Comprendre l’intelligence artificielle

L’intelligence artificielle, ou IA, est partout présente dans le monde qui nous entoure. La plupart d’entre nous connaissent l’IA dans les appareils domestiques ou les ordinateurs, comme Alexa et Siri. Et bien sûr, lorsque nous rejoignons les réseaux sociaux, nous recevons constamment du contenu qui nous concerne : on nous montre des produits sur lesquels nous avons cliqué ou que nous avons vus dans le passé. Dans ces applications, l’IA permet aux machines d’apprendre par elles-mêmes et de générer des réponses pour nous fournir les données ou les services que nous voulons. 

Certains des principaux cas d’utilisation de l’IA se situent dans le domaine du marketing. Si j’achète un certain produit sur Amazon, la plate-forme connaît mon historique d’achat et peut me suggérer de futurs produits. Par exemple, vous pouvez voir que d’autres clients ont acheté un article parce que vous avez acheté des produits similaires. Ces « moteurs de recommandation » sont vraiment l’un des principaux cas d’utilisation de l’IA. 

Cependant, l’un des changements que nous observons ici, c’est le déplacement de l’IA dans des environnements éloignés et difficiles, y compris même certaines applications qui nécessitent une confidentialité extrême des données. Par exemple, l’exploration pétrolière et gazière, l’exploitation minière et l’extraction de ressources naturelles, l’agriculture, la production alimentaire, l’accès à l’eau et le contrôle des eaux usées.

L’IA s’appuie sur ce que l’on appelle des réseaux neuronaux. Lorsque nous alimentons un réseau neuronal en données, nous appelons cela l’apprentissage automatique ou la formation. Plus il y a de données utilisées pour la formation, plus le réseau peut être intelligent. 

Une fois que nous avons formé un modèle, nous le déployons ensuite en conditions réelles. C’est ce que nous appelons l’inférence : j’ai formé un modèle, je lui apporte de nouvelles données, et il déduit, ou anticipe, un certain résultat sur la base des données utilisées pour le former. Et ce cycle est répétitif : à mesure que le moteur d’IA déduit de nouvelles données, il améliore son ensemble de données. Par conséquent, plus nous utilisons de fonctionnalités comme celle-ci, mieux c’est. Plus je demande de choses à Alexa ou plus j’utilise un moteur de recherche, et plus ils deviennent intelligents. 

Nous obtenons des modèles plus précis, de même que de nouveaux défis se présentent à nous. Par exemple,  comment vais-je stocker cette énorme quantité de données ? Comment vais-je transférer ces données des centres de données périphériques vers les centres de données cloud traditionnels ? Il y a 10 ou 15 ans, une grande partie des données qui étaient créées dans le monde étaient générées par l’homme à partir de saisies, de nos claviers ou d’enregistrements, de films, etc. Et aujourd’hui, nous entrons dans une nouvelle ère où les données sont générées par des machines. C’est une explosion absolue des données, et cela influe sans doute sur notre façon de construire des architectures de systèmes et de gérer tout cela maintenant. 

L’IA a vraiment décollé au cours des dix dernières années en raison de l’évolution du matériel informatique qui la prend spécifiquement en charge. Nvidia et d’autres sociétés produisent des puces qui prennent spécifiquement en charge les applications d’IA, comme les unités de traitement graphique (GPU) ou différents circuits intégrés spécifiques aux applications (ASIC). 

Outre la volonté de développer de meilleurs GPU et ASIC pour l’IA, l’un des éléments clés est la migration des capacités informatiques, du stockage et des accélérateurs dits d’IA vers la source des données. En général, nous avons ces grands centres de données ; nous nous raccordons à ce réseau et les données se déplacent vers et depuis ces centres de données et à l’intérieur de ces derniers. Aujourd’hui, nous commençons à voir ces ressources de calcul et de stockage se rapprocher un peu plus de la périphérie, là où les personnes et les machines génèrent les données. Il s’agit vraiment de la convergence de ce que nous appelons l’Edge Computing avec les terminaux ou les appareils de l’Internet des objets (IoT). 

Le déploiement de la technologie de l’IA présente deux défis majeurs : la puissance et l’évolutivité. L’énergie est une ressource limitée ; lorsque nous examinons l’empreinte carbone d’un centre de données cloud, seule une quantité d’énergie limitée peut entrer dans ce bâtiment et être consommée. Donc, à l’heure actuelle, ces centres de données ne sont pas aussi durables que nous le souhaiterions. La tendance est aux centres de données durables et à l’utilisation d’énergie renouvelable dans ces centres de données, mais lorsque l’on examine les accélérateurs d’IA, qu’ils soient des GPU ou des ASIC, ils ont tendance à être très gourmands en énergie. Cela signifie que du côté des puces, les concepteurs doivent s’assurer que ces GPU et ASIC sont économes en énergie. 

L’autre aspect, c’est l’évolutivité. Nous avons besoin de sites finaux, de centres de données en périphérie et de centres de données cloud – comment faire évoluer tous ces systèmes ? Les entreprises dites « hyperscale » comme Microsoft, Amazon, Facebook et Google le font, mais qu’en est-il des autres infrastructures dans le monde ? La simple mise à l’échelle de ces centres de données et systèmes représente un défi extrême.

Nous avons abordé l’utilisation de l’IA dans les assistants personnels et le commerce électronique, mais où l’IA aura-t-elle un impact important dans l’avenir ? En vérité, absolument tous les domaines vont être touchés par l’IA, de la fabrication au transport, en passant par les produits pharmaceutiques.

Dans le domaine de l’automobile, et avec les voitures sans conducteur à l’horizon proche, nous voyons la technologie d’IA des centres de données se déplacer dans les voitures. Quand on regarde ce qu’il y a dans une voiture aujourd’hui, on trouve toute une variété de capteurs et de caméras. Lorsqu’on pense à la quantité de données collectées par une voiture sans conducteur, c’est énorme. Récemment, Nvidia a publié des chiffres mentionnant 400 pétaoctets de données brutes pour 100 véhicules par an. En termes de sécurité et de test de ces véhicules autonomes, nous voulons les soumettre à tous les scénarios de conduite possibles, accélérer dans un virage sans visibilité, rencontrer un piéton, et ainsi de suite, pour voir comment le véhicule réagit. Plus le nombre de situations programmées dans le système d’IA est important, et mieux l’on peut former et ajuster ces modèles afin qu’ils constituent des solutions sûres et fiables pour le transport. Néanmoins, les besoins en matière de traitement des données sont énormes. 

Une autre application est la finance – consulter une application basée sur l’IA au sujet des placements financiers recommandés pour la retraite et comment les allocations devraient être réajustées. Le secteur de la fintech est en plein essor et tente de prendre ces décisions en temps réel. 

Dans l’industrie pharmaceutique, le développement de nouveaux médicaments est une question d’itération – vous essayez quelque chose, puis vous le testez et vous réessayez, parfois des dizaines ou des centaines de fois. L’IA aide les développeurs à apprendre des expériences passées et à appliquer ces connaissances aux nouvelles situations, ce qui permet d’accélérer le temps de développement.

Les processeurs d’IA deviennent de plus en plus sophistiqués et les techniques d’IA sont continuellement affinées. Il faudra peut-être attendre un certain temps avant que nous ayons des domestiques comme Rosie dans les Jetsons, mais il ne fait aucun doute que nous rencontrerons l’IA dans de nombreux aspects de notre vie future.