L’intelligence artificielle

Classer des images, prévoir une consommation ou proposer une traduction sont des tâches différentes. L’intelligence artificielle regroupe des méthodes qui permettent de réaliser certaines de ces tâches avec des systèmes informatiques. Pour comprendre un résultat, il faut examiner le programme, les données et la manière d’évaluer la performance. Une réponse convaincante par sa forme n’est pas une preuve de justesse.

Un ordinateur programmable peut exécuter différents programmes sur une même architecture. Le modèle de machine universelle proposé par Alan Turing dans les années 1930 aide à penser cette possibilité : les instructions décrivent un traitement de symboles. Les ordinateurs actuels disposent notamment d’un processeur qui exécute des instructions et d’une mémoire vive qui conserve les données nécessaires pendant le calcul. Les programmes sont eux-mêmes représentés par des données.

Un algorithme décrit précisément une procédure ; un programme l’exprime dans un langage interprétable ou traduisible pour une machine. Un fichier contenant une image n’est pas, pour cette seule raison, un programme exécutable. Sous un système donné, un exécutable suit un format reconnu ; l’extension seule ne garantit ni sa fonction ni son innocuité. Une feuille de calcul contenant des instructions automatisées demande aussi de comprendre ce qu’elles font.

Numériser un texte, une image ou un son revient à coder de l’information par des nombres. Un octet comprend huit bits. Dans le codage ASCII simple, un caractère représentable occupe un octet ; ce calcul ne convient pas automatiquement à tous les textes accentués ou à un document de traitement de texte. Les tailles dépendent du codage, des dimensions et de la compression : une extension ne suffit donc pas pour les prévoir.

Dans une approche par règles explicites, des humains choisissent directement des conditions et leurs conséquences. Dans un apprentissage automatique, ils définissent encore la procédure, les données disponibles et un objectif, mais des paramètres du modèle sont ajustés en exploitant des exemples. Dire que la machine apprend ne signifie donc pas qu’aucun programme n’a été écrit. L’apprentissage peut viser une classification, comme distinguer des catégories, ou une valeur numérique, comme prévoir une durée.

En apprentissage supervisé, les exemples possèdent une réponse connue, appelée étiquette. Les données d’entraînement servent à ajuster les paramètres. Des données de validation peuvent aider à choisir le modèle ; un jeu de test réservé sert à l’évaluation finale. Réutiliser les mêmes exemples pour apprendre et annoncer la performance donnerait une mesure trop favorable. Des observations presque dupliquées entre les jeux peuvent également fausser ce contrôle.

Une régression cherche une relation numérique entre des variables. Dans le cas le plus simple, on ajuste une droite y = ax + b. La prédiction remplace x par une nouvelle valeur ; elle ne prouve pas que x provoque y. Les données peuvent aussi être décrites par leurs similarités. Dans la méthode des k plus proches voisins, on examine les k exemples les plus proches selon une distance choisie, puis on propose une catégorie majoritaire.

Un modèle trop complexe peut mémoriser les particularités des exemples au lieu de retrouver des régularités utiles : c’est le surapprentissage. Inversement, un modèle trop simple peut manquer une relation importante. L’objectif est de généraliser à des données nouvelles provenant du contexte visé. Changer de capteur, de langue ou de population peut modifier la distribution des données et dégrader la performance.

Pour un classement en deux catégories, une table croise l’état réel et la réponse du système. Un vrai positif correspond à un cas réellement positif classé positif ; un faux positif à un cas réellement négatif classé positif. Un faux négatif est un cas positif manqué ; un vrai négatif un cas négatif correctement reconnu. Ces effectifs n’ont de sens que si les étiquettes de référence sont elles-mêmes suffisamment fiables.

La sensibilité est la proportion de réponses positives parmi les cas réellement positifs. La spécificité est la proportion de réponses négatives parmi les cas réellement négatifs. La proportion de cas réellement positifs parmi les réponses positives répond à une autre question : elle dépend aussi de la fréquence de départ du phénomène dans la population. Cette inversion de condition est au cœur du raisonnement bayésien.

La même méthode s’applique au filtrage de messages indésirables ou à la reconnaissance d’images. Un taux global de bonnes réponses peut cacher l’échec sur une catégorie rare. Si 99 % des messages sont ordinaires, un système déclarant tout ordinaire atteint 99 % de bonnes réponses et ne détecte aucun message indésirable. Le choix d’une mesure doit donc tenir compte de la question posée et du coût des erreurs.

Un biais peut venir de la collecte, d’étiquettes contestables, d’un échantillon peu représentatif, du choix des variables ou de l’objectif d’optimisation. La qualité des données compte, mais ne garantit donc pas seule l’équité d’une décision. Des corrélations peuvent reproduire des inégalités historiques. Il faut examiner les performances par groupe pertinent et les conséquences des erreurs, avec des méthodes adaptées au contexte.

Un cas réel permet de poser ces questions : le rapport NISTIR 8280, publié par l’institut public américain NIST le 19 décembre 2019, étudie la reconnaissance faciale à partir de photographies. Il compare les faux positifs et faux négatifs selon les groupes et les algorithmes. Il observe des différences de performance variables selon les systèmes. Cette étude datée porte sur les algorithmes testés ; elle ne décrit pas automatiquement tous les outils actuels.

Une corrélation peut provenir d’une cause commune : chaleur, consommation de glaces et fréquentation des piscines peuvent varier ensemble sans que l’achat d’une glace détermine à lui seul le risque de noyade. Une prédiction statistique ne remplace pas une explication causale. Un modèle peut aussi produire une information plausible et erronée ; une source indépendante et la vérification des faits restent nécessaires.

Les usages soulèvent des questions de protection des données, de propriété intellectuelle, de transparence et de responsabilité. Il faut distinguer ce que les mesures de performance établissent et ce qu’une société décide d’autoriser. Dans une application à fort enjeu, nommer la personne responsable, prévoir la contestation et analyser les conséquences d’une erreur sont des questions essentielles. Aucune propriété de conscience n’est nécessaire pour expliquer le fonctionnement décrit ici.