Tendances futures du développement de l’intelligence artificielle (Partie I)

  Avec l’intelligence artificielle (IA) Devenant de plus en plus courante et s’inscrivant au cœur des décisions qui façonnent notre quotidien, la demande en matière de transparence ne cesse de se renforcer. Ces dernières années, les cas où l’intelligence artificielle a alimenté des biais et des discriminations se sont multipliés ; l’utilisation de la reconnaissance faciale à des fins de sécurité n’en est qu’un exemple. Dans les années à venir, il est fort probable que l’on passe d’une régulation volontaire peu contraignante à une implication accrue des pouvoirs publics dans le domaine de l’intelligence artificielle. En retour, les grandes entreprises technologiques recourent de plus en plus à l’intelligence artificielle pour remédier aux problèmes de confidentialité et de biais qu’elles ont elles‑mêmes engendrés.

 

01Tendances technologiques

 

  Voici les facteurs déterminants identifiés par les entreprises de données mondialesIALes principales tendances technologiques liées au thème :

 

Intelligence artificielle explicable(XAI)

 

L’intelligence artificielle participe de plus en plus à la prise de décisions qui façonnent notre quotidien, comme le versement des prestations sociales, l’approbation des prêts hypothécaires ou le diagnostic médical. Par conséquent, la transparence et l’explicabilité deviennent essentielles. Autour deIALa controverse autour des biais des modèles a suscité une grande attention, incitant l’entreprise à mettre à jour ses processus internes.IALe guide de développement vise à instaurer la confiance. Seule l’extension d’identification des applications (XAI) ne suffit pas à atténuer les biais présents dans les données, car il se contente de permettre aux entreprises d’identifier d’éventuelles discriminations. Les entreprises ajusteront leurs modèles au besoin, et l’extension des applications d’identification ainsi que le développement de l’intelligence artificielle sont devenus des priorités absolues pour la plupart des entreprises liées à l’IA, telles que Google ou le géant de la défense Lockheed Martin.

 

L’apprentissage fédéré

 

  Il peut sembler contre-intuitif que l’intelligence artificielle soit perçue comme une solution aux problèmes de confidentialité qu’elle engendre elle-même ; cette approche a été mise au point par Google en 2017Lancé il y a plusieurs années, ce système vise à exploiter les vastes ensembles de données disponibles sur les appareils locaux, tels que les smartphones, tout en protégeant les données sensibles. En résumé, l’appareil télécharge le modèle actuel depuis le cloud, l’améliore en s’entraînant sur les données stockées dans sa mémoire, puis met à jour le modèle à partir de ces données locales. Google est l’application la plus célèbre utilisant l’apprentissage fédéré ; ainsi, les applications de clavier suggèrent des mots ou des expressions en se basant sur les données issues des interactions précédentes. Dans le secteur de la santé, l’apprentissage fédéré permet à différentes organisations de collaborer sur un même modèle, qui améliore la prise en charge des patients sans avoir à partager de données sensibles.

 

Reconnaissance faciale

 

        2020 年 6 En juin, Amazon, International Business Machines (IBM) et Microsoft ont tous annoncé qu’ils ne vendraient plus de systèmes de reconnaissance faciale (FR)aux forces de l’ordre ni au grand public. Bien qu’Amazon ait reporté d’un an l’autorisation d’utiliser la reconnaissance faciale par les forces de l’ordre, Microsoft a déclaré qu’il ne commercialiserait pas cette technologie aux services de police tant que des lois nationales n’auraient pas été adoptées pour en encadrer l’usage. De son côté, International Business Machines a annoncé qu’il ne proposerait plus de logiciels génériques de reconnaissance ou d’analyse faciale. George Floyd (George Floyd)À la suite de ce meurtre et des manifestations antiracistes qui ont suivi, la surveillance s’est renforcée, poussant les grandes entreprises technologiques à prendre leurs distances avec la reconnaissance faciale ; toutefois, les problèmes éthiques et les exemples de biais persistent depuis des années.

