pas cela, mais les gens parlent comme si nous le faisions », a-t-il noté dans l’article IEEE Spectrum.

Au lieu de cela, il a écrit dans un article pour Harvard Data Science Review, nous devrions parler de ML et de ses possibilités d’augmenter, pas de remplacer, la cognition humaine. Jordan appelle cela « Augmentation de l’intelligence » et utilise des exemples comme les moteurs de recherche pour présenter les possibilités d’aider les humains avec une pensée créative.

Et, pour être clair, les machines sont bien meilleures dans certaines choses. Par exemple, les gens pourraient faire des critères spéciaux de bas niveau, mais à un coût important, alors que les machines sont capables d’effectuer des tâches aussi banales à un coût relativement faible. Un autre exemple est que le ML est largement utilisé pour la détection des fraudes dans les services financiers. Nous pourrions avoir des gens qui fouillent des millions et des milliards de transactions, mais il est plus logique de pointer les ordinateurs vers le problème.

Nous savons que la plupart des projets d’IA échouent. Dans l’accent mis par Jordan sur le ML plutôt que sur l’IA, il y a peut-être un indice sur les raisons pour lesquelles les projets d’IA échouent (attentes exagérées) et sur la façon de faire réussir les projets de ML (définir étroitement les projets pour augmenter, et non supplanter, les acteurs humains).

Plus nous devrons « réels » avec l’IA, en d’autres termes, plus nous aurons de chances de réussir. Heureusement, Jordan a écrit, la plupart du temps quand nous parlons d’IA, nous voulons vraiment dire ML. « ML est un domaine algorithmique qui mélange des idées de statistiques, d’informatique et de nombreuses autres disciplines pour concevoir des algorithmes qui traitent les données, font des prédictions et aident à prendre des décisions », a-t-il écrit dans la Harvard Data Science Review. Le ML est essentiel pour « toute entreprise dans laquelle les décisions pourraient être liées à des données à grande échelle », a-t-il ajouté.

ainsi... la première règle pour réussir dans l’IA est d’arrêter de faire de l’IA et de considérer plutôt les problèmes de science des données comme étant fondamentalement liés à l’apprentissage-machine, à la recherche de modèles dans de grandes quantités de données. Ce n’est pas Jetsons, mais c’est réel.

Divulgation : Je travaille pour AWS, mais les opinions exprimées dans le présent document sont les miennes.

A propos de l'Auteur

Matt Asay est un chroniqueur technologique chevronné qui a écrit pour CNET, ReadWrite et d’autres médias technologiques. Asay a également occupé divers postes de direction au sein de sociétés de logiciels mobiles et big data de premier plan.