L’Intelligence Artificielle

L’Intelligence Artificielle

C’est un terme large qui peut être définie par un ensemble de méthodes, de techniques, d’actions, de procédures, de tâches réalisées par des machines visant à reproduire l’ensemble cognitif humain. Autrement dit, l’intelligence artificielle a pour ambition de mimer la logique du cerveau humain lorsqu’il prend des décisions.

L’apparition de ce terme s’est faite dans les années 1940-1960. Toutefois on parle d’une véritable « révolution » de ce domaine à partir des années 90, plus exactement en mai 1997 lorsque Deep Blue (système expert d’International Business Machines = IBM) a battu au jeu d’échec, Garry Kasparov, le champion du monde des jeux d’échecs depuis 1985.

A la suite de cet évènement, de nombreuses personnes ont commencé à investir dans le domaine de l’IA. Selon Futura science, en 2015, le marché de l’Intelligence Artificielle pesait 200 millions de dollars et en 2025, il serait estimé à près de 90 milliards de dollars.

Néanmoins, certains spécialistes désapprouvent l’emploi du terme « intelligence » car malgré de bonnes avancées technologiques et techniques dans certains domaines, les résultats restent encore « modestes » au vu des objectifs visés. Par conséquent, ils préfèrent utiliser le nom conforme aux technologies en pratique, qui correspondent aujourd’hui surtout au « Machine Learning ».

Le Machine learning (L’apprentissage automatique)

Le Machine Learning est souvent confondu avec l’Intelligence Artificielle alors qu’il est en réalité une technologie d’Intelligence Artificielle qui permet aux machines d’apprendre sans avoir été spécialement programmées dans ce but. En d’autres termes, la machine va être en capacité d’apprendre par elle-même, ce qui la distingue du système de programmation qui, quant à lui va se contenter d’exécuter à la lettre les règles et méthodes prédéfinies.

Afin de se développer et d’apprendre, les machines nécessitent une base de données à analyser et sur lesquelles s’exercer. C’est ici qu’intervient le Big Data : noyau central du Machine Learning. Ainsi, le Machine Learning est LA technologie parfaite pour exploiter de fond en comble le potentiel du Big Data. Le Machine Learning et le Big Data sont alors deux technologies dépendant entièrement l’une de l’autre. 

Le Machine Learning sert à détecter des répétitions (aussi appelées « pattern ») au sein d’un ou de plusieurs flux de données dans le but d’en tirer des prédictions, des résultats se basant sur des statistiques.

Grâce à cette technologie, un informaticien n’aura pas à coder à la main les règles et pourra laisser l’ordinateur les découvrir par lui-même par correspondance et classification, tout cela au moyen d’une quantité gigantesque de données. Par ailleurs, plus la quantité des données est grande, plus non seulement la puissance des ordinateurs munis de Machine Learning est accrue, et plus son efficacité dans la découverte de nouveaux patterns dans ces données est décuplée face à celle dont ferait initialement l’objet l’intelligence humaine.

En gros, le Machine Learning ne sert pas véritablement à acquérir des connaissances déjà assimilées mais à comprendre comment sont structurées les données et comment les intégrer dans des modèles, afin entre autres, d’automatiser des tâches.

Il est donc important de faire la distinction entre l’IA et le Machine Learning. Le Machine Learning est composé de plusieurs algorithmes qui se basent sur des exemples, des règles, des procédures, qu’on a déjà introduit dans la machine pour faciliter sa compréhension de problèmes spécifiques.

Le Deep learning (L’apprentissage profond)

Le Deep Learning, ou apprentissage profond, est un sous domaine du Machine Learning qui est lui-même un sous domaine de l’Intelligence Artificielle.

Le Deep Learning est une technologie avancée qui est composée d’un réseau de neurones artificiels imitant le réseau de neurones d’un cerveau humain. Ce réseau de neurones est lui-même composé de centaines de « couches » de neurones. Chacune de ces couches reçoit et interprète les informations reçues par la couche précédente. Cet algorithme va permettre aux machines d’apprendre à reconnaître des objets sur des images.

Le nombre de couches des réseaux de neurones est primordial pour le résultat du système. En outre, plus les couches sont nombreuses, plus ils pourront apprendre des choses compliquées, abstraites et correspondant au mieux à la manière dont les humains fonctionnent.

La machine, grâce à ce processus va apprendre par exemple à reconnaître les lettres, puis les mots, pour enfin décrypter un texte entier. Ce système peut également déterminer, en analysant une photo, s’il est composé d’un visage avant même de découvrir de qui il s’agit, que ce soit un animal ou un humain. Quand ce modèle mathématique est exécuté à d’autres cas, le système doit être normalement capable par exemple, de reconnaître un chat sans jamais en avoir vu avant, ni même avoir appris le concept de « chat ».

Pendant le déroulement de ce processus, étape après étape, les « mauvaises » réponses sont éliminées et renvoyées vers les niveaux précédents pour affiner le modèle mathématique. Progressivement, le programme constitue des blocs plus complexes avec les informations découvertes.

Dans le système du Deep Learning, les données de départs sont fondamentales. En effet, la performance du système sera décuplée avec le nombre d’expériences réalisées. De ce fait, le Deep Learning nécessite un grand nombre de données. Pour considérer les résultats comme fiables, le système a besoin de plus de 100 millions de données d’entrées.

Aujourd’hui, grâce aux nombreuses expériences menées par les spécialistes, les réseaux de neurones ne cessent de s’améliorer et leur évolution est visible jour après jour.

L’Intelligence Artificielle dans le recrutement

Nous savons que l’Intelligence Artificielle fait déjà ses preuves dans certains domaines tel que le recrutement.

Elle permet grâce à des algorithmes, d’accroître l’efficacité, la pertinence et la précision de l’analyse des candidats. En effet, sur les réseaux sociaux, ces algorithmes trient et organisent les données en créant des liens entre des postes disponibles et des personnes en recherche d’emploi en prenant en compte différents critères.

L’IA permet également aux recruteurs de gagner du temps durant le processus de Sourcing. Il existe des logiciels qui, avec des algorithmes filtrant des données, peuvent repérer les profils correspondant au mieux à des données précises. On appelle ce système le « Sourcing autonome »

Par ailleurs, elle permet d’instaurer une distance émotionnelle et donc d’accroître l’objectivité des recruteurs. Un recruteur étant un humain avant tout, peut faire de mauvais choix en recrutement dus à des préjugés. L’IA, avec une bonne maîtrise de ses outils, peut permettre d’éviter ces préjugés.

Questionnons-nous

Mais pensons-nous aux effets pervers de cette technologie ? Que devons-nous penser de l’éthique de ce système ? Allons-nous vers un monde transhumanisé ? L’Homme peut-t-il se laisser dépasser par cette technologie ? Aux USA par exemple, selon un spécialiste de L’IA, 38 % des emplois sont susceptibles d'être automatisés d'ici 2030, devons-nous nous inquiéter du sort de nos emplois ? Si une machine est capable de réaliser ce que nous faisons quotidiennement, la place et l’importance de l’humain sur terre sera-t-elle remise en question ? Risquons-nous de perdre des liens sociaux ? Une mauvaise programmation d’une machine telle qu’une voiture automatisée défaillante ou un bras mécanique défaillant ne mènerait-elle pas à une catastrophe à grande échelle ?

U-JOB, Le cabinet de recrutement et conseil RH innovant s’intéresse au monde qui l’entoure.