Étiquette : intelligence artificielle

La guerre des intelligences

La guerre des intelligences

Ce mois-ci j'ai terminé le livre le plus passionnant de 2017 (je l'ai reçu en novembre). Dr Alexandre fait le travail très difficile de prospective, d'imaginer ce que sera la vie en 2080. Cela parait loin mais ma fille a 18 mois aujourd'hui, elle aura donc 64 ans en 2080. C'est renversant et intéressant de s'imaginer ce que la vie sera. Le thème principal est l'inertie impulsée par les nouvelles technologies en confrontant la vision des grands platerformistes (GAFAMI / BATX) versus celle des politiciens. En d'autres termes c'est le combat du nouveau monde contre l'ancien monde.

Laurent Alexandre est connu pour ses punchlines acides sur des domaines tels que l'éducation, l'attitude des politiques face à l'IA et les pouvoirs de plus en plus démiurgiques des GAFA.

Ce livre est une mine d'information, je ne sais pas par quoi commencer pour le décrire. Chaque page apporte son flot d'informations et de contestations.

A qui est destiné ce livre

Cet ouvrage pose des questions intéressantes et a une vocation de vulgariser les technologies actuelles. Nous sommes confrontés à un tsunami numérique et l'auteur apporte une vision claire ainsi que des questionnements pour qui veut s'instruire sur le sujet.

Les intelligences de la Sillicon Valley versus les intelligences des politiques Européens

Autant ces questions sont d'une importance capitale pour les politiques. L'auteur demande aux politiques de se bouger car les choses avancent très vite. Et les questions fulminent, sommes toutes très intéressantes.

Google pense à 1000 ans alors que les politiciens pense à 5 ans.

Par exemple, aurons-nous le droit de ne pas obéir à l'IA ? (page 292) Surtout si celle-ci sera meilleure que l'Homme. En effet dans l'un de mes derniers écrits, j'émets l'idée que l'IA est devenue le stéthoscope du XXIe siècle. Si une IA est plus performante que nos médecins, mais que nous voulons quand même que ce soit un médecin qui nous diagnostic, aurions-nous le droit de ce choix ? Si l'IA est vue comme la ceinture de sécurité la réponse est évidemment non.

Des nouveaux métiers d'avenir

Cela pourrait impliquer de nouveau métier tel suggéré par l'auteur. Éthicien de l'intelligence serait un métier du futur, il aurait pour tâche de trouver la responsabilité d'une action apporter par l'Homme alors que la machine est plus performante. Comme cité précédemment, laisserions-nous des médecins pratiquer leur discipline alors que l'IA aura un taux de performance plus élevé ? Ou devra-t-on conduire et potentiellement tuer des gens sur la route et se mettre également en danger (voir mon expérience depuis mon balcon). Alors que la conduite autonome permettra une fluidité de circulation optimale et une sécurité accrue ? Et en substrat voilà bien le fond de son oeuvre littéraire : le conflit de l'Intelligence cérébrale versus l'Intelligence Artificielle.

Le bateau de Thésée

D'après la légende grecque, rapportée par Plutarque, Thésée serait parti d'Athènes combattre le Minotaure. À son retour, vainqueur, son bateau fut préservé par les Athéniens : ils retiraient les planches usées et les remplaçaient — de sorte que le bateau resplendissait encore des siècles plus tard — jusqu'au point où il ne restait plus aucune planche d'origine.

Alors, deux points de vue s'opposèrent : les uns disaient que ce bateau était le même, les autres que l'entretien en avait fait un tout autre bateau. Le problème est de savoir si le changement de matière implique un changement d'identité, ou si l'identité serait conservée par la forme/fonction, ou encore d'une autre façon ?

En philosophie, pour les fonctionnalistes, la fonction est le plus important. Le bateau appartient à Thésée car la fonction est toujours la même. Idem pour notre cerveau, la fonction n’est pas forcément biologique, une autre forme peut créer l'intelligence. Qu'en est-il pour notre conscience ?

 

synapse
Réseau de neurone biologique
cerveau virtuel
Réseau de neurone artificiel

Ainsi sur la gauche tu vois mieux le "bateau construit pièce par pièce". Pour les fonctionnalistes, peu importe la matière, que ça soit en silicium ou en matière grise la fonction reste la même.

L'école existera-t-elle dans 15 ans ?

Le rôle et forme de l'école doit se métamorphoser dès aujourd'hui

M. Alexandre évoque surtout le rôle et la forme de l'école du futur. Cette mutation doit commencer maintenant. D'une part, parce que d'autres pays ont déjà commencé cette démarche prolongeant de fait notre retard. D'autre part car la technologie (notamment NBIC) donne une panoplie de techniques d'amélioration en tout point (eugénisme, neuro-augmentation etc.).
Nous apprenons également le rôle génétique et épigénétique de l'intelligence (page 113) et qu'aucune nouvelle méthode n'est employée dans les écoles. L'école a très peu changée depuis le XXe siècle. Je rejoins son point de vue ici et . Par conséquent, l'école n'est pas du tout adaptée à nos jeunes cerveaux.

Nous allons devenir les esclaves de l'IA

Nous découvrons avec stupéfaction que si l'IA forte adviendra (et M. Alexandre l'affirme) l'IA ne coopérera pas. Il appuie cet argument par la théorie des jeux, le jeu de Nash, plus précisément. Alors qui voudra de la vraie vie ? J'ai écris un billet sur la classe inutile, ces personnes qui ne seront pas aptes à travailler, car inemployable. Comme cette catégorie, tout le monde voudra vivre dans une autre "univers". Une réalité virtuelle plus plaisante que la vraie vie. Ce scénario est proche de celui de Matrix, où les cerveaux sont branchés dans un programme.

Androrithme

Au lieu de parler de confrontation "algorithme" versus "cerveau biologique", nous parlions d'androrithme. En effet, nous sommes actuellement dans la coopération car nous utilisons l'IA pour nous aider. Il faut bien l'admettre elle nous rend bien service ! Je suis contre l'auteur sur ce point. Selon moi l'IA ne sera jamais pourvue d'une conscience artificielle. L'avènement de la conscience artificielle n'est pas synonyme de singularité.

 

Pour conclure, même si l'auteur est souvent décrié, je lui accorde le bénéfice de pouvoir poser des questions sociétales de grandes importances. J'ai par ailleurs déjà affirmer dans mes écrits (et là) la rudesse et l'incapacité de l'école à changer. Je l'expérimente à chacune de mes interventions dans les universités. Savoir capter l'attention est très importante car c'est le facteur commun avec le temps pour apprendre (cf. l'équation Idriss Aberkane). Les professeurs se doivent d'innover, trouver des nouveaux processus pour capter l'attention. L'inertie, la force des plateformistes change la société et les enfants savent s'adapter. La technologie nous ouvre la porte au fonctionnement du cerveau. Mixons tout cela pour que les élèves d'aujourd'hui, qui vivent dans la transréalité, soient les plus heureux dans le monde de 2080.

