Je vous suis tout à fait sur ce point : les mots “big data, algorithmes, machine learning, IA” ont tendance, par leur passage au grand public, à perdre leur sens technique pour prendre un sens plus “fonctionnel” voire métaphorique.

J’ai même rencontré un patron d’entreprise voulant être le “Leicester” de son secteur faisant allusion aux algorithmes utilisés pour le recrutement dans cette ville anglaise victorieuse en football. Parlerons nous un jour de la Leicesterisation du monde 🙂

Répondre à ce commentaire

Merci Olivier pour cette belle et pédagogique compilation qui fait le lien entre progrès matériel et logiciel dans la résolution des problèmes. J’ai vécu la première vague de l’intelligence artificielle (fin des années 80), vague fort décevante, et suis comme vous séduit par l’ampleur que prend cette seconde qui semble enfin tenir les promesses de la première et au delà.

J’apporte un petit point d’espoir (ou de doute selon) au sujet d’une famille de problèmes que vous évoquez : “Les algorithmes génétiques sont de leur côté utilisés pour trouver des chemins optimums vers des solutions à des problèmes complexes intégrant de nombreux paramètres, comme pour trouver le chemin optimum du voyageur du commerce.”

Sur ce point, les algorithmes génétiques (métaphore caractérisant des “souches” de solutions qui s’hybrident et se sélectionnent en plusieurs itérations/générations) sont encore largement battus par les approches mathématiques traditionnelles (de la fin des années 40, approches dites de programmation linéaire généralisée comme en propose IBM également). Pour le voyageur de commerce mais pour tout un tas d’autres problèmes où la “structure” des contraintes est forte et où la recherche de l’optimum est exigente, l’intelligence artificielle est encore impuissante en pratique. Ce sont des problèmes de la vraie vie que vous retrouvez quand vous planifiez des chauffeurs de bus, des plans de production de véhicules, ou que vous calculez les prix des billets d’avion ou de mobile homes.

Mais là à nouveau les progrès des machines, la possibilité de paralléliser les calculs, de prétraiter les instances de problèmes intelligemment permettent de faire tomber les problèmes graduellement en soulevant de nouveaux défis. Il faut donc relativiser la surface couverte par l’intelligence artificielle seule, elle vient s’hybrider avec d’autres familles de méthodes, qui tirent également partie de la puissance explosive des machines.

Merci encore pour vos articles qui mettent en perspective des sujets fort excitants.

Répondre à ce commentaire