Les 4 plus gros inconvénients de l’intelligence artificielle

L’intelligence artificielle, aussi appelée IA, est annoncée comme THE grande révolution du XXIe siècle.

Le gouvernement a même décidé d’injecter 2 milliards d’euros dans la formation et le recrutement de spécialistes en intelligence artificielle. Tout de même !

Car son potentiel est conséquent et fait rêver.

Si les médias, films et jeux vidéos reprennent à leur compte certaines applications futuristes, d’autres sont très concrètes :

• la voiture autonome
• les algorithmes de détection de maladies cancéreuses
• l’analyse d’images
• la prédiction 3D des protéines, qui permet d’itérer beaucoup plus vite en biologie et sur la recherche de vaccins

Une entreprise qui entend parler d’intelligence artificielle en conclura qu’elle est la solution à tout problème.

Quand on veut passer à l’action, c’est une autre paire de manches.

Ressources, compétences techniques, acculturation… Je vous dis tout dans cet article sur les freins à l’adoption de l’intelligence artificielle.

Spoiler alert : elle reste accessible à tout le monde, avec simplement quelques connaissances. On vous en parle dans cet autre article.

‍

Inconvénient 1 – Les contraintes techniques de l’intelligence artificielle

Cela peut sembler simple d’utiliser l’intelligence artificielle sans la comprendre. Malheureusement, le jour où vous allez devoir déboguer, les choses risquent de se compliquer.

N.B pour les plus novices d’entre nous : déboguer signifie éliminer les anomalies de fonctionnement d’un programme.

Même si je vous disais plus haut que l’intelligence artificielle est accessible à tous, soyons honnêtes : de très nombreuses compétences, comme l’informatique, l’ingénierie et les maths sont mobilisées.

Il est donc essentiel d’essayer de comprendre les problèmes d’optimisation et les différents modèles.

La première difficulté est la compréhension des modèles mathématiques.

Fondamentalement, si vous avez compris le principe d’optimisation, les algorithmes de machine learning ne sont rien d’autre que des fonctions particulières à optimiser. Rien de plus, rien de moins

La seconde difficulté, ce sont les compétences techniques, et notamment le développement. Si la modélisation est essentielle, l’orchestration de l’entrainement et la mise en production sont aussi des étapes-clés pour :

• récolter des données en entrée
• récupérer un modèle qui a déjà appris ou qui part de zéro
• le faire apprendre
• vérifier les résultats
• le mettre à disposition pour les prédictions

Si on utilise une analogie, une fois que vous avez conçu le mécanisme de votre jouet, il faut ensuite créer la coque en plastique que vous allez utiliser pour l’habiller.

En parlant de développement, Python est le langage de prédilection pour l’intelligence artificielle. Retrouvez ici notre cours gratuit pour apprendre les bases.

Quelques exemples d’outils à maîtriser :

• Flask et Django pour packager votre code en Python
• Mlflow pour le développement
• Airflow pour l’orchestration
• Docker et Kubernetes pour le déploiement

Il faut également garder à l’esprit que chaque entreprise possède déjà son réseau SI. Ça peut donc être un véritable challenge d’intégrer de nouveaux outils.

Inconvénient 2 – Les ressources pour entraîner un algorithme d’intelligence artificielle

Au-delà des compétences techniques, les algorithmes d’intelligence artificielle sont aussi très gourmands en ressources.

Prenons l’exemple de GPT 3, une intelligence artificielle développée par OpenAI, l’entreprise de recherche en IA co-fondée par Elon Musk. Elle est capable de créer du contenu écrit avec une structure de langage digne d’un texte rédigé par un humain. Cette invention est l’une des plus importantes avancées réalisées dans le domaine de l’IA ces dernières années car l’algorithme n’a pas été entrainé pour une tâche précise, il a une véritable “compréhension” globale du langage.

Entraîner un algorithme comme celui-ci nécessite près 45 To de données textuelles. Si l’on prend une simple note textuelle sur votre ordinateur, elle pèse simplement quelques Ko, ce qui représente près de 45 milliards de Ko.