 

L'avènement de la conscience artificielle n'est pas liée de la singularité

L'avènement de la conscience artificielle n'est pas liée de la singularité

Pour fabriquer une IA consciente il faut trois éléments. Une machine qui réagit à son environnement, comme une lampe à détection de mouvement. Ensuite qu'elle soit capable de prendre des décisions - quand tu fais une recherche sur Google, l'IA prend la décision de te présenter ces résultats. Et enfin qu'elle soit capable de se voir elle-même en train d'agir et se poser des questions sur ses agissements. Ce sont des aspects bien commun de nos jours et contrairement à ce que l’on pourrait croire, il est plutôt facile d’en créer une. Mais alors, pourquoi nous n’en voyons pas ? Je vais te l’expliquer mais avant tout il faut faire un tour dans l’inconscient des humains.

La théorie de l’esprit

Pour comprendre la conscience humaine, il faut plonger profondément dans l'étude de la théorie de l'esprit.
La théorie de l'esprit est la tentative par un cerveau de déterminer le contenu d'un autre cerveau. Par exemple, Amandine se demande ce que pense Bruno du monde dans lequel nous vivons tous. Amandine crée des théories sur l'état actuel de l'esprit de Bruno.

Elle fait cela pour deviner ce que Bruno pourrait faire ensuite. Il est vrai d’un côté, aucun pouvoir ne pourrait être plus grand pour un animal social comme nous, les humains, d’anticiper le comportement des autres. Pendant des milliers et des milliers d'années, nous avons vécu à proximité des uns des autres. À mesure que nos comportements et nos pensées devenaient de plus en plus complexes, il devenait crucial pour chaque membre de la tribu d'avoir une idée de ce que pensaient les autres membres et des actions qu'ils pourraient accomplir. La théorie de l'esprit, c’est de l'espionnage intellectuel ! Et nous sommes plutôt doués, mais avec des limites critiques que nous aborderons plus tard.

Notre cerveau est comme un ordinateur ?

Dès lors qu’un système s’auto-observe et essai de faire de prédiction sur ce qu’il voit (de manière la plus approximative possible) est tout à fait envisageable. Alors pourquoi nous ne le faisons pas ?
On aime penser que notre cerveau est comme un ordinateur. Avec une RAM (mémoire court terme), un disque dur (mémoire long terme), un système de refroidissement et alimentation (vaisseaux sanguins) etc. Mais c’est très loin d’être le cas. Un ordinateur est construit avec toutes les pièces de son époque. Le cerveau pas du tout, certaine zone du cerveau sont beaucoup plus vieille que d’autre. De plus, la mémoire n’est pas unifiée dans une seule partie.

D’autre part, notre cerveau bouge, change, adapte les aires (cela se nomme la plasticité cérébrale). Notre cerveau ressemble plus à une ville comme Rome, toute sinueuse, où l’ancien se mélange avec le moderne. D’ailleurs toutes les zones ne communiquent pas ensemble. Un exemple frappant, si tu as eu le mal de mer. Une partie du cerveau comprend qu’il y a une différence entre les informations de l’oreille interne et de ce que tu voies. Le cerveau se met en alerte “empoisonnement tout le monde sort d’ici”, et tu vomis tout ce qui est possible pour éliminer le poison. Sauf que consciemment, tu sais que tu n'as pas ingurgité de poison…

Un humain n’est pas une machine ?

Nous venons de voir que les humains ont des comportements différents avec des similitudes. D’une part, les humains se regroupent par similitude car l’union fait la force. Dans la nature, vivre en communauté est plus facile que vivre seul. D’ailleurs le test de Ash prouve que nous préférons nous conformer au groupe; même si le groupe à faux, plutôt que d’être seul contre le groupe. Et puis nous avons des comportements constamment contradictoire ! Pourquoi voulons-nous nous habiller et aller danser ? Parce que c'est drôle ! Et nos amis seront là ! Pourquoi voulons-nous continuer à manger quand nous sommes repus ? Parce que c'est délicieux ! Et nous avons fait mille pas supplémentaires aujourd'hui !
Ces questions sur nos propres comportements n’en finissent jamais. Et les réponses sont presque toujours fausses.

L’égo fait la conscience de soi

Nos suppositions sur les motivations des autres sont beaucoup plus précises que les suppositions que nous faisons sur les nôtres. Ce champ de force est notre ego, et il nous donne une opinion exagérée de nous-mêmes. En effet, nous nous accordons un esprit plus élevé pour nos actions et une illusion de dangerosité lorsqu'un autre est meilleur que nous (ensuite vient la fascination et l'envie de s'améliorer). C'est d'ici que vient ce biais "les machines voudront nous tuer".

Les explications incorrectes que nous présentons sur nos propres comportements visent à nous protéger. Elles sont souvent follement créatives, ou mêmes absurdes. Les réponses comme «amusant» et «délicieux» sont des réponses qui font référence à un module de bonheur, sans aucune curiosité quant aux avantages sous-jacents de ce mécanisme de récompense.

La vérité est que nous continuons à manger quand nous sommes repus parce que nous avons évolué dans un monde de pénurie calorique. Nous dansons pour attirer les copains et les copines à faire des copies de nous-mêmes (se reproduire). Parce que les modules de reproduction ont guidé ce comportement et nous sommes la descendance de ces premiers modules (c’est donc une affaire qui marche).

Alors cette machine existe-elle vraiment ?

Avec tous aspects précédents, si nous devions faire une analogie la plus précise d’une machine existante, alors je dirais : la voiture autonome connectée.

En effet, les voitures autonomes ont la capacité de voir et d’entendre pour se mouvoir sans heurter les obstacles. Elles ont donc une perception de leur environnement. Les voitures Tesla éduquent les  conducteurs pour l’utilisation de l’autopilot. La voiture conduit toute seule pendant un certain nombre de mètres et elle indique qu’il faut remettre les mains sur le volant. Plus le conducteur est réactif, plus la distance de conduite autonome sera longue. Il existe bel et bien une sorte de langage entre la machine et l’humain. Elles ont donc une perception langagière comportementaliste.

En voiture Simone

Maintenant, la conscience des autres. Si toutes les voitures étaient connectées, alors elles pourraient également communiquer entres-elles. Cette Nissan bleue va à l'épicerie parce qu'elle a faim. Et cette camionnette rouge va dans une station d'essence parce qu'elle a besoin de carburant. Cette voiture est en état d'ébriété. Celui-là ne peut pas très bien voir à cause de son phare cassé.

La bibliothèque de perceptions commence simplement avec les concepts du premier ordre, mais se transforme ensuite en idées de deuxième et troisième ordre. Est-ce que cette Ford jaune voit la Citroën grise venir vers elle ? Il s’est légèrement décalé, alors oui, c'est le cas. Est-ce que cette camionnette pense que la berline conduit trop agressivement ? Elle laisse plus de distance que les autres voitures, alors oui.
Notre machine va inventer des histoires sur ce qu'elle fait. Elle essaiera de relier ces histoires aux autres et ce sera souvent faux.

Est-ce vraiment souhaitable ? Nous avons créé des robots et des machines dans l’unique but qu’ils soient experts. Qu’ils traitent les informations sans erreur et de manière standardisée. C’est bien le paradoxe, nous fonctionnons totalement à l’opposé !

