Ce que l'IA peut et ne peut pas (pour l'instant) faire pour votre entreprise

L'intelligence artificielle est une cible mouvante. Et voici comment le viser au mieux.

L'intelligence artificielle (IA) semble nous entourer de tous les côtés. Nous le rencontrons à la maison et au téléphone. Nous n'aurons même pas le temps de reprendre nos esprits - selon les entrepreneurs et les innovateurs commerciaux - comment l'IA sera présente dans presque tous les produits et services que nous achetons et utilisons. De plus, la portée de son application à la résolution de problèmes commerciaux grandit à pas de géant. Dans le même temps, les doutes sur les conséquences de l'avènement de l'IA grandissent; nous nous inquiétons de la façon dont l'automatisation affectera le lieu de travail, la disponibilité des emplois et la société.

Parfois, la réalité est perdue entre les peurs et les triomphes des gros titres qui parlent d'Alexa, Siri et AlphaGo, car les technologies de l'IA - l'apprentissage automatique et son sous-ensemble, l'apprentissage profond - ont de nombreuses limites, dont le dépassement nécessitera beaucoup d'efforts. Cet article décrit ces limitations et devrait aider les administrateurs à mieux comprendre ce qui entrave exactement leurs tentatives d'implémenter l'IA. Nous décrirons également des percées prometteuses visant à supprimer certaines restrictions et à créer une nouvelle vague d'opportunités.

Nos perspectives dépendent d'une combinaison de travaux de pointe - recherche, analyse, évaluation de centaines de cas réels d'utilisation - et collaboration avec certains penseurs avancés, scientifiques et ingénieurs travaillant dans des domaines avancés liés à l'IA. Nous avons essayé d'extraire l'essence de leur expérience et d'aider les directeurs d'entreprises qui, comme le montre notre expérience, ne sont souvent guidés que par leur propre initiative et ne comprennent pas toujours bien où se trouvent les avancées ou ce qui est déjà disponible pour l'IA.

En termes simples, les problèmes et les limites de l'IA créent un problème de «cible mobile» pour les dirigeants: il leur est difficile de se rendre à la pointe, car elle se déplace constamment. Il est également souvent frustrant lorsque des tentatives d'utilisation de l'IA tombent sur des barrières du monde réel - cela peut diminuer la motivation pour de nouveaux investissements ou conduire à un point de vue «attendre et voir», tandis que d'autres continueront à avancer. Une étude récente du McKinsey World Institute montre qu'il y a un écart croissant entre les dirigeants et ceux qui sont à la traîne dans l'utilisation de l'IA - et cela peut être observé à la fois en comparant différentes industries et au sein de chacune d'elles (pièce 1).


Figure 1: les dirigeants de l'IA dans un avenir proche vont y investir encore plus. Vertical: estimer l'augmentation des dépenses en IA en% au cours des trois prochaines années; horizontal: pourcentage d'entreprises utilisant déjà l'IA

Les administrateurs qui tentent de combler l'écart devraient pouvoir travailler avec l'IA de manière informée. En d'autres termes, ils doivent comprendre non seulement dans quels domaines l'IA peut stimuler l'innovation, les idées et la prise de décision, conduire à une augmentation des profits et de l'efficacité - mais aussi là où l'IA n'est pas encore en mesure d'aider. De plus, ils doivent accepter la relation et les différences entre les contraintes techniques et organisationnelles - les barrières culturelles, le manque de personnel capable de créer des solutions d'IA clé en main pour les entreprises et le problème du «dernier kilomètre» de l'intégration de l'IA dans les produits et les processus. Si vous voulez devenir un leader qui comprend certains des problèmes techniques critiques qui ralentissent les progrès de l'IA et qui est prêt à profiter des développements prometteurs qui peuvent surmonter ces limitations et potentiellement changer la voie du développement de l'IA, lisez la suite.

Défis, limites et opportunités

Un point de référence utile sera de comprendre les progrès récents de la technologie d'apprentissage en profondeur (GO). Ce sont probablement les développements les plus excitants dans le domaine de l'IA, et ils ont réalisé une augmentation explosive de l'efficacité dans les classifications et les prévisions, sans supervision traditionnelle. GO utilise des réseaux de neurones à grande échelle capables de contenir des millions de «neurones» simulés répartis en couches. Les options de réseau les plus courantes sont appelées réseaux de neurones convolutionnels (SNA) et réseaux de neurones récurrents (RNS). Ces réseaux de neurones sont entraînés à l'aide de données d'apprentissage et d' algorithmes de rétropropagation .

