Tout le monde est enthousiasm par l’intelligence artificielle. De grands progrs ont t raliss dans la technologie et dans la method de l’apprentissage automatique. Cependant, ce stade prcoce de son dveloppement, nous devrons peut-tre quelque peu freiner notre enthousiasme.
La valeur de l’IA est dj seen dans un massive ventail de mtiers, notamment le marketing et les ventes, les oprations commerciales, l’assurance, la banque et la finance, and so on. En bref, c’est un moyen idal d’effectuer un massive ventail d’activits commerciales, de la gestion du capital humain l’analyse de la efficiency des personnes en passant par le recrutement et plus encore. Son potentiel traverse le fil conducteur de toute la construction de l’entreprise Eco. Il est dj plus qu’vident que la valeur de l’IA pour l’ensemble de l’conomie peut valoir des billions de {dollars}.
Parfois, nous pouvons oublier que l’IA est encore un acte en cours. En raison de ses balbutiements, il y a encore des limites la technologie qui doivent tre surmontes avant que nous soyons effectivement dans le nouveau monde courageux de l’IA.
Dans un rcent podcast publi par le McKinsey Global Institute, une firme qui analyse l’conomie mondiale, Michael Chui, prsident de la socit et James Manyika, directeur, ont discut des limites de l’IA et de ce qui est fait pour les attnuer.
Facteurs qui limitent le potentiel de l’IA
Manyika a not que les limites de l’IA sont « purement techniques ». Il les a identifis comme remark expliquer ce que fait l’algorithme ? Pourquoi fait-il les choix, les rsultats et les prvisions qu’il fait? Ensuite, il existe des limites pratiques concernant les donnes ainsi que leur utilisation.
Il a expliqu que dans le processus d’apprentissage, nous donnons des donnes aux ordinateurs non seulement pour les programmer, mais aussi pour les former. « Nous leur enseignons », a-t-il dclar. Ils sont forms en leur fournissant des donnes tiquetes. Apprendre une machine identifier des objets sur une photographie ou reconnatre une variation dans un flux de donnes qui peut indiquer qu’une machine va tomber en panne est effectu en leur fournissant un grand nombre de donnes tiquetes qui indiquent que dans ce lot de donnes, la machine est sur le level casser et dans cette assortment de donnes, la machine n’est pas sur le level de casser et l’ordinateur dtermine si une machine est sur le level de casser.
Chui a identifi cinq limites l’IA qui doivent tre surmontes. Il a expliqu que maintenant les humains tiquettent les donnes. Par exemple, les gens parcourent des images de la circulation et tracent les voitures et les marqueurs de voie pour crer des donnes tiquetes que les voitures autonomes peuvent utiliser pour crer l’algorithme ncessaire pour conduire les voitures.
Manyika a not qu’il connat des tudiants qui se rendent dans une bibliothque publique pour tiqueter l’artwork afin que des algorithmes puissent tre crs que l’ordinateur utilise pour faire des prvisions. Par exemple, au Royaume-Uni, des groupes de personnes identifient des images de diffrentes races de chiens, en utilisant des donnes tiquetes qui sont utilises pour crer des algorithmes afin que l’ordinateur puisse identifier les donnes et savoir de quoi il s’agit.
Ce procd est utilis des fins mdicales, a-t-il soulign. Les gens tiquettent des photographies de diffrents sorts de tumeurs afin que, lorsqu’un ordinateur les numrise, il puisse comprendre ce qu’est une tumeur et de quel sort de tumeur il s’agit.
Le problme est qu’une quantit extreme de donnes est ncessaire pour enseigner l’ordinateur. Le dfi consiste crer un moyen pour l’ordinateur de parcourir plus rapidement les donnes tiquetes.