Rendre humain la machine, le piège anthropomorphique

Ce qui a vraiment fait apparaître Watson comme humain, c'est quand il a fait des gaffes. Comme une réponse finale de Jeopardy dans la catégorie "American Cities" où Watson a répondu une ville canadienne.
Il vaut la peine de noter ici que les robots nous semblent plus humains quand ils échouent.

Notre égo nous fait rire et nous fait peur

Il faut avouer que nous avons un certain plaisir quand nous regardons les vidéos des robots de Boston Dynamics. Notamment quand le robot soulève la boite et le gars tape sur la boite avec son bâton pour la faire tomber. Et maintenant quand nous voyons ce même robot faire un salto arrière (donc meilleur que nous) on se dit qu'il va nous écrabouiller... encore l'égo qui parle (relis le paragraphe, ci-dessus, de l'égo fait la conscience de soi) !

Les constructeurs automobiles sont en train de construire des véhicules qui ne seront jamais conscients. C'est parce qu'ils sont trop biens construits ! Notre projet consiste à rendre une machine ignorante de ses motivations tout en fournissant un dialogue de ces motivations. Une meilleure idée serait de construire une machine qui sait ce que font les autres voitures. Pas de devinettes.

Le savoir est la nouvelle richesse

Cela signifie accès au GPS, aux messages du smartphone, aux e-mails de l'ordinateur personnel. Mais aussi l'accès à tous les autres véhicules et toutes les données des capteurs de la ville. La Nissan dit à la Ford qu'elle va au centre commercial. Chaque voiture sait ce que chaque voiture fait. Il n'y a pas de collision.

Sur l'autoroute, des voitures aux destinations similaires se regroupent, des pare-chocs magnétiques se relient, en file indienne et réduisant de moitié l'utilisation énergétique collective de chaque voiture. Les machines fonctionnent de concert. Elles affichent tous les traits de l'omnipotence véhiculaire. Elles savent tout ce qu'elles ont besoin de savoir, et avec de nouvelles données, elles changent d'avis instantanément. Pas de parti pris. D'ailleurs, si une entreprise dit pouvoir guérir n'importe quelle maladie dans l'unique condition de te pister, même biologiquement, serais-tu prêt à l'accepter ?

L'IA sera au service de l'Homme

L’avenir le plus probable selon moi, c'est l'expansion et l'amélioration de nos propres algorithmes. Nous avons une longue histoire sur la condition humaine et de l’Homme contre l’Homme. Malgré ce que les nouvelles locales essaient de te vendre, le monde devient plus sûr tous les jours pour la grande majorité de l'humanité. Où l'éthique s'améliore. Nos sphères d'empathie sont en expansion. Sans besoin de créer une conscience artificielle.

La singularité

Pour conclure, selon moi nous vivons déjà la singularité. La machine est déjà plus performante que l'Homme dans bien des tâches. Les IA leur manque le "sens commun", c'est-à-dire la capacité à trouver une solution dans n'importe quelle situation. L'Homme a la prodigieuse capacité d'apprendre dans de nouvelle situation. Je ne sais pas faire un mur avec des briques et du ciment pourtant sur le fait accompli, j'essaierais, je vais surement me tromper et être très lent mais je suis "capable" de le faire. Est-ce grâce à ma conscience ? Pourtant je ne suis pas conscient de tout ce que je sais !

Enfin, une conscience a déjà été simulée, je te conseille de lire les recherches du professeur Alain Cardon sur la conception d'une conscience artificielle. N'en démords pas moins qu'il a détruit ses travaux dans l'attente d'un comité d'éthique mondial sur les réglementations et les usages de l'IA.

Nous pouvons également considérer notre propre cerveau comme une machine. Il est impossible de prouver le contraire. Exemple : comme un ordinateur dont on ne voit pas la masse de calcul à chaque instant, notre programme nous empêcherai de voir comment notre cerveau fonctionne !

 

Pourquoi je hais les banques

Pourquoi je hais les banques

En fait, mon inspiration pour cet article provient de mon expérience avec les banques. Les banques révèlent le pire de plusieurs mondes et les font ressortir.

Bien sûr, tu peux haïr les banques pour de très bonnes raisons. Comme le fait qu'elles sont des sociétés prédatrices qui provoquent des crises financières gigantesques et la misère. Quand tu sais que le nombre d’opérations est “limitée” à la nanoseconde... c’est-à-dire qu’elles ont le droit jusqu’à 1 milliard d’opérations à la seconde (trading). Ou qu'elles volent aux pauvres pour donner aux riches. Ce sont d'excellentes raisons de détester les banques que je n'ai pas l'intention de nier. Mais ce sont des raisons plutôt abstraites. Ma haine provient de problèmes quotidiens beaucoup plus concrets…

Chaque fois que j’ai besoin (et je trouve que j’en ai souvent besoin), comme lorsqu'elles bloquent ma carte de crédit sans raison valable, c'est la pire expérience possible. C’est long, inefficace et aliénant. Je me sens énervé et stupide en même temps.

Je suis convaincu que l'expérience s'est bien aggravée avec le temps. Ce n'est pas que les gens aient tous aimé leurs banques dans les années 50, mais au moins leurs banques avaient un visage. Un agent qu'ils connaissaient et qui les connaissaient. Un être humain qui était habilité à résoudre au moins certains de leurs problèmes.
La raison paradoxale pour laquelle les banques offrent maintenant la pire expérience possible c’est qu'elles ont traversé une transformation numérique partielle et organisationnelle. Donc, aujourd'hui, elles combinent le pire de l'ancien monde avec le pire du nouveau monde.

La pire expérience possible

Tu as déjà essayé d'obtenir un prêt ou ouvrir un compte professionnel ? Ou simplement retirer une somme importante (enfin demander des grosses coupures) ? Ou alors récupérer ton argent sur un compte de placement ?

D'abord, tu dois prendre un rendez-vous, ce qui est une épreuve en soi ! Car soit tu dois appeler et attendre 15 minutes avec une musique débilitante qui semble conçue pour t’énerver. Qu'est-ce que Vivaldi penserait s'il savait comment sa musique est utilisée de nos jours ? Tu me diras, moi je vais au guichet, alors tu fais la queue juste pour prendre rendez-vous. Si tu veux prendre rendez-vous dans ta banque où tu as déjà un compte alors elle possède sans doute une application. Wow. Sinon, il est rarement possible de le faire en ligne ! J'ai écris à mon conseiller pour faire une opération sur mon compte j'ai reçu un mail automatique disant qu'il était en vacance. C'est super de savoir qu'il est en vacance et du coup tu dois attendre qu'il fasse sa vie ? Pour une institution qui pratique des AGIOS à la journée c'est quand même dégueulasse de laisser son client attendre 10 jours que M. André revienne des Bahamas...

Des frais pour un service compliqué

Aller en ligne est généralement un cauchemar car les sites bancaires semblent avoir été conçus par des ingénieurs sadiques qui veulent te punir pour un travail qu'ils détestent. La conception est tout sauf intuitive. Il est difficile de trouver l'information dont tu as besoin. Il y a beaucoup de mots de passe. Ou mieux encore, ils t’ont fourni un périphérique spécial pour générer des codes de sécurité, comme HSBC Secure Key. Si tu le perds, tu ne peux pas te connecter. Bonne chance si tu as besoin d’obtenir une info !

La sécurité avant tout !