Si des progrès impressionnants ont été accomplis dans ce domaine, il reste encore beaucoup à faire. Le moment critique est d'adapter l'IA à une tâche spécifique et aux données disponibles. Étant donné que ces systèmes ne sont pas programmés, mais formés, divers processus de leur travail pour l'exécution exacte de tâches complexes nécessitent souvent une énorme quantité de données balisées. Obtenir un grand ensemble de données peut être délicat. Dans certains domaines, ils peuvent tout simplement ne pas exister, mais même s'ils existent, l'étiquetage peut nécessiter une énorme quantité de ressources humaines.

De plus, dans ces modèles, il peut être difficile de déchiffrer comment un modèle mathématique, formé avec l'aide de GO, parvient à une certaine prédiction, recommandation ou solution. L'utilité d'une boîte noire, même si elle remplit son objectif, peut être limitée, en particulier dans les cas où ses prédictions ou décisions affectent la communauté et ont des conséquences liées à la santé humaine. Dans de tels cas, l'utilisateur a souvent besoin de savoir «pourquoi» - par exemple, comment exactement l'algorithme a abouti à de telles recommandations - si ses actions peuvent avoir des conséquences légales ou réglementaires. Pourquoi certains facteurs, et non certains autres facteurs, étaient essentiels dans ce cas.

Examinons cinq facteurs interdépendants dans lesquels ces limitations et les options émergentes pour les contourner commencent à jouer un rôle.

Limite 1: balisage de données

La plupart des modèles d'IA modernes s'entraînent en utilisant «l'apprentissage supervisé». Cela signifie que les gens doivent marquer et classer les données sources - et un tel travail peut être difficile et sujet aux erreurs. Par exemple, les entreprises de robomobile embauchent des centaines de personnes pour étiqueter manuellement plusieurs heures de vidéo pour aider à former ces systèmes. Dans le même temps, de nouvelles technologies prometteuses apparaissent - par exemple, le contrôle du streaming (démontré par Eric Horvitz et ses collègues de Microsoft Research), dans lequel les données peuvent être marquées lors d'une utilisation naturelle. Les approches non contrôlées ou partiellement contrôlées réduisent le besoin de grands ensembles de données étiquetés. Deux techniques prometteuses sont la formation de renforcement et un réseau génératif-compétitif .

Entraînement renforcé. Cette technique d'apprentissage non supervisée permet aux algorithmes d'apprendre simplement par essais et erreurs. La méthodologie utilise la méthode de la carotte et du bâton: pour chaque tentative d'accomplir une tâche, l'algorithme reçoit une récompense (par exemple, un score élevé) si son comportement réussit, ou la punition sinon. Avec une augmentation du nombre de répétitions, l'efficacité augmente également et, dans de nombreux cas, elle dépasse les capacités humaines - tant que l'environnement d'apprentissage correspond au monde réel.

L'apprentissage renforcé est célèbre pour l'utilisation de jeux informatiques dans l'enseignement des ordinateurs - récemment, des médecins généralistes ont également été intégrés à ce programme. En mai 2017, par exemple, il a aidé le système AlphaGo AI à battre le champion du monde Ke Ze dans le jeu de go. Autre exemple, Microsoft a commencé à fournir des services qui bénéficient d'un apprentissage renforcé et s'adaptent aux préférences des utilisateurs. L'application potentielle de l'apprentissage renforcé convient à différents types d'entreprises. Parmi les possibilités figurent: le négoce de titres à l'aide de l'IA, qui gagne ou perd des points pour l'acquisition ou la perte de financement; moteur de recommandations de produits, recevant des points pour chaque vente effectuée sur la recommandation; Un logiciel qui crée des itinéraires pour le transport de marchandises, reçoit une récompense pour une livraison à temps ou une consommation de carburant réduite.

