Dans une école mexicaine en 1999.
Photo Mat Jacob. Tendance floue
Les machines savent aujourd’hui apprendre depuis des données formatées. Leur prochain défi : comprendre le monde et découvrir le sens commun. Yann LeCun, «monsieur IA» chez Facebook, y travaille.
Depuis 2013, Yann LeCun est à la tête de FAIR, le pôle de recherche fondamentale sur l’intelligence artificielle (IA, ou AI en anglais pour Artificial Intelligence) de Facebook. Un recrutement qui ne doit rien au hasard, le Français étant considéré comme le père des technologies de deep learning(«apprentissage profond») fondées sur des réseaux de neurones artificiels. Cet apprentissage permet à une machine d’effectuer des tâches complexes pour laquelle elle a été au préalable entraînée.
Au milieu des années 90, Yann LeCun a ainsi mis au point un système de reconnaissance d’écriture pour les chèques bancaires. En utilisant la même méthode, il est possible aujourd’hui d’élaborer des apprentissages plus complexes. Par exemple, apprendre à reconnaître un cheval dans une photo… Pour cela, il faut de très nombreuses images dont on sait qu’elles contiennent des chevaux. A chaque image, le réseau de neurones va s’adapter et, au bout du processus, il pourra détecter la présence d’un cheval dans n’importe quelle image. On parle alors d’apprentissage supervisé. On a rencontré le chercheur dans les locaux de Facebook, à Paris. Il s’intéresse aujourd’hui à rendre cet apprentissage plus souple et à donner aux machines une connaissance plus générale du monde.
Pour le commun des mortels, l’IA a encore quelque chose de très mystérieux. Soit c’est compliqué à expliquer, soit c’est compliqué à comprendre, mais on reste face à des notions qui semblent inaccessibles…
C’est compliqué à expliquer, c’est vrai, mais pas vraiment pour les gens qui sont versés dans le domaine. On entend souvent qu’on ne peut pas savoir comment fonctionne un réseau de neurones profond une fois qu’il est entraîné. En fait, on peut le savoir. On peut décortiquer très précisément toutes les opérations. Par contre, le résultat auquel il arrive, ce n’est pas quelque chose qu’on pourrait concevoir à la main. La raison pour laquelle ces systèmes sont si impressionnants, c’est qu’ils font des choses que des ingénieurs et des chercheurs ont cherché à faire durant des décennies sans y parvenir.