Des problèmes de sécurité seront généralement avancés pour justifier le manque total de transparence. C'est HORRIBLE, donc il faut que ça soit SECURE. Peut-être que certaines personnes pensent que c'est sécurisé quand c'est particulièrement horrible. En effet, c’est peut-être la raison pour laquelle peu de clients se plaignent réellement. La «sécurité» voilà pourquoi tu ne peux pas tout faire en ligne. Ils vous combineront le téléphone, l'ordinateur et le courrier postal. Personnellement, la plupart des courriers postaux que je reçois aujourd'hui proviennent des banques (en plus je paie quand c’est une lettre de rappel !).

Mais pire, par exemple, si tu fais un transfert en ligne avec ton ordinateur tu as besoin de ton téléphone ou d’une carte chiffrée. Non seulement ce n’est pas simple mais en plus ils prennent des frais sur le change (entre devises) pourquoi ?! Et si tu dois changer ton numéro de téléphone... tu dois attendre qu'ils t’envoient un code d'activation par courrier !

Véritable exemple chez BNP :
image-hais-banques

Les employés de la banque ne t’aideront pas

Depuis plusieurs années je suis mécontent du service bancaire. Véritablement, le service client est tellement détestable que ça soit à la BNP, Caisse d’Epargne ou autres. Et c’est aussi pour cette raison que je me suis décidé à écrire cet article. Jusqu’à quelques jours j’ai été client dans 4 banques différentes. J’ai fait le calcul, en 10 ans j’ai vu en moyenne 4 conseillers différents par banque. Au total 40 conseillers/res ont débuté une relation commerciale avec moi. Pourtant seulement 2 ou 3 conseillers/res m’ont donné une belle image de leur succursale. De plus, l'expérience bancaire a cette couche supplémentaire de méchanceté, car les employés de la banque peuvent souvent être grossiers ou arrogants (notamment au téléphone).

Maintenant que j'ai vécu à la frontière Suisse pendant près de 6 ans, je peux dire que les employés de banque ont tendance à être plus gentils en Suisse qu'en France. Mais j'ai trouvé que l'expérience générale n'était que légèrement meilleure parce que les employés des banques sont aussi inefficaces et impuissants que ceux de France. Cela m'a conduit à réfléchir sur les raisons.

Certains employés du Crédit Mutuel ont peur d'être remplacé par des bots. Si seulement les bots étaient de l'intelligence artificielle bien rodées qui permettraient de les remplacer... Ce n'est pas encore le cas mais vous allez y passer.

Les raisons de ma haine

  1. Les banques sont des organisations “fordiste”. Dans une recherche d'efficacité accrue, elles ont centralisé beaucoup de leurs activités. Dans le but de réduire les coûts.
  2. Elles ont embauché des employés moins qualifiés (souvent plus jeunes). Par conséquent, ces employés n'ont pas le statut et l'autorité de leurs prédécesseurs. Ils ne sont pas seulement moins payés, ils ne sont pas non plus habilités à en faire autant. Même s’ils sont véritablement compétents et bien intentionnés ( j’en n’ai aucun doute), ils ne sont pas habilitées à t’aider. Car ils dépendent des services centralisés : "Permettez-moi de vous répondre, je dois transmettre votre demande à l'équipe dédiée".

Les banques sont des organisations bureaucratiques qui sont devenues encore plus bureaucratiques après la réorganisation de leurs services !

  1. Lorsque les employés et les utilisateurs (clients) éprouvent de la douleur, la bureaucratie devient la “bureau-pathologie”. D’une part, étant donné l'écart est de plus en plus large entre les employés et les attentes des utilisateurs, et d’autre part, le modèle organisationnel bureaucratique est perçu comme encore plus «pathologique». Ainsi, cela crée un sentiment d'aliénation qui vide le travail de sa signification.

Finalement, pour toutes ces raisons, il y a un turnover important (les employés partent). En tant que client, comme je l’ai dit précédemment, tu es rarement servi par le même employé pendant une longue période. Cela rend la continuité du service client instable. Tu dois souvent expliquer les choses encore et encore. A l’évidence, rend-toi compte que la majeure partie des banques sont fermées le lundi ! Nous sommes en 2017, elles ouvrent à 9h sont fermées pour la pause déjeuné et elles ferment à 17h30... Dans ces conditions, nous ressentons ce sentiment aliénant d'être juste un numéro anonymisé écrasé dans un rouage rouillé.

Lorsque le numérique rend le service encore pire

Plutôt que de rendre les choses plus faciles, les outils numériques rendent toute l'expérience pire parce que tu ne peux pas tout faire en ligne. Le design est à revoir et puis de toute façon tu auras besoin de la Poste ou du téléphone. Alors pourquoi ne pas tout faire via la Poste dans ce cas ? Paradoxalement, si tu veux aller plus vite en allant directement à ta succursale, ils te demanderont de remplir un formulaire en ligne. En règle générale, le numérique ne te sauvera pas. Souvent parce que tu dois remplir des formulaires en ligne et hors ligne.

Tu peux aussi lire cet article où j’explique que les banques sont en train de vivre leur moment “kodak”. Cette société américaine qui a fait faillite car elle n’a pas su prendre la bonne décision concernant l’innovation de la photo numérique (dont elle avait fait la découverte !).

Ressources informatiques mal maîtrisées

Après de longues recherchent, très peu de banques ont résolu leur problème de patrimoine informatique. Les systèmes hérités, développés et mis en place il y a plus de 20 ans, ont été au coeur de la transmission des paiements, du traitement des transactions bancaires et de la gestion des comptes. Les banques dépensent 80% de leur budget informatique pour maintenir (ou améliorer) leur base informatique existante. Donc tout cela laisse très peu de progrès stratégique à long terme. Comme la plupart des cadres considèrent l'informatique comme un « coût », ils veulent naturellement « réduire » ces coûts. Par conséquent, les ressources en IT ont été « externalisées ». Enfin, cela a été un désastre pour les banques parce que les attentes des consommateurs ont changé rapidement.

Des nouvelles banques dans la danse

L'héritage informatique est une très bonne explication. Cependant, pour avoir ouvert un compte chez Revolut et N26, ils proposent tout de même un service à la hauteur de mes attentes. J’en conviens Revolut n’est pas une banque à proprement parlé mais plus d’un portefeuille, dans lequel tout frais de change est aboli. La carte est gratuite également.

Pour N26, comme indiqué sur leur site, la création d’un compte prend 8 minutes et une vérification via un opérateur en appel visio prend 8 minutes de plus. Les formulaires sont en ligne, une question ? Il y a une FAQ sinon il y a un chat ou bien twitter. En 16 minutes j’ai ouvert un compte sans prise de rendez-vous, sans me déplacer. D’ailleurs j’ai posé 3 questions. Deux répondues instantanément et une autre sur Twitter qui a pris 12 minutes. Je reçois une notification sur mon portable pour toutes transactions. Je suis alerté instantanément quand je reçois de l’argent et quand je paie. Ai-je besoin d’autre chose ?