L'apprentissage renforcé peut également aider l'IA à transcender les limites naturelles et sociales du balisage humain en développant des solutions auxquelles personne n'a pensé auparavant et des stratégies que même les joueurs expérimentés n'ont jamais pensé utiliser. Récemment, par exemple, le système AlphaGo Zero, utilisant une formation de renforcement d'un nouveau type, a vaincu son prédécesseur AlphaGo en apprenant à jouer à partir de zéro. Cela signifiait commencer par un jeu complètement aléatoire avec vous-même, au lieu de pratiquer dans des jeux joués par des personnes et avec des personnes.

Réseaux génératifs-accusatoires (GSS). Dans ce modèle de formation à contrôle partiel, deux réseaux se font concurrence pour améliorer et affiner leur compréhension d'un certain concept. Par exemple, afin de reconnaître à quoi ressemblent les oiseaux, un réseau essaie de trouver les différences entre les images réelles et fausses des oiseaux, et son concurrent essaie de le tromper en émettant des images très similaires aux images d'oiseaux, mais pas celles-ci. Lorsque deux filets commencent à dessiner, la représentation de l'oiseau dans chaque modèle devient plus précise.

La capacité de l'ESG à fournir des exemples de données de plus en plus plausibles peut réduire considérablement la nécessité pour les utilisateurs d'étiqueter les ensembles de données. Par exemple, pour former l'algorithme de reconnaissance des tumeurs dans les images médicales, des millions d'images étiquetées par des personnes seraient généralement nécessaires pour indiquer les types et les stades de développement tumoral. À l'aide de l'ESG, formés pour produire des images de plus en plus réalistes de divers types de tumeurs, les chercheurs peuvent former l'algorithme de reconnaissance des tumeurs, combinant une base de données beaucoup plus petite de données marquées par des personnes avec les résultats de l'ESG.

Bien que l'utilisation de l'ESG pour établir des diagnostics précis de maladies soit encore loin d'être mise en œuvre, les chercheurs commencent déjà à utiliser l'ESG dans des contextes de plus en plus complexes. Il s'agit notamment de: comprendre et produire des œuvres d'art dans le style d'un artiste particulier; l'utilisation d'images satellites et la reconnaissance des caractéristiques géographiques pour créer des cartes pertinentes de territoires en développement rapide.

Limite 2: Obtenez des ensembles de données d'entraînement massifs

Il a déjà été démontré que les technologies d'IA simples utilisant des modèles linéaires, dans certains cas, peuvent se rapprocher des capacités d'experts médicaux dans d'autres domaines. La vague actuelle d'apprentissage automatique, cependant, nécessite des ensembles de données de formation - non seulement étiquetés, mais aussi en grand nombre, ainsi que complets. Les méthodes GO nécessitent des milliers d'enregistrements pour compiler des modèles relativement bons capables de classification, et dans certains cas, des millions d'enregistrements afin de se rapprocher du niveau d'une personne.

La difficulté est que de tels ensembles de données massifs peuvent être difficiles à obtenir ou à créer dans de nombreux cas commerciaux. Chaque petit changement dans la tâche peut nécessiter un autre ensemble de données volumineux et une nouvelle formation. Par exemple, la formation d'un véhicule autonome pour se déplacer sur un site minier, où les conditions météorologiques changent souvent, peut nécessiter un ensemble de données comprenant diverses conditions environnementales que la machine peut rencontrer.

La technique d' apprentissage ponctuelle peut réduire le besoin de grands ensembles de données et permettre au modèle d'IA de se renseigner sur les caractéristiques d'un objet avec un petit nombre de démonstrations ou d'exemples réels (dans certains cas, même un). Les capacités de l'IA se rapprocheront d'une personne qui peut reconnaître avec précision les différents représentants de la même catégorie après avoir pris connaissance d'un seul exemple - par exemple, une camionnette. Dans cette méthodologie, qui est encore en cours de développement, les scientifiques forment d'abord des modèles en réalité virtuelle simulée, dans lesquels il existe des options pour la tâche, ou, dans le cas de la reconnaissance de formes, une image d'un objet. Ensuite, après que les modèles auront démontré plusieurs options pour l'objet dans le monde réel, que l'IA n'a pas vu dans la réalité virtuelle, que l'on utilisera les connaissances existantes pour trouver la bonne solution.

