Yoshua Bengio, l'un des pères de l'apprentissage profond, ou "deep learning", met en garde contre les dérives de l'intelligence artificielle (lA).

Montrez-lui une orange dont la valeur de quelques pixels a été changée et l'algorithme de reconnaissance visuelle y voit à 99 % un ... hélicoptère ! Vincent Nouyrigat a enquêté sur un étrange dysfonctionnement de l'I.A. Et les risques qui en découlent.

Dans le jargon des geeks, l’expression "machine learning" fait référence aux outils informatiques capables de se reprogrammer tout seuls. Demain, ces machines intelligentes gouverneront le monde. Pour le moment, elles se font surtout les dents dans le sport.

Célèbre depuis son départ de Google, en 2020, la chercheuse américaine est devenue le porte-voix d’un combat contre les biais racistes, sexistes et sociaux véhiculés par les programmes d’IA.

C'est entendu, sous réserve d'être bien entraînés et gavés de données, les réseaux de neurones font des étincelles. Comment s'y prennent-ils ? C'est un problème : si l'intelligence artificielle symbolique était lisible, l'intelligence artificielle connexionniste, celle de l'apprentissage profond est opaque. Parfois, la variation d'un seul pixel la fait dérailler. Beaucoup d'essais et d'erreurs sont nécessaires, car la théorie des réseaux neuronaux est très incomplète. Quant à savoir ce qu'ils comprennent...

Pendant des années, on a cru que l’automatisation alimentée par l’IA représentait une menace pour les personnes occupant des emplois répétitifs et routiniers, et que les artistes, les écrivains et les programmeurs étaient plus en sécurité. Les modèles fondateurs remettent en question cette hypothèse.

De nombreux chercheurs planchent sur des systèmes d'apprentissage utilisant moins de données et d'énergie que le deep learning.

Spécialiste des algorithmes d’apprentissage profond, le chercheur français Stéphane Mallat est à l’initiative de la nouvelle chaire de sciences des données au Collège de France. C’est aussi le thème du cours qu’il y donne depuis janvier et dont la ligne directrice est d’approfondir les liens entre mathématiques et applications.

Les systèmes de reconnaissance automatique ont d'étonnantes faiblesses. Exploiter ces failles permet de s'amuser, mais aussi d'améliorer les procédures d'apprentissage ... ou de concevoir de nouvelles attaques malveillantes.

La course à l'acquisition de données de qualité, et en particulier celles des journaux, marque une nouvelle phase de l'intelligence artificielle.

Toujours dans le cadre de notre dossier spécial sur les recherches sur le cerveau et les processus d'apprentissage, une question majeure est ici posée : les avancées récentes en matière l'intelligence artificielle (IA), en particulier l'essor des réseaux de neurones, sont-elles de nature à remettre en cause la suprématie du cerveau humain ? Quelles différences de nature, quels conflits ou complémentarités existe-t-il entre les formes d'intelligence des uns et des autres ?

Un saut qualitatif a été franchi par l'intelligence artificielle, grâce à une conception et des méthodes d'entraînement toujours plus performantes.