Tout est une question de contrastes

Ce qui rend l'expérience bancaire si grave, c'est qu'elles mettent en évidence de forts contrastes. Ces contrastes les rendent insupportables. Le contraste entre un monde où tout est plus flexible et la rigidité ancienne d'une banque. Avant nous avions une seule banque avec le salaire du couple et les crédits. Aujourd’hui nous avons plusieurs comptes dans plusieurs banques (mon crédit étudiant ici, mon compte de naissance par-là, des placements autre part etc.).
Alors que les banques essaient depuis 20 ans de rajeunir leur image et de montrer que les agents n’ont pas les “dents longues”. Pourtant, avec la multibancarisation et le besoin d’avoir un lien humain et personnalisé sont des aspects primordiaux à prendre en compte aujourd’hui.
Et puis qu’est-ce qui nous fait rester ? Je veux un crédit immobilier ou un prêt conso ? Je peux demander dans n’importe quelle banque. Alors oui je te hais.

 

Crédit photo article : Fuze

Comment le Machine Learning aide les neuroscientifiques à hacker notre code neuronal

Comment le Machine Learning aide les neuroscientifiques à hacker notre code neuronal

Comment le Machine Learning aide les neuroscientifiques à hacker notre code neuronal

Un grand défi en neuroscience est de comprendre comment le cerveau encode l'information. Les réseaux de neurones se révèlent être des crackers de code géniaux.

Notre cerveau code ses informations

Chaque fois que vous déplacez votre main ou votre doigt ou votre globe oculaire, le cerveau envoie un signal aux muscles pertinents contenant l'information qui rend ce mouvement possible. Cette information est encodée d'une manière spéciale qui permet la transmission par les neurones et ensuite d'être appliquée correctement par les muscles concernés.
Exactement, comment ce code fonctionne ? C'est un mystère. Depuis longtemps, les neuroscientifiques sont en mesure d'enregistrer ces signaux lorsqu'ils traversent les neurones. Mais les comprendre est beaucoup plus difficile. Il existe différents algorithmes qui peuvent décoder certains de ces signaux, mais leurs performances sont inégales.

Une technique permet de lire le code du cerveau

Aujourd'hui, Joshua Glaser à Northwestern University à Chicago et quelques copains disent qu'ils ont développé une telle technique en utilisant la nouvelle technologie du ML (Machine Learning). Ils disent que leur décodeur dépasse considérablement les approches existantes. En effet, il est tellement efficace que l'équipe affirme qu'elle devrait devenir la méthode standard pour analyser les signaux neuronaux à l'avenir.

Partons dans le cerveau

L'information se déplace le long des fibres nerveuses sous la forme de pointes de tension (électrique). Les neuroscientifiques pensent que le schéma des pointes code les données sur les stimuli externes, tels que le toucher, la vue et le son. De même, le cerveau encode l'information sur les mouvements musculaires d'une manière similaire.

Comprendre ce code est un objectif important. Il permet aux neuroscientifiques de mieux comprendre l'information qui est envoyée et traitée par le cerveau. Il aide également à expliquer comment le cerveau contrôle les muscles.

Les neuroscientifiques aimeraient avoir de meilleures interfaces cerveau-machine. Les buts sont multiples (contrôler les fauteuils roulants, les prothèses et les jeux vidéo). «Le décodage est un outil essentiel pour comprendre comment les signaux neuronaux se rapportent au monde extérieur», disent Glaser et Co.

La méthode utilise le ML avec peu de données

Leur méthode est simple. Les neuroscientifiques ont formé des singes macaques. En effet, l'exercice est de déplacer un curseur vers une cible sur un écran. Pour cela les macaques utilisent une sorte de souris d'ordinateur. Dans chaque test, le curseur et la cible apparaissent sur un écran à des endroits aléatoires. Alors le singe doit déplacer le curseur horizontalement et verticalement pour atteindre le but.

Après avoir formé les animaux, Glaser et Co ont enregistré l'activité de dizaines de neurones dans les parties de leur cerveau qui contrôlent le mouvement : le cortex moteur primaire, le cortex prémoteur dorsal et le cortex somatosensoriel primaire. Les enregistrements ont duré environ 20 minutes.

Le travail d'un algorithme de décodage consiste à déterminer la distance horizontale et verticale que le singe déplace le curseur dans chaque test, en utilisant uniquement les données neuronales. Les algorithmes conventionnels fonctionnent en utilisant une technique statistique connue sous le nom de régression linéaire. Cela implique d'estimer une courbe qui correspond aux données, puis de réduire l'erreur qui lui est associée. Il est largement utilisé dans le décodage neuronal dans des techniques telles que les filtres de Kalman et les cascades de Wiener.

Plusieurs techniques mises à contribution

Les neuroscientifiques ont comparé ces techniques à une variété d'approches d'apprentissage mécanique basées sur des réseaux de neurones. Il s'agissait d'un réseau de mémoire à long terme, d'un réseau neuronal récurrent et d'un réseau de neurones feedforward. Tout cela provient des ensembles de données annotés, et plus l'ensemble de données est grand, plus ils apprennent.

Les résultats sont convaincants. Glaser et Co disent que les techniques de ML ont considérablement surpassé les analyses conventionnelles. "Par exemple, pour l'ensemble des trois domaines du cerveau, un décodeur du réseau de mémoire à long terme a expliqué plus de 40% de la variance inexpliquée d'un filtre Wiener", disent-ils.

"Ces résultats suggèrent que les techniques modernes de ML devraient devenir la méthodologie standard pour le décodage neuronal".

À certains égards, il n'est pas surprenant que les techniques de ML soient bien meilleures. Les réseaux de neurones ont été à l'origine inspirés par l'architecture du cerveau. C'est pourquoi, le fait qu'ils peuvent mieux modeler leur fonctionnement est attendu.

Des résultats qui doivent être re-analysés

L'inconvénient des réseaux de neurones est qu'ils ont généralement besoin de grandes quantités de données d'entraînement. Mais les neuroscientifiques ont délibérément réduit la quantité de données. Ainsi, ils ont constaté que les réseaux neuronaux étaient encore supérieurs aux techniques classiques.

C'est probablement parce que l'équipe a utilisé des réseaux plus petits. "Nos réseaux ont de l'ordre de 100 000 paramètres. Alors que les réseaux communs pour la classification des images peuvent avoir sur l'ordre de 100 millions de paramètres", disent-ils.

Le travail ouvre la voie à d'autres pour s'appuyer sur cette analyse. Glaser et Co ont mis leur code à la disposition de la communauté afin que les ensembles de données neurales existants puissent être réanalysés de la même manière.

La machine est créée sur la base d'un réseau humain

Il y a beaucoup à faire. Peut-être la tâche la plus importante sera de trouver un moyen de procéder au décodage neuronal en temps réel. Tous les travaux de Glaser et Co ont été effectués hors ligne après l'enregistrement des enregistrements. Mais il serait évidemment utile de pouvoir apprendre à la volée et de prévoir le mouvement tel qu'il se produit.

C'est une approche puissante qui a un potentiel important. Ce serait une surprise si la même chose n'était pas le cas du décodage neuronal.

Source

Pourquoi l'IA arrive à son âge d'or aujourd'hui?

Pourquoi l'IA arrive à son âge d'or aujourd'hui?

