Les 4 plus gros inconvénients de l’intelligence artificielle
Compétences techniques, ressources, acculturation et biais algorithmiques. Ces 4 inconvénients de l'intelligence artificielle peuvent faire peur. Décryptage.
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 :
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.
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 :
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 :
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.
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.
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 :
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 !
Nous avons échangé avec Yannick Bessette, fondateur et CEO chez Beslogic suite au récent recrutement