Les outils qui sont maintenant utiliss pour ce faire incluent les rseaux antagonistes gnratifs (GAN). Les outils utilisent deux rseaux – l’un gnre les bonnes choses et l’autre distingue si l’ordinateur gnre la bonne selected. Les deux rseaux se font concurrence pour permettre l’ordinateur de faire ce qu’il faut. Cette method permet un ordinateur de gnrer de l’artwork dans le fashion d’un artiste particulier ou de gnrer une structure dans le fashion d’autres choses qui ont t observes.
Manyika a soulign que les gens exprimentent actuellement d’autres methods d’apprentissage automatique. Par exemple, il a dclar que les chercheurs du Microsoft Research Lab dveloppaient l’tiquetage de flux, un processus qui tiquette les donnes travers leur utilisation. En d’autres termes, l’ordinateur essaie d’interprter les donnes en fonction de la faon dont elles sont utilises. Bien que l’tiquetage en flux existe depuis un sure temps, il a rcemment fait de grands progrs. Pourtant, selon Manyika, l’tiquetage des donnes est une limitation qui ncessite davantage de dveloppement.
Une autre limitation de l’IA est le manque de donnes. Pour lutter contre ce problme, les entreprises qui dveloppent l’IA acquirent des donnes sur plusieurs annes. Pour tenter de rduire le temps ncessaire la collecte des donnes, les entreprises se tournent vers des environnements simuls. La cration d’un environnement simul dans un ordinateur vous permet d’effectuer plus d’essais afin que l’ordinateur puisse apprendre beaucoup plus de choses plus rapidement.
Ensuite, il y a le problme d’expliquer pourquoi l’ordinateur a dcid ce qu’il a fait. Connu sous le nom d’explicabilit, le problme concerne les rglementations et les rgulateurs qui peuvent enquter sur la dcision d’un algorithme. Par exemple, si quelqu’un a t libr de jail sous warning et que quelqu’un d’autre ne l’a pas t, quelqu’un voudra savoir pourquoi. On pourrait essayer d’expliquer la dcision, mais ce sera certainement difficile.
Chui a expliqu qu’il existe une method en cours de dveloppement qui peut fournir l’explication. Appel LIME, qui signifie explication indpendante du modle interprtable localement, il s’agit d’examiner des events d’un modle et des entres et de voir si cela modifie le rsultat. Par exemple, si vous regardez une photograph et essayez de dterminer si l’lment sur la photograph est une camionnette ou une voiture, alors si le pare-brise du camion ou l’arrire de la voiture est chang, l’un ou l’autre de ces lments les changements font la diffrence. Cela montre que le modle se concentre sur l’arrire de la voiture ou sur le pare-brise du camion pour prendre une dcision. Ce qui se passe, c’est qu’il y a des expriences en cours sur le modle pour dterminer ce qui fait une diffrence.
Enfin, les donnes biaises constituent galement une limitation de l’IA. Si les donnes entrant dans l’ordinateur sont biaises, le rsultat est galement biais. Par exemple, nous savons que certaines communauts font l’objet d’une plus grande prsence policire que d’autres communauts. Si l’ordinateur doit dterminer si un nombre lev de policiers dans une communaut limite la criminalit et que les donnes proviennent du quartier avec une forte prsence policire et d’un quartier avec peu ou pas de prsence policire, alors la dcision de l’ordinateur est base sur plus de donnes du quartier avec la police et pas le cas chant des donnes du quartier qui n’a pas de police. Le voisinage surchantillonn peut entraner une conclusion biaise. Ainsi, le recours l’IA peut entraner une dpendance au biais inhrent aux donnes. Le dfi consiste donc trouver un moyen de « dbiaiser » les donnes.
Ainsi, comme nous pouvons voir le potentiel de l’IA, nous devons galement reconnatre ses limites. Ne vous inquitez pas; Les chercheurs en intelligence artificielle travaillent fbrilement sur les problmes. Certaines choses qui taient considres comme des limitations de l’IA il y a quelques annes ne le sont plus aujourd’hui en raison de son dveloppement rapide. C’est pourquoi vous devez constamment vrifier auprs des chercheurs en IA ce qui est attainable aujourd’hui.