La recherche en IA a commencé dans les années 1950. Après de faux espoirs répétés, l'IA est aujourd'hui à son point d'inflexion. L'efficacité de l'IA a été transformé ces dernières années en raison du développement de nouveaux algorithmes. Il a fallut rassembler un certains nombres d'ingrédient pour que l'IA soit efficace. En effet, nous profitons d'une plus grande disponibilité des données afin de la "nourrir" (big data). Couplé d'un meilleur matériel pour la créer et les services basés sur le cloud pour catalyser leur adoption par les développeurs. Voyons ensemble ces cinq points :

1. Algorithmes améliorés

Le Deep Learning n'est pas nouveau. Spécifiquement, le premier réseau multi-couche neuronal efficace a été publié en 1965. L’évolution des algorithmes en Deep Learning ont transformé tous les résultats au cours de la dernière décennie !
Notre capacité à reconnaître des objets dans les images a été transformé (figure 9). Via le développement des réseaux de neurones convolutifs - convolutional neural networks (CNN). Un design inspiré par le cortex visuel des animaux. En effet, chaque couche dans le réseau neuronal agit comme un filtre pour la présence d'un motif spécifique. En 2015, le système de vision par ordinateur basé sur le CNN, Microsoft a identifié des objets dans des images plus efficacement (95,1% précision) que les humains (94,9% de précision). «À notre connaissance," ils ont écrit, «notre résultat est le premier à dépasser les performances au niveau humain." Applications plus larges des CNNs comprennent la reconnaissance vidéo et de la parole.

reconnaissance IA du langage humain
Les progrès dans la parole et la reconnaissance d'écriture, quant à lui, s'améliore rapidement (Figure 10) après la création de réseaux de neurones récurrents - recurrent neural networks (RNN). Les RNNs ont des liens de rétroaction qui permettent aux données de circuler dans une boucle. A la différence des réseaux neuronaux classiques qui "avalent les informations" seulement. Un nouveau type puissant de RNN est la «longue mémoire à court terme» (modèle LSTM).

C'est pourquoi, avec des connexions et des cellules de mémoire supplémentaires, les RNNs "se souviennent" des données. Celles qu'ils ont vu des milliers d'étapes auparavant et vont les utiliser pour informer leurs interprétations de ce qui suit. En somme, précieux pour la reconnaissance vocale où l'interprétation du mot suivant sera informé par les mots qui l'ont précédé. Depuis 2012, Google a utilisé les modèles LSTMs pour alimenter le système de reconnaissance vocale dans Android. En novembre 2016, les ingénieurs de Microsoft ont indiqué que leur système avait atteint un taux d'erreur de parole de 5,9%. Un chiffre à peu près égal à celui des capacités humaines pour la première fois dans l'histoire.
Niveau langage humain par IA atteint des records

2. Matériel spécialisé

Les GPUs sont des circuits électroniques spécialisés qui réduisent le temps requis pour former les réseaux de neurones utilisés pour le Deep Learning.
Les GPU modernes ont été développés à l'origine à la fin des années 1990 pour accélérer les jeux 3D et des applications de création 3D. En effet, faire un zoom dans un logiciel 3D utilise un processus mathématique appelé "calcul matriciel répété". Les microprocesseurs avec des architectures en série, ce sont les processeurs qui alimentent les ordinateurs d'aujourd'hui. Ils sont peu adaptés à la tâche. C'est pourquoi, les GPU ont été développé avec des architectures massivement parallèles (la Nvidia M40 a 3072 cœurs) pour effectuer efficacement des calculs matriciels .

Une formation d'un réseau neuronal fait usage intensif des calculs matriciels. Par conséquent, les GPUs qui sont utiles pour les jeux 3D. Ces GPUs se retrouvent très bien adaptés pour accélérer le Deep Learning. Néanmoins leur effet a été considérable; un GPU simple peut offrir un gain de temps cinq fois plus rapide pour l'entraînement d'un réseau de neurones. Tandis que les gains de dix fois ou beaucoup plus sont possibles sur des problèmes plus importants ! Lorsqu'il est combiné avec des kits de développement en DL, les améliorations de la vitesse d'entrainement peuvent être encore plus grande (Figure 11).GPU augmente par 60 la vitesse IA

3. De nombreuses données

Tout d'abord, les réseaux de neurones utilisés pour le Deep Learning nécessitent généralement de grands ensembles de données. De quelques milliers d'exemples à plusieurs millions. Heureusement, la création de données et la disponibilité a augmenté de façon exponentielle. Aujourd'hui, alors que nous entrons dans la «troisième vague» des données, l'humanité produit 2,2 exaoctets (2300 millions de gigaoctets) de données chaque jour ; 90% de toutes les données du monde a été créé au cours des 24 derniers mois.

D'une part, la «première vague» de la création de données, qui a commencé dans les années 1980. Les ordinateurs de bureau connectés à Internet ont généré des documents et de données transactionnelles. D'autre part, une «deuxième vague» des données a suivi. En effet, l'explosion des médias non structurées (e-mails, photos, musique et vidéos), des données Web et méta-données résultant des smartphones. Aujourd'hui, nous entrons dans le «troisième vague» des données. Dans laquel des capteurs de machines déployés dans l'industrie et dans la maison créent un suivi supplémentaires et des travaux analytiques.

Dernièrement, nous, l'espèce humaine, nous avons transféré 100 Go de données par jour en 1992, d'ici 2020, nous transférerons 61 000 Go (ou 61 To) par seconde de data (Figure 12).Le trafic internet augmente logarithmement

Au-delà de l'augmentation de la disponibilité des données générales, les ressources de données spécialisées ont catalysé des progrès dans le DL. Par exemple, le site ImageNet est une base de données librement disponible de plus de 10 millions d'images renseignées à la main. Sa présence a soutenu le développement rapide de la classification d'objet par les algorithmes en Deep Learning.

4. Les services Cloud

L'utilisation des ML par les développeurs est catalysée par la fourniture d'une machine dont l'infrastructure est dans le cloud.

Google, Amazon, Microsoft et IBM offrent tous une infrastructure basée sur le cloud. Pour conséquence de réduire le coût et la difficulté de développer les capacités des ML.

En outre, ils offrent une gamme en plein essor des services de Machine Learning en Cloud (de reconnaissance d'image à la traduction de la langue) que les développeurs peuvent utiliser directement dans leurs propres applications. Google Machine Learning propose des services faciles d'accès pour :

  • vision (identification des objets, la détection du contenu explicite, la détection de visage à l'analyse des sentiments);
  • la parole (reconnaissance de la parole et lecture des textes);
  • analyse de texte (reconnaissance de l'entité, l'analyse des sentiments, la détection de la langue et de la traduction); et
  • la recherche d'emploi (définition des compétences et correspondance à l'ancienneté).

Microsoft Cognitive Services comprend plus de 21 services dans les domaines de la vision, de la parole, la langue, la connaissance et la recherche.

5. Les intérêts et l'esprit d'entreprise

Effectivement, de la part du public l'intérêt pour l'IA a augmenté six fois au cours des cinq dernières années. Nous notons une encore plus grande augmentation du nombre de placements dans des sociétés IA par les sociétés d'investissement (Figure 14). En effet, nous sommes entrés dans un cercle vertueux. Dans lequel les progrès dans le Deep Learning est d'attirer l'investissement, l'entrepreneuriat et la sensibilisation. Ce dernier, à son tour, catalysent de nouveaux progrès (figure 13).Intérêt 6 fois plus important pour l'IAInvestissement 7 fois plus élevé IA

Que se passe-t-il ensuite ?