 

Apprentissage autonome des machines (AutoML)

 

L’apprentissage autonome des machines vise à réduire l’application de l’apprentissage autonome (ML) L’effort humain et l’énergie nécessaires pour appliquer les modèles d’apprentissage automatique à des problèmes du monde réel. Il y parvient en automatisant les phases chronophages et itératives du développement de modèles d’apprentissage autonome, permettant ainsi aux développeurs et aux scientifiques des données disposant de compétences limitées ML Les développeurs et les data scientists dotés d’une expertise limitée peuvent utiliser des modèles et des techniques d’apprentissage autonome, tout en réduisant les erreurs humaines et les biais dans les modèles d’apprentissage automatique. La détection des fraudes, la tarification et la gestion des ventes constituent des domaines d’application courants de l’apprentissage automatique autonome. Google Cloud, DataRobot (DataRobot) et H20.ai est un exemple de solution logicielle de premier plan pour l’apprentissage autonome des machines.

 

Une efficacité doublée avec la moitié d’efforts

 

  Dans le cadre de 2019 Lors d’une interview en Affecta, Kaljubi, a indiqué que la méthode de synthèse des données permettra aux entreprises d’exploiter les données déjà collectées et de les recomposer afin de générer de nouvelles données. Par exemple, une vidéo d’une personne conduisant une voiture pourrait servir à créer de nouvelles scènes, comme celle d’un conducteur qui tourne la tête ou qui envoie un message texte — intelligence embarquée pour l’Internet des objets (AIoT）

 

L’un des principaux domaines de convergence entre les thématiques disruptives est l’intelligence artificielle et l’Internet des objets. Cette combinaison a donné naissance à l’IA pour l’Internet des objets. En associant les données collectées par les capteurs et actionneurs connectés à AI, il est possible de réduire la latence, d’accroître la confidentialité et d’apporter une intelligence en temps réel au niveau de la périphérie. Apple (Apple) a lancé 2020 年 1 a acquis Xnor.ai, cette entreprise propose des outils d’identification d’images capables de fonctionner sur des appareils à faible consommation d’énergie, renforçant ainsi son offre sur le bord du réseau.AI, afin de renforcer sa présence sur le marché des solutions edge.

 

informatique quantique

 

La computation quantique commence à gagner en maturité, avec Google, Microsoft et IBM aux avant-postes ; grâce au soutien des ordinateurs quantiques, les applications d’intelligence artificielle pourraient fonctionner plus rapidement. Selon le professeur de l’Université de Chicago spécialisé en information quantique, David ·Dr. Oshalom, l’utilisation des ordinateurs quantiques pourrait accélérer de nombreuses tâches de calcul mettant l’accent sur l’apprentissage automatique. Ils permettront des calculs bien plus rapides et ouvriront la voie au développement d’algorithmes plus économes en ressources, tout en autorisant l’intelligence artificielle à traiter des tâches encore plus complexes. Depuis 2016 , IBM propose à ses clients des services de cloud computing quantique, 2019 , Microsoft (Azure Quantum) ainsi que le Laboratoire de Solutions Quantiques d’Amazon ont tous deux annoncé que leurs clients pourraient tester leurs algorithmes expérimentaux sur plusieurs ordinateurs quantiques.

 

La prochaine génération de puces

 

  L’accent du design des puces s’est désormais déplacé vers 1La course à l’augmentation du nombre de transistors sur une plaquette de silicium de quelques millimètres carrés s’est transformée en une quête visant à intégrer les microprocesseurs au sein d’un système composé de multiples composants, chacun dédié à une tâche spécifique. Au cours des années à venir, les ordinateurs imiteront de plus en plus la manière dont le cerveau humain stocke et traite l’information. C’est précisément là que la computation neuromorphique et les puces neuromorphiques entrent en jeu. Ces puces sont particulièrement adaptées au traitement de vastes volumes de données et alimentent les applications d’apprentissage profond utilisant des réseaux neuronaux, tout en consommant moins d’énergie que les processeurs traditionnels. IBM, en collaboration avec Truenos (TrueNorth) en partenariat, Intel et Rishi (Loihi) en collaboration ; l’entreprise occupe actuellement une position de leader en matière de recherche et développement, mais elle fait face à la concurrence d’entreprises renommées telles que Qualcomm, HP Enterprise (HPE) et Samsung, ainsi que de Graphcore La concurrence d’entreprises émergentes aux ressources financières solides, comme Cambrian, est également présente.