Ce type de formation à un moment donné peut par conséquent aider à créer un système qui scanne les textes pour violation de droit d'auteur ou reconnaît un logo d'entreprise dans une vidéo après en avoir appris un seul exemple. Aujourd'hui, ces applications en sont à leurs débuts. Mais leur utilité et leur efficacité peuvent rapidement élargir les possibilités d'utilisation de l'IA dans diverses industries.

Limite 3: le problème de l'explicabilité

L'explicabilité n'est pas un nouveau problème pour les systèmes d'IA. Mais il croît avec les succès et l'adoption de la protection civile, à cause desquels non seulement la variété des applications augmente, mais aussi leur opacité. Plus le modèle est grand et complexe, plus il est difficile d'expliquer en termes humains pourquoi telle ou telle décision a été prise (c'est encore plus difficile à faire si tout se passe en temps réel). C'est l'une des raisons pour lesquelles l'utilisation de certains outils d'IA ne se développe pas autant dans des domaines où l'explicabilité est utile, voire nécessaire. De plus, avec l'élargissement de la portée de l'IA, les exigences des régulateurs peuvent également augmenter le besoin de modèles d'IA avec un haut niveau d'explicabilité.

Deux approches prometteuses naissantes pour accroître la transparence des modèles sont les explications locales-interprétables-agnostiques aux modèles (LIME) et les techniques d'attention (pièce 2). LIME tente de déterminer sur quelles parties des données d'entrée le modèle formé base principalement ses calculs afin de développer un modèle intermédiaire et interprétable. Cette technique examine plusieurs segments de données à la fois et observe comment les prédictions changent afin d'affiner le modèle intermédiaire et de développer une interprétation plus précise (par exemple, en excluant les yeux au lieu du nez pour vérifier lequel est le plus important pour la reconnaissance faciale). Les techniques d'attention visualisent les parties des données d'entrée sur lesquelles le modèle s'appuie pour prendre une décision spécifique (par exemple, se concentrer sur la bouche pour déterminer si une personne est dans l'image).


Pièce 2

Une autre technologie utilisée depuis un certain temps est celle des modèles additifs généralisés (OAM). En utilisant des modèles avec une fonctionnalité, OAM limite l'interaction des fonctionnalités, ce qui rend chacune d'entre elles plus interprétable pour les utilisateurs. Il est prévu que l'adoption de ces technologies et d'autres qui cherchent à lever le rideau du mystère de l'IA contribuera grandement à accroître l'utilisation de l'IA.

Limite 4: généralisabilité de l'apprentissage

Contrairement aux humains, les modèles d'IA transfèrent à peine leur expérience d'un ensemble de circonstances à un autre. En fait, tout ce que le modèle a réalisé dans une application spécifique reste applicable uniquement à ce cas. En conséquence, les entreprises doivent constamment consacrer des ressources à la formation du modèle suivant, bien que les tâches pour leur application soient très similaires.

L'apprentissage portable est une réponse prometteuse à ce défi. Dans cette approche, le modèle d'IA est formé pour résoudre un problème spécifique, puis applique rapidement cette formation à un travail similaire mais différent. Les chercheurs de DeepMind ont montré des résultats prometteurs avec le transfert d'apprentissage dans des expériences où la formation utilisant la réalité virtuelle a été transférée pour contrôler de vrais membres robotiques.

L'apprentissage portable et d'autres approches génériques évoluent, et ils peuvent aider les organisations à créer rapidement de nouvelles façons d'appliquer et d'ajouter de nouvelles fonctionnalités aux méthodes existantes et de travail. Par exemple, lors de la création d'un assistant virtuel, la formation portable peut généraliser les préférences des utilisateurs d'un domaine (par exemple, la musique) à un autre (par exemple, aux livres). Les cas d'utilisation ne sont pas limités aux produits numériques. La formation portable peut aider, par exemple, une entreprise pétrolière et gazière à étendre l'utilisation d'algorithmes d'IA formés à la maintenance prédictive de puits à d'autres équipements, tels que les pipelines et les plates-formes de forage. La formation portable, même en principe, peut révolutionner l'analyse commerciale: imaginez un outil d'IA qui analyse les données et comprend comment optimiser les bénéfices des compagnies aériennes, capable d'adapter son modèle aux changements climatiques ou aux économies locales.