Enfin, les avantages de la ML et du DL seront nombreux et importants. Beaucoup seront visibles, des véhicules autonomes à de nouvelles méthodes d'interaction homme-machine. Beaucoup seront moins apparentes, mais permettront de créer des processus efficaces aux services des consommateurs.
C'est ainsi pour tout changement de paradigme, parfois des attentes gonflés dépassera le potentiel à court terme. Nous nous attendons à une période de désillusion au sujet de l'IA à un moment donné. Véritablement, elle sera suivie par une reconnaissance plus longue et durable de sa valeur. Ainsi, comme la ML est utilisée pour améliorer et réinventer les systèmes existants.

Cet article fait suite également à "Nous sommes en train de vivre une quatrième révolution industrielle"

Quel est le sens de la vie dans un monde sans travail

Quel est le sens de la vie dans un monde sans travail

Ce billet fait lien et suite de celui-ci.

La plupart des emplois qui existent aujourd'hui pourraient disparaître dans quelques décennies. En effet, l’intelligence artificielle (IA) surpasse les humains dans plus en plus de tâches. Elle remplacera l’Homme dans plus en plus d’emplois. Beaucoup de nouvelles professions sont susceptibles d'apparaître, prenons pour exemple : designer de monde virtuel. Mais ces professions exigeront probablement plus créativité et de flexibilité. On ne sait pas si à 40 ans, un ex-chauffeur de taxi au chômage ou ex-conseiller en assurance sera en mesure de se réinventer en tant que concepteurs de mondes virtuels. D'ailleurs j'essaie d'imaginer un monde virtuel créé par un conseiller en assurance ! Et même si l'ex-conseiller en assurance fait la transition en concepteur de monde virtuel, le rythme des progrès est tel qu'une dizaine années suffira par le rendre obsolète. Dès lors il devra encore une fois, se réinventer.

L'intelligence artificielle va créer une nouvelle classe sociétale

Le problème crucial n’est pas de créer des nouveaux emplois. Le problème crucial est de créer des nouveaux emplois dont les humains réussissent mieux que les algorithmes. Par conséquent, d'ici 2050, une nouvelle catégorie de personnes pourrait émerger - la classe inutile. Les gens qui ne sont pas seulement au chômage, mais “inemployables”.

La même technologie qui rend l'homme inutile, pourrait aussi soutenir des masses inemployables par un certain système de revenu de base universel. Le vrai problème serait alors de garder les masses occupées et heureuses. Les gens doivent se livrer à des activités utiles, sinon ils deviendront fous. Alors, que ferait la classe inutile de toute leur journée ?

Nous menons une vie comme un jeu vidéo

Une réponse pourrait être les jeux vidéos. Sur le plan économique les personnes licenciées pourraient passer une quantité croissante de temps dans des mondes de réalité virtuelle. Ce qui leur donnerait beaucoup plus d'excitation et d'engagement émotionnel que le « monde réel ». Ceci, en fait, est une solution très ancienne. Depuis des milliers d'années, des milliards de personnes ont trouvé un sens à jouer à des jeux de réalité virtuelle. Dans le passé, nous avons appelé ces jeux de réalité virtuelle « religions ».

Qu'est-ce qu'une religion, sinon un grand jeu de réalité virtuelle joué par des millions de gens ? Les religions inventent des lois imaginaires, tels que « ne pas avoir de relations sexuelles avec une personne de même sexe », « ne pas manger de porc », « répéter les mêmes prières un certain nombre de fois par jour », et ainsi de suite. Ces lois existent que dans l'imagination humaine. Aucune loi naturelle exige la répétition de formules magiques, et aucune loi naturelle interdit l’homosexualité ni de manger du porc. Les croyants passent leur vie en essayant de gagner des points dans leur jeu. Si vous priez tous les jours, vous obtenez des points. A l'inverse, si vous oubliez de prier, vous perdez des points. Si la fin de votre vie, vous gagnez assez de points, vous allez au prochain niveau du jeu (c’est-à-dire le paradis).

La réalité virtuelle n'a pas la forme que l'on imagine

Comme les religions nous montrent, la réalité virtuelle n'a pas besoin d'être enfermée dans une boîte isolée. Au contraire, il peut se superposer à la réalité physique. Dans le passé, cela a été fait avec l'imagination et des livres sacrés. Au 21ème siècle il peut être fait avec les smartphones.

L’année dernière j’ai chassé des Pokémon avec ma fiancée. Alors que nous marchions dans la rue, je regardais mon smartphone, ce qui m’a permis de repérer les Pokémon tout autour de nous. Elle ne voyait pas de Pokémon du tout, parce qu’elle n’avait pas (encore) téléchargé l’application. Ensuite, nous sommes allés au parc, il y avait des dizaines et des dizaines de personnes qui “chassaient”. J’ai trouvé une grande similitude avec la situation conflictuelle dans la ville sainte de Jérusalem. Quand vous regardez la réalité objective de Jérusalem, tout ce que vous voyez ce sont des pierres et des bâtiments. Il n'y a aucune “sainteté” nulle part. Mais quand vous regardez à travers le moyen de “smart-book” (tels que la Bible et le Coran), vous voyez partout des lieux saints et des anges.

L'idée de trouver un sens à la vie en jouant à des jeux de réalité virtuelle est évidemment commun non seulement aux religions, et aussi aux idéologies laïques. Le consumérisme est aussi un jeu de réalité virtuelle. Vous gagnez des points en acquérant de nouvelles voitures, en achetant des marques ou de prendre des vacances à l'étranger. Si vous avez plus de points que tout le monde, vous vous dites que vous avez gagné le jeu. Peut être que le succès des réseaux sociaux en est pour quelque chose. Nous aimons dévoiler nos points gagnés, nos voyages, notre vie (pourvu qu’elle soit meilleure que la tienne).

facebook -gagne-des-points

Nos pensées dictent notre sens de la vie

On peut objecter que les gens aiment vraiment leurs voitures et les vacances. C'est certainement vrai. Et les religieux apprécient vraiment la prière, les cérémonies, et j’ai vraiment aimé la chasse aux Pokémon. En fin de compte, l'action réelle prend toujours place à l'intérieur du cerveau humain. Est-ce important que les neurones soient stimulés en observant des pixels sur un écran d'ordinateur, en regardant dehors par la fenêtre d'une station balnéaire caribéenne ou en voyant le ciel dans les yeux de l'esprit ? Dans tous les cas, le sens que nous attribuons à ce que nous voyons est généré par notre propre esprit. Il est pas vraiment « là-bas ». Notre vie est transréel.

"Aux meilleurs de nos connaissances scientifiques, la vie humaine n'a pas de sens." - Ludo Louis dans un bar en juillet 2011 vers 2h14

La puissance de la suggestion

Selon Bernard Michel Boissier, le cerveau n’apprend pas et ne prend pas de décision. Ce qui fait de lui, cette machine extraordinaire est la suggestion. Cette voix qui parle au fond de nous fait fonctionner tout son potentiel. Le sens de la vie est toujours une histoire fictive créée par nous les humains.