Si vous vouliez héberger GPT 3 en mémoire vive sur votre ordinateur, il vous faut 175 gigas de mémoire. Avec un PC puissant, vous cumulez seulement 16 gigas. Vous comprenez donc bien que ce système est réservé à des infrastructures particulièrement costaudes.

Il faut savoir que c’est généralement la puissance de calcul qui coûte cher.

Si vous souhaitez reproduire un GPT 3 par vos propres moyens, quand bien même vous arrivez à trouver les bonnes ressources, il vous faudrait 355 années d’entraînement pour un total de 4,6 millions de dollars.

Inconvénient 3 – L’acculturation à l’IA

En entreprise, quand on parle d’un projet data, tout le monde a généralement des étoiles dans les yeux. En réalité, la mise en place est généralement plus douloureuse.

Voici une liste exhaustive des inconvénients de l’intelligence artificielle pour l’acculturation :

• La peur de l’inconnu : le fonctionnement des algorithmes d’IA peut sembler opaques à certains. Or, ce manque de connaissance effraye et pose problème.
• Le cycle de développement relativement long : dans les faits, vous ne pourrez pas utiliser tel quel des modèles déjà entraînés. Il vous faudra lancer des essais, jouer avec les paramètres et lancer d’autres essais. Le tout demande bon nombre de cycles de développement.
• La gouvernance : vous devez vous assurer de savoir où sont les données et à quoi elles correspondent à tout moment. Les équipes doivent être sensibilisées à ces problématiques.
• Les problèmes éthiques : effectivement, il est possible de se retrouver face à des biais algorithmiques. À garder en tête : ces biais dépendent toujours des données que vous intégrez lors de la phase d’entraînement. C’est ce qu’on appelle le « trash in trash out » : vous mettez des données biaisées en entrée, elle ressortent biaisées en sortie.
• Le retour sur investissement. Ce type de projet coûte très cher : le recrutement des ingénieurs, les ressources informatiques… Or, il est impossible de connaître le revenu en amont du lancement. Aucun ROI n’est donc garanti.
• Le partage de résultat. Dans le cas où vos résultats contiennent des erreurs, il est très difficile d’analyser finement ces dernières. Quand vous travaillez sur des modèles contenant des milliards de paramètres, vous ne saurez pas déterminer le cheminement de votre algorithme. Il faut donc sensibiliser les parties prenantes et travailler « l’explicabilité » de votre modèle.

Inconvénient 4 – L’intelligence artificielle et ses biais algorithmiques

À mon sens, il s’agit d’un des inconvénients majeurs.

Regardez n’importe quelle vidéo, par exemple un replay de The Voice. L’algorithme vous proposera ensuite d’autres vidéos de l’émission, car il a été optimisé pour que vous restiez le plus longtemps possible sur la plateforme. Ce dwell-time est d’ailleurs l’un des indicateurs les plus suivis par Youtube notamment.

On appelle cette méthode le collaborative filtering. C’est notamment ce système de recommandations qui a permis à Netflix de se faire connaître.

Donc si vous regardez des vidéos complotistes, l’algorithme vous suggèrera toujours plus de vidéos complotistes. Vous vous retrouverez donc avec une masse d’informations sur cette thématique, potentiellement erronées. Comme vous ne voyez que cette version de l’histoire, vous allez finir par y croire.

Certains réseaux sociaux, à l’image de Youtube, tentent de lutter contre ce biais en décidant quel type de contenu peut être montré ou non. On ouvre ici un autre débat, éthique celui-là.

On recense aussi bon nombre de cas de racisme parmi les résultats des algorithmes. Comme je le disais plus haut, tout dépend des données qui ont été intégrées en entrée.

Je vous conseille d’ailleurs de regarder la vidéo AlgoTransparency sur ce sujet si vous voulez aller plus loin.

Est-ce que tous ces freins sont signe de mort des projets IA ? Bien sûr que non ! Paul vous explique tout dans cet autre article !

‍