Les dernières tendances de l’IA face au monde réel

Le 15 décembre était présentée la Technoférence “Les dernières tendances de l’IA face au monde réel”. Organisée par Images & Réseaux et TES, elle est également soutenue par ESEO et DIVA. Celle-ci revenait sur les dernières tendances de l’IA par l’intermédiaire d’intervenants d’entreprises et d’établissements académiques.

Lors de cette matinée, voici les personnes qui sont intervenues :

• Élisa FROMONT, PR Université de Rennes 1 / IRISA
• Pierre GIRARDEAU, Associé – Directeur Data Science & Production, Cross Data
• Mathias BOLLAERT, Thales DMS, actuellement chercheur en détachement à l’IMT Atlantique Brest, Lab-STICC
• Olivier GRISVARD, Thales DMS France
• Alexandre AGOSSAH, Ergonome IHM / Doctorant, LS2N/SIGMA/Ecole de design Nantes Atlantique
• Eric FONTES, Responsable produit – Pôle Numérique – Groupe Zekat
• Mathieu LEONARDON, Maître de Conférences, IMT Atlantique, LAB-STICC
• Loïc CUDENNEC, Chargé d’Expertise en Intelligence Artificielle, DGA Maîtrise de l’Information
• Simon BOISSERPE, Conseiller Développement & Innovation Numérique, coordinateur du EDIH DIVA
• François KHOURBIGA, CEO, Defants

Le panel des domaines de l’IA et les challenges du machine learning

Nous en avons appris davantage sur l’apprentissage automatique et ses principaux paradigmes (apprentissage supervisé, non supervisé et apprentissage de renforcement). Nous avons vu en quoi l’IA pouvait être un véritable outil d’aide à la décision, de représentation de l’information, de raisonnement, de résolution des problèmes… Il est vrai que l’IA ne fait pas l’unanimité donc il était aussi question de la dédramatiser. “C’est une science de l’informatique, pas un être virtuel omniscient et omnipotent” expliqua Elisa Fromont. En effet, on ne parle pas toujours d’IA mais d’une automatisation des processus.

La notion d’algorithmes a été abordée et la compression des modèles de machine learning :

• Élagage : suppression des connexions entre neurones…
• Quantification : multiplication des matrices, pooling (mise en commun du regroupement de ressources dans le but de maximiser les avantages ou de minimiser les risques pour les utilisateurs)…
• Approximation de rang fibre et parcimonie : identifier les paramètres redondants dans le réseau en employant des techniques de décomposition de matrices…
• Recherche d’architectures neuronales : chercher automatiquement la plus petite architecture pour répondre au problème

Elisa Fromont à rappelé les challenges actuels en apprentissage automatique :

• Frugalité
• Adaptabilité
• Confiance

Quelques notions sur l’explicabilité des algorithmes.

“Ne croyez pas l’IA sur parole” expliquait Pierre Girardeau. Des études de cas permettaient de mieux saisir l’enjeu que la configuration des algorithmes pouvait avoir (réseau de neurones, régression linéaire…).

Le principe de confiance fait partie intégrante de ce principe d’explicabilité. C’est une approche cognitive. Deux intervenants de l’entreprise Thales (Mathias Bollaert et Olivier Grisvard) ont présenté leur approche de l’IA. À travers le temps, Thales s’est renforcée en IA avec de nombreux rachats mais aussi des initiatives lancées comme AI Cen Tech (accélérateurs corporatifs dont l’objectif est de co-développer des solutions innovantes pour les grands marchés servis par le Groupe. Il y a 200 experts IA dans le groupe et des actions de formation sont mises en place pour doubler ce volume d’experts d’ici une dizaine d’années. Leurs solutions IA s’appliquent dans différents secteurs : l’aéronautique, la défense, la sécurité…

Pourquoi l’explicabilité est-elle nécessaire en IA ?

Mathias Bollaert explique que l’IA est de plus en plus utilisée pour ses performances supérieures à celle des humains. Seulement elle pose des problèmes pour les systèmes critiques car les IA se trompent parfois (surapprentissage, biais, sensibilité…)

Il affirme que les réseaux profonds ne “raisonnent” pas comme les humains. Ainsi, plus l’IA est précise, moins elle est compréhensible.

Les notions de l’explicabilité et de la confiance ont été ensuite abordées d’un point de vue neuro-cognitif (modèles mentaux, structures cérébrales…). Mathias Bollaert a étayé :

• L’ensemble de processus cognitifs (confiance, explication, compréhension, décision)
• L’interprétation du comportement de l’utilisateur (charge cognitive, tâche, profil individuel)
• La manière de collaborer (dialogue, ergonomie, interaction)
• L’humanisation du fonctionnement de l’IA (séquentialité)

Que veulent dire « acceptabilité » et « accessibilité » en IA ?

Alexandre Gossah a introduit cette thématique en évoquant l’acceptabilité et la confiance des outils d’aide à la décision.

L’ergonome a d’abord énoncé trois axes de développement :

• Quelle est la place de l’humain dans la conception de solutions IA ?
• Quelles collaborations possibles entre Humain & IA ?
• Qu’est-ce qui est acceptable individuellement et collectivement ?

Il a défini l’acceptabilité comme la prise en compte des facteurs humains dans l’utilisabilité d’outils informatiques (acceptabilité sociale et pratique).

Alexandre Agossah a décrit 3 préoccupations envers l’acceptabilité de l’IA : l’augmentation par l’IA, la soumission par l’IA et le remplacement par l’IA.

Il a poursuivi en développant l’idée que rendre acceptable l’IA passait par plusieurs étapes et notamment celle de la transparence des modèles prédictifs. Sa théorie vise à dire que l’humain sera plus favorable à se servir d’une solution IA qu’il connaît.

Et l’accessibilité ?

Les thématiques de la frugalité et l’IA embarquée. 

Eric Fontes a évoqué comment a pris forme son projet Ortikat :

Conception et développement d’une “box agricole” pour des applications d’IA au plus près du terrain sur un itinéraire technique présélectionné (du semi à la récolte). Pour faire ce projet, il a mis en œuvre des outils d’aide à la décision pour :

• du prévisionnel d’interventions
• de l’optimisation des coûts, des intrants
• de l’optimisation logistique
• de l’optimisation énergétique…

Ensuite, il développe sur la frugalité et l’edge computing (méthode de traitement des données qui se fait localement) en s’appuyant sur deux expérimentations types : la culture maraîchère de salades et la culture de la betterave sucrière.

• Traçabilité automatique d’intervention
• Optimisation du calendrier d’intervention
• Prévision de récolte
• Qualité du sol
• Optimisation logistique de la récolte

Pour finir, Mathieu Leonardon, a évoqué  “La Compression de Réseaux de Neurones » en revenant sur les principes fondamentaux que sont l’élagage, la quantification, la factorisation…Pour illustrer ses propos, il s’est appuyé sur des exemples concrets d’entreprises comme Stellantis qui ont déployé de nombreuses applications :

• Traitement du langage naturel
• Vision par ordinateur
• Systèmes de recommandation
• Classification série temporelles…

Cette technoférence sur les tendances de l’IA a permis, à chacun des professionnels présents d’en savoir plus sur le fonctionnement, les caractéristiques, les applications et les apports de l’IA. On a pu comprendre, grâce à des exemples concrets comment l’IA pouvait s’inscrire dans divers secteurs d’activités (industrie, santé, agriculture…) et pour des usages différents.