Les ordinateurs basés sur de l’intelligence artificielle réussissent déjà à battre les meilleurs joueurs aux échecs ou au jeu de Go. Mais comment en est-on arrivés là ? Et quelles sont les limites des intelligences artificielles les plus sophistiquées ? C’est en examinant les prouesses de l’AI dans différents jeux que nous pourrons déterminer quel sera son prochain coup.
Théorie des jeux avec l’AI
Les informaticiens se passionnent depuis longtemps pour les jeux et ont conçu quantité de programmes pour mesurer l’homme à l’ordinateur. Certes, concevoir un programme qui excelle au morpion est une chose, mais c’en est une autre de pouvoir créer un programme capable de battre le grand maître international d’échecs. Les programmeurs en ont fait leur Graal depuis les tout débuts de l’informatique, car les échecs supposent une certaine intensité intellectuelle.
IBM prend les devants avec Deep Blue
La victoire du superordinateur Deep Blue d’IBM sur Garry Kasparov en 1996 marque le premier triomphe des machines. Non seulement cette prouesse a nécessité une puissance phénoménale de calcul, mais elle a également monopolisé une tonne de données. Les ingénieurs d’IBM avaient ainsi étudié plus de 700 000 parties entre grands maîtres aux échecs. En d’autres termes, jouer aux échecs contre un ordinateur revient à jouer contre un enregistrement des plus grandes parties jamais jouées. Certes, l’ordinateur s’en sortait très bien, mais il avait tout de même besoin d’un humain pour compiler les meilleures tactiques d’anciens champions d’échecs. Cette approche peut être considérée comme les débuts du Big Data, à savoir utiliser des quantités phénoménales de données dans un but bien précis.
Google opte pour l’excellence générique dans les jeux
DeepMind, la filiale de Google focalisée sur l’AI, a quelque peu bouleversé cette équation, avec sa dernière version d’AlphaZero. Cet algorithme atteint des performances étonnantes aux échecs, au jeu de go et au shogi (version japonaise des échecs) et a réussi à battre les champions du monde à chaque fois.
Mais battre des grands maîtres n’est pas la seule prouesse d’AlphaZero. Cet algorithme a deux particularités : premièrement, c’est un tabula rasa (autrement dit, il part de rien) et deuxièmement, il s’agit d’AI générique. D’une part, en tant que tabula rasa, AlphaZero démarre sans connaissance préétablie, mis à part les règles du jeu, et apprend rapidement sur le tas. Le concept de jouer contre soi-même de manière répétitive et d’apprendre de cette expérience s’appelle « l’apprentissage par renforcement » en informatique.
D’autre part, AlphaZero a été conçu pour être une intelligence artificielle générique, c’est-à-dire facilement utilisée dans de nombreux processus plus spécifiques, grâce à sa capacité d’apprendre automatiquement de nouvelles catégories au fur et à mesure. C’est pourquoi le fait qu’AlphaZero excelle dans chacun de ces trois jeux sans besoin de personnalisation supplémentaire est un réel exploit. AlphaZero n’est pas forcément applicable à toutes les tâches, mais on se rend bien compte que les ingénieurs cherchent à créer une intelligence artificielle qui puisse être facilement utilisée dans une variété d’activités.
La sécurité, un jeu basé sur l’AI avec Avira
L’intelligence artificielle utilisée par Avira s’appelle l’AI appliquée ou l’apprentissage automatique et se situe entre les exemples d’IBM et de Google. Nous nous servons de cette AI dans deux cas principaux : identifier les menaces entrantes et surveiller les comportements des appareils connectés un par un.
À présent dans sa troisième génération, Avira utilise l’AI pour analyser de grandes quantités de données, reconnaître des schémas et des anomalies et fournir aux utilisateurs un moyen plus rapide de détecter les menaces que la signature traditionnelle des antivirus. Tout comme IBM avec les échecs, nous disposons d’une base de données immense d’échantillons de logiciels malveillants que nous utilisons pour l’apprentissage automatique dans les moteurs de détection basés sur l’AI.
Notre nouveau produit de sécurité SafeThings utilise l’AI pour classer les objets connectés, apprendre leurs comportements d’utilisation normaux et détecter les anomalies. Et pour couronner le tout, l’AI utilise ces informations pour réagir de façon adaptée et automatique afin de sécuriser l’appareil sans perturber l’utilisateur. C’est une AI de type apprentissage automatique dans laquelle une quantité plus faible de données est nécessaire.
Quelqu’un doit bien créer les règles du jeu
Dans tous les jeux organisés, que ce soit les échecs ou la détection de malware, il y a des règles établies. Certaines sont plutôt basiques, mais d’autres sont plus spécifiques. Aux échecs par exemple, le cavalier ne se déplace pas de la même manière que le roi. Dans la détection des logiciels malveillants, les conditions sont très strictes afin d’éviter de déclencher des faux positifs. AlphaZero n’a eu besoin que de 24 heures d’apprentissage pour atteindre des performances exceptionnelles dans les trois jeux complexes mentionnés plus haut, mais il a tout de même commencé avec des règles de base.
Même les intelligences artificielles les plus sophistiquées ne peuvent atteindre ce que les philosophes appellent « creatio ex nihilo » (ou création à partir de rien en latin). Il faut donc créer ou modifier les règles pour arriver à nos fins. Autrement, nous aurions entendu parler de moyens innovants inspirés de l’AI pour utiliser l’échiquier et les pièces.
Bien que Google nous ait prouvé que l’AI puisse être appliquée à une plus grande variété de nos activités quotidiennes, l’homme a toujours le premier – et le dernier – mot sur les règles du jeu.