Une autre approche consiste à utiliser quelque chose qui décrit grossièrement la structure généralisée appliquée à divers problèmes. Par exemple, AlphaZero de DeepMind a utilisé la même structure pour trois jeux différents: il était possible d'utiliser cette structure généralisée pour entraîner un modèle de jeu d'échecs en une journée, afin de gagner plus tard contre le programme du champion du monde.

Enfin, imaginez les possibilités des techniques de méta-apprentissage naissantes essayant d'automatiser le développement de modèles d'apprentissage automatique. Par exemple, l'équipe Google Brain utilise AutoML pour automatiser le développement de réseaux de neurones pour classer les images sur des ensembles de données à grande échelle. Aujourd'hui, ces techniques fonctionnent aussi bien que celles développées par l'homme.Cette évolution semble prometteuse, notamment en raison du fait que de nombreuses organisations connaissent une pénurie d'employés talentueux. Il est également possible que le méta-apprentissage dépasse les capacités humaines et améliore les résultats. Il est important de comprendre que ces technologies en sont encore aux premiers stades de développement.

Limite 5: biais et données et algorithmes

Jusqu'à présent, nous nous sommes concentrés sur les limites qui peuvent être surmontées par des méthodes techniques déjà en cours de développement, dont certaines que nous avons décrites. Le biais est un autre type de problème. Des conséquences sociales potentiellement destructrices peuvent nous attendre lorsque les dépendances humaines (conscientes ou inconscientes) détermineront quelles données utiliser et lesquelles ignorer. De plus, lorsque le processus et la fréquence de collecte des données varient en fonction des différents groupes et comportements, on peut s'attendre à des problèmes avec la façon dont les algorithmes analyseront ces données, en tireront des enseignements et feront des prédictions. Parmi les conséquences néfastes: les décisions d'embaucher des employés sur la base de fausses informations, des prévisions scientifiques ou médicales faussées, des modèles financiers incorrects et des décisions en matière pénaleet de mauvaises décisions juridiques. Dans de nombreux cas, ce biais reste non détecté ou ignoré sous le couvert de «science des données avancées», de «données et algorithmes propriétaires» ou d '«analyse objective».

En déployant des algorithmes d'apprentissage automatique et d'IA dans de nouveaux domaines, nous pouvons rencontrer de nouvelles manifestations de ces problèmes de biais qui surviennent dans les ensembles de données et les algorithmes. Et ils y restent généralement, car pour les reconnaître et prendre des mesures pour les éliminer, vous devez comprendre à la fois la technologie de travail avec les données et les interactions sociales existantes, y compris le processus de collecte de données. En général, le parti pris est l'un des obstacles les plus difficiles, et certainement le plus lourd sur le plan social.

Aujourd'hui, de nombreuses recherches, théoriques et collectant des données sur les meilleures méthodes d'utilisation de l'IA, tentent de résoudre les problèmes décrits dans les domaines académique, non commercial et privé. Et il est grand temps - ce problème risque de devenir de plus en plus critique et de soulever de plus en plus de questions. Considérons, par exemple, le fait que bon nombre de ces approches prédictives basées sur l'apprentissage et les statistiques supposent tacitement que l'avenir est comme le passé. Et que ferons-nous dans l'environnement socioculturel lorsque les actions que nous entreprendrons le changeront - et où la prise de décision basée sur le comportement passé peut-elle ralentir les progrès (ou, pire encore, développer une résistance au changement)? De nombreux dirigeants, y compris des chefs d'entreprise,pourrait être bientôt confronté à la nécessité de trouver des réponses à ces questions.

Comment toucher une cible en mouvement

Il faudra peut-être des années pour trouver des solutions aux limitations décrites et pour diffuser la mise en œuvre commerciale des développements avancés indiqués ici. Mais un éventail passionnant de capacités liées à l'IA suggère que l'imagination peut être la plus grande limitation de l'IA. Voici quelques conseils pour les dirigeants qui essaient d'être à l'avant-garde, ou du moins de suivre les tendances de pointe.

Apprenez de nouvelles informations, adaptez-vous, suivez-nous.

Bien que la plupart des directeurs d'entreprise n'aient pas besoin de connaître la différence entre les réseaux de neurones convolutifs et récurrents, vous devez être généralement familier avec les capacités des outils modernes, avoir une idée générale du moment où des percées peuvent se produire à court terme et voir les perspectives de ce qui se situe au-delà de l'horizon. Interviewez vos experts en données et en machine learning, parlez avec des pionniers de l'IA pour vous adapter aux connaissances actuelles, assistez à quelques conférences sur l'IA pour obtenir des informations sur des faits réels; Les articles de presse peuvent être utiles, mais ils peuvent également faire partie du battage médiatique. Une autre bonne façon de suivre les nouveaux développements est la recherche menée par des experts compétents, comme l' indice AI (un projet du groupe de recherche sur l'IA du centenaire). "de Stanford).

Commencez à utiliser une stratégie de données sophistiquée.

Les algorithmes d'IA ont besoin d'aide pour révéler de nouvelles idées cachées dans les données générées par votre système. Ils peuvent être aidés en développant une stratégie de données complète qui se concentre non seulement sur les technologies nécessaires pour collecter les données des systèmes individuels, mais aussi sur la disponibilité des données, le système pour leur réception, le balisage et la gestion. Et bien que les nouvelles technologies promettent de réduire la quantité de données nécessaires pour former les algorithmes d'IA, la formation contrôlée, nécessitant de grandes quantités de données, reste la technologie prédominante. Et même les technologies visant à minimiser la quantité de données requise nécessitent encore une sorte de données. Par conséquent, le point clé de tout cela sera une connaissance précise de vos propres données et la meilleure façon de les utiliser.

Sortez des sentiers battus.

Les techniques de transfert par transfert en sont encore à leurs balbutiements, mais il est toujours possible de trouver des solutions utilisant l'IA dans plusieurs domaines, et pas seulement dans un. Si vous avez résolu un problème tel que la maintenance prédictive de l'équipement dans un grand entrepôt, cette solution peut-elle être appliquée aux produits de consommation? Puis-je utiliser des conseils efficaces «quoi d'autre à acheter» sur plusieurs canaux de distribution de produits? Encouragez les départements de l'entreprise à partager leurs connaissances qui peuvent révéler des façons d'utiliser les meilleures solutions et idées d'IA dans plusieurs domaines de votre entreprise.

Devenez un innovateur.

Il ne suffit pas de suivre les technologies d'IA et les cas d'utilisation modernes pour rester compétitif à long terme. Convainquez vos spécialistes du traitement des données ou arrangez-vous avec des experts externes pour résoudre un problème utile à l'aide de technologies émergentes - telles que celles mentionnées dans cet article. Découvrez toujours ce qui peut être fait et ce qui est devenu disponible. De nombreux outils d'apprentissage automatique, jeux de données et modèles formés pour des applications standard (y compris la reconnaissance vocale, visuelle et émotionnelle) sont désormais disponibles pour l'utilisateur général. Parfois, ils sont disponibles sous forme de projets avec du code source, dans d'autres cas via des interfaces logicielles (API) créées par des chercheurs et des entreprises de premier plan. Attention à ces fonctionnalités,ils peuvent vous aider à remarquer les avantages pour les pionniers.

Les perspectives pour l'IA sont immenses et les technologies, les outils et les processus nécessaires pour traduire ces promesses en action ne sont pas encore complètement préparés. Si vous pensez que vous pouvez attendre, laissez la technologie prendre forme, puis utilisez-la avec succès l'une des premières - détrompez-vous. Il est très difficile de sauter d'une position debout, surtout si la cible se déplace très rapidement et que vous ne comprenez pas ce que les technologies modernes de l'IA peuvent et ne peuvent pas faire. Et tandis que les chercheurs et les pionniers dans le domaine de l'IA se sont préparés à résoudre les problèmes les plus aigus d'aujourd'hui, il est temps de commencer à comprendre ce qui se passe à la pointe de l'IA afin que vous puissiez configurer correctement votre organisation et l'aider à découvrir de nouvelles opportunités, à les utiliser et même à les promouvoir. suivant.