Si vous avez à la maison un fils adolescent qui aime les jeux vidéos, vous pouvez effectuer votre propre expérience. Lui fournir une subvention minimum de Coca-Cola et de pizza, puis supprimer toutes les demandes de faire ses devoirs et toute supervision parentale. Le résultat probable est qu'il restera dans sa chambre pendant des jours, collé à l'écran. Il ne fera aucun travail ni le ménage, n'ira pas à l'école, sautera les repas, les douches et le sommeil. Pourtant, il est peu probable qu’il souffre d'ennui ou d’un sentiment d'inutilité. Du moins pas à court terme. Et la suggestion, précédemment citée, lui dira que sa vie n'a peut-être pas plus de sens d'être devant cet écran.

D'où les réalités virtuelles risquent d'être la clé pour donner un sens à la classe inutile du monde après le travail. Peut-être que ces réalités virtuelles seront générées à l'intérieur des ordinateurs. Probablement qu'ils seront générés en dehors des ordinateurs, sous la forme de nouvelles religions et idéologies. Eventuellement, ce sera une combinaison des deux. Les possibilités sont infinies et personne ne sait.

La fin du travail ne signifie pas disparition du sens de la vie

Dans tous les cas, la fin du travail ne signifie pas nécessairement la fin du sens de la vie, parce que le sens de la vie est généré par l'imaginaire. Le travail est essentiel pour avoir un sens de la vie uniquement selon certaines idéologies et modes de vie. L’Angleterre du XVIIIe siècle, les écuyers, les juifs ultra-orthodoxes actuels, et les enfants dans toutes les cultures et les époques ont trouvé beaucoup d'intérêt ainsi qu’un sens à la vie sans même travailler. Les gens en 2050 seront probablement en mesure de jouer des jeux plus profonds et de construire des mondes virtuels plus complexes que dans aucune autre époque de l'histoire.

Mais qu'en est-il de la vérité ? Qu'en est-il de la réalité ? Est-ce que nous voulons vraiment vivre dans un monde où des milliards de personnes sont plongées dans des fantasmes, poursuivant des objectifs à faire semblant et obéir aux lois imaginaires ? Eh bien, que cela plaise ou non, c'est le monde où nous vivons depuis des milliers d'années déjà.

Comprendre les limites de l’apprentissage en profondeur (Deep Learning)

Comprendre les limites de l’apprentissage en profondeur (Deep Learning)

L'intelligence artificielle a atteint un haut niveau médiatique. Nous pouvons lire dans la presse que les entreprises ont remplacé les travailleurs par Watson de IBM et que les algorithmes battent les médecins dans leurs diagnostic. Chaque jour de nouvelles start-up sur l'IA sont créées tous les jours, prétendant résoudre tous vos problèmes personnels et d'affaires.

Les objets ordinaires comme des frigos et des routeurs Wi-Fi s'annoncent soudainement « powered by AI ». Des bureaux intelligents qui se souviennent de vos paramètres de hauteur, peuvent aussi commander votre déjeuner.

Tout ce brouhaha est crée par des journalistes qui ne prennent pas le temps de discuter avec des ingénieurs ou des Digital Evangelist afin de s'assurer quelles entreprises utilisent vraiment de l'Intelligence Artificielle. Tant de fausses idées sont véhiculées. Lors de conversations passionnantes, je me retrouve à expliquer ce qui est possible et la limite actuelle de ce qui ne l'est pas (encore) pour l'Intelligence Artificielle.

Le Deep Learning est plus une prouesse qu'une promesse

Pour être claire d'entrée de jeu, les réseaux de neurones ont été crée dans les années 60. C'est donc une technologie vieille de plus de 50 ans ! Le Deep Learning est issu des réseaux de neurones artificiels. Les exploits ne sont visibles que depuis quelques années car nous avons aujourd'hui deux choses essentielles : les data et la puissance de calcul pour les traiter.

Les résultats sont indéniablement impressionnants. Les ordinateurs peuvent désormais reconnaître des objets dans les images et la vidéo et retranscrire au texte la parole mieux que les humains. Google a remplacé l'architecture de Google Translate par des réseaux de neurones, et maintenant la traduction automatique est aussi proche de la performance humaine.

L'apprentissage profond a aussi des problèmes profonds

Le problème le plus important aujourd'hui pour l'IA est l'abstraction et le raisonnement. Les algorithmes de perception et de Reinforcement Learning nécessite une quantité monstrueuse de données. Ces algorithmes ont pour limite de ne pas planifier leur action et ne font qu'une simple reconnaissance de modèle.

En revanche, les humains apprennent avec très peu d'exemples, peuvent faire de la planification à très long terme, et sont capables de former des modèles abstraits d'une situation et [manipulation] de ces modèles pour atteindre une généralisation extrême.

Pour simplifier : lorsqu'un enfant commence à parler, on lui dit "voiture" on pointe du doigt (connaissance du modèle), l'enfant répète "voiture", le parent lui répond "oui !" (acquisition du modèle). Maintenant une voiture peut être dangereuse, surtout lorsque nous traversons une route. L'enfant comprend "toutes les voitures sont dangereuses en roulant" (processus de généralisation). Lorsque l'enfant imagine traverser la route, il sait qu'il devra faire attention (processus de planification).

Comment ce cas est traité par le DP et le RL

Tout cela, était pour l'apprentissage humain. Pour un réseau de neurone c'est tout autre. Reprenons le même cas que représente le danger d'une voiture.

Pour l'apprentissage supervisé, vous aurez besoin d'énormes ensembles de données de situations différentes. D'une part il faudra reconnaitre une voiture dans n'importe quel angle, luminosité, vitesse différents. Et pour chaque cas des actions à prendre clairement identifiées. Comme « en arrêt » ou « en mouvement ». Ensuite, vous aurez besoin de former un réseau de neurones pour apprendre la correspondance entre la situation et l'action appropriée.

Pour l'apprentissage par renforcement, vous donnez à l'algorithme un but et le laisser déterminer indépendamment les actions idéales à prendre. Comme nous l'avions vu dans mon billet sur le Reinforcement Learning, l'ordinateur apprend en faisant des erreurs. Il va donc "mourir" des milliers de fois avant d'apprendre à éviter les voitures dans différentes situations. Et entre nous, nous n'avons qu'une vie et heureusement que notre cerveau n'agit pas de cette manière !

En effet, nous avons cette formidable capacité de "raisonnement", celui qui nous permet d'imaginer. C'est-à-dire de créer une réalité "imaginaire" et voir le pire comme se faire écraser par une voiture.

“You cannot achieve general intelligence simply by scaling up today’s deep learning techniques,” warns Chollet*.

"Vous ne pouvez pas obtenir des renseignements généraux simplement en multipliant les techniques d'apprentissage en profondeur d'aujourd'hui ", prévient M. Chollet

*François Chollet, est un ingénieur en IA chez Google. Aussi créateur de la bibliothèque de Deep Learning Keras.

Une limite, limite beaucoup l'apprentissage

Alors que les réseaux de neurones obtiennent des résultats statistiquement impressionnants à travers des échantillons de grande taille. Ils sont « individuellement