New Quote Box Martinez

Un moniteur de trafic pour la transformation numérique

L’intelligence artificielle fait déjà tourner la tête aux industries et la technologie est prête à avoir un impact encore plus grand sur le monde dans les années à venir. Les médecins utilisent des outils d’IA pour aider au diagnostic, les constructeurs automobiles s’efforcent de faire des véhicules autonomes une réalité généralisée et presque tous les jours, nous consultons des publicités en ligne ou mobiles qui ont été sélectionnées spécialement pour nous par un algorithme.

Trop souvent, cependant, les chefs d’entreprise et les responsables informatiques ont une vision limitée de l’IA. Ils se concentrent souvent presque exclusivement sur l’apprentissage automatique (ML) – parfois même en utilisant «ML» comme synonyme de «AI». Mais les technologies de l’IA sont, en fait, des catalyseurs clés pour des systèmes complexes. Ils nécessitent non seulement des technologies ML, mais également des capteurs et des sources de données fiables, des processus de conditionnement des données appropriés et un équilibre entre les interactions entre l’homme et la machine. Rassembler tous ces sous-composants disparates ensemble nécessite une approche d’ingénierie système – une approche qui, malheureusement, fait défaut dans la vision et la mise en œuvre de l’IA par de nombreuses organisations.

Pour tirer le meilleur parti de leurs initiatives en matière d’IA, les chefs d’entreprise et les responsables informatiques doivent prendre en compte l’ensemble de l’écosystème entourant leurs systèmes d’IA, puis planifier de recruter et de conserver des équipes multidisciplinaires talentueuses qui peuvent les aider à chaque étape du développement et du déploiement.

Architecture du système AI

Une vue complète de l’IA devrait inclure les sous-composants suivants:

Capteurs et sources. Il y a de bonnes et de mauvaises nouvelles concernant la collecte de données, et elles sont toutes les mêmes: nous collectons maintenant plus de données que jamais, certains observateurs estimant que 90% de toutes les données mondiales ont été collectées au cours des deux dernières années. . Et 80% de ces informations sont sous la forme de données non structurées (photographies, vidéos, discours, textes, etc.) qui ne seraient pas mises à l’échelle si elles étaient stockées dans des bases de données relationnelles standard. Toutes ces nouvelles données représentent une énorme opportunité dans le domaine de l’IA, mais elles représentent également un défi important.

Conditionnement des données. Avec autant de données à portée de main, les scientifiques des données doivent concevoir de nouvelles façons de prétraiter les données et d’éliminer le «bruit» afin que les algorithmes ML puissent donner un sens à tout cela. Dans cette sous-composante d’un système d’IA de bout en bout, les scientifiques des données utilisent des techniques pour transformer les données brutes en informations. Les informations de données résultantes sont ensuite entrées dans un sous-composant ML pour extraire des connaissances.

Apprentissage automatique. Une fois les données structurées et non structurées transmises aux outils ML, les spécialistes peuvent commencer à essayer différents types de techniques pour glaner des connaissances à partir des données conditionnées. Il existe de nombreuses classes de techniques de ML, y compris l’apprentissage non supervisé où aucune donnée étiquetée n’est nécessaire; apprentissage supervisé nécessitant des données étiquetées; et l’apprentissage par renforcement bien adapté aux cas où l’on peut identifier des objectifs, des actions et des récompenses sans nécessairement exiger des données étiquetées.

Association homme-machine. Encore une fois, les outils ML sont souvent confondus avec l’intégralité de l’IA. Mais en prenant du recul, il est facile de voir que le ML n’est qu’un sous-composant le long d’une chaîne. Même une fois que les machines ont tiré leurs conclusions en convertissant les informations en connaissances, le processus consistant à agir réellement sur les connaissances dérivées des algorithmes ML doit être suivi d’une interaction entre les humains et les machines en tant qu’équipes. Par exemple, un algorithme ML peut prendre des données de scans tels que les IRM ou les rayons X pour détecter les cellules potentiellement cancéreuses. Mais après cela, il appartiendra aux médecins humains d’évaluer l’exactitude de l’évaluation de l’outil ML et d’effectuer des tests supplémentaires pour vérification. L’association homme-machine permet d’acquérir des connaissances et d’en tirer des informations.

Utilisateurs (mission). Il s’agit de la partie où les utilisateurs ont réellement utilisé les informations dérivées pour décider des mesures à prendre. C’est là que les médecins ajustent leurs plans de traitement, ou les services de la défense nationale formulent ou modifient leurs plans d’action, ou les voitures sans conducteur évitent les obstacles. C’est le résultat – tout le but d’un système d’IA de bout en bout.

Informatique moderne. Tous ces processus reposent sur un certain nombre de technologies informatiques modernes, notamment les unités centrales de traitement, les unités de traitement graphique, les unités de traitement des tenseurs, l’informatique neuromorphique et les outils d’informatique quantique, pour n’en nommer que quelques-unes couvrant la gamme de plus en moins à maturité. Le choix de la technologie informatique dépend de la quantité de données, du type d’algorithmes et de l’environnement informatique.

Par exemple, un système d’intelligence artificielle peut être déployé dans un environnement de cloud computing (avec une taille, un poids et un budget de puissance plus disponibles) vers une informatique de bord (avec une taille, un poids et un budget de puissance plus restreints) ou une approche hybride.

AI robuste. Ce dernier sous-composant d’une approche holistique de l’IA est en réalité un ensemble de sous-systèmes plus petits que les organisations doivent continuellement appliquer à leurs outils d’IA pour s’assurer qu’ils sont aussi précis et sûrs que possible. En termes simples, les organisations doivent s’assurer que leurs algorithmes de ML sont «explicables», c’est-à-dire que les utilisateurs peuvent au moins comprendre les connaissances dérivées avant de prendre des mesures.

Les données et les algorithmes doivent également être étroitement surveillés afin de détecter tout biais; certains programmes de reconnaissance faciale, par exemple, ont eu du mal à identifier avec précision les personnes de couleur. Des outils et des pratiques de sécurité doivent être appliqués pour éviter que les données et / ou les techniques de ML ne soient reprises par les adversaires. Et des politiques et une formation doivent être mises en place pour garantir une utilisation sûre et éthique des systèmes d’IA.

Regarder vers l’avant

On me demande souvent: «Quelles sont les applications pratiques de l’IA pour une industrie donnée?» En règle générale, l’IA a beaucoup de sens pour les cas d’utilisation où les gens effectuent des tâches de routine; lorsque de grandes quantités de données sont impliquées (volume); lorsque les utilisateurs souhaitent tirer des prévisions / classifications (caractérisations de vitesse) ou des caractérisations à partir des données; et là où il y a un besoin d’évolutivité à partir de différents types de données (variété).

Actuellement, la plupart des applications de l’IA se limitent à produire ce que j’appelle des informations «basées sur le contenu».

Ce sont des cas d’utilisation importants et puissants qui rendent les utilisateurs plus efficaces et améliorent la prise de décision. Mais au fil du temps, l’IA évoluera pour inclure davantage d’applications basées sur la collaboration, avec plusieurs équipes homme-machine travaillant ensemble. Et à terme, les systèmes d’intelligence artificielle obtiendront de plus en plus d’informations basées sur le contexte qui reflètent de plus près la prise de décision humaine à l’aide de machines intelligentes plus sophistiquées.

Pour participer à cette évolution et profiter des avantages qui en découlent, les organisations doivent rompre avec leurs anciennes façons de penser et adopter une approche de l’IA qui met l’accent sur plusieurs sous-composants travaillant ensemble d’une manière d’ingénierie système intégrée.

David R. Martinez, co-instructeur du cours de formation professionnelle du MIT Leadership en ingénierie à l’ère de l’IA, est membre du Lincoln Laboratory Fellow du MIT Lincoln Laboratory. Ses recherches portent sur les domaines de l’intelligence artificielle, du calcul haute performance et de la transformation numérique.

Articles similaires

Commencez à saisir votre recherche ci-dessus et pressez Entrée pour rechercher. ESC pour annuler.

Retour en haut