habillage mobile
premium 1
premium 1
un robot devant un tableau noir

Les I.A. buguent et pas qu'un peu ! Pour les faire progresser, il faudrait les envoyer en stage dans le monde réel

L'ADN
Le 5 nov. 2018

Au départ, les intelligences artificielles industrielles se révèlent rarement efficaces. Les loupés sont nombreux et généralement assez comiques. La faute aux méthodes de développement trop déconnectées de la réalité terrain. Et si la solution consistait à sortir les IA des laboratoires de R&D avant leur mise en service ? 

Une IA, ça trompe énormément !

En janvier 2018, les propriétaires de la nouvelle Tesla S ont eu une expérience désagréable avec l'intelligence artificielle du véhicule. En effet, cette dernière était programmée pour détecter grâce à une caméra la présence d'eau de pluie sur le pare-brise. Manque de chance ; dès que le conducteur de la voiture s'approchait, les essuies glaces s'activaient automatiquement, faisant ainsi gicler de l’eau sur l’infortuné propriétaire. Elon Musk s’est excusé et a promis de régler ce bug.

Mais ce n’est pas la première fois que les intelligences artificielles montrent ces comportements déficients. On se souvient aussi du fameux système Face ID de l’iPhone X qui se laissait berner par un simple masque en papier. Mais ce n’est pas le seul exemple. Entre celles qui ne détectent plus les voitures à un péage routier, pour cause de mauvais temps, ou une autre qui empêche les Asiatiques d'entrer dans un avion, car elle confond les yeux bridés et les yeux fermés sur les photos de passeports, la liste des échecs industriels est sans fin. Qu’est-ce qui peut bien clocher ?

Une IA sans expérience est une IA inutile !

Ce n’est pas la peine de chercher bien loin pour trouver les raisons de ces ratés. Les IA qui sont développées par l’industrie ne sont tout simplement pas prêtes à être déployées, même après de longues années de travail. La faute revient surtout à la méthodologie mise en place pour faire fonctionner ces systèmes.

Des fonds colossaux sont aujourd’hui investis dans la R&D pour recruter des chercheurs et financer le développement d’applications d’IA. Mais le domaine reste encore très neuf. Faute de recul, les data scientists appliquent la méthodologie de leur domaine. Cette dernière consiste davantage à vouloir développer la meilleure technologie qu’à s’intéresser à ses applications concrètes.

Résultat des courses : les algorithmes sont entraînés sans être confrontés au monde réel et réclament, après plusieurs années de développement, de nouvelles phases de test et d’améliorations. Face aux coûts supplémentaires, cette dernière phase est souvent ignorée et les entreprises se retrouvent avec un produit peu performant et parfois impossible à commercialiser. Mais la solution existe.

Tester et faire échouer les IA : la vraie clé du succès

Vouloir créer l’IA parfaite, c’est bien. Mais vouloir créer une IA sans bug, c’est mieux ! En effet, pour éviter les algorithmes vierges de toutes expérience il faut adopter une méthodologie différente, fondée sur la notion d’itération.

Concrètement, il faut construire un prototype, le tester en conditions réelles, et repérer toutes ses erreurs. Une fois ces premiers tests effectués, il faut reprendre le développement du produit en fonction des retours, un peu comme ce qui se fait dans le monde des logiciels. Cette méthode permet de créer rapidement des prototypes d’IA, de les mettre en production puis de les améliorer de manière itérative afin d’initier un cycle d’amélioration continue.

Pour la mettre en œuvre, ce n’est donc pas un scientifique de la donnée que vous devez embaucher, mais plutôt un AI Manager chargé de créer et de faire évoluer des IA grâce à leurs connaissances métiers et aux retours du monde réel.


Crédit photo : Getty Images

Commentaires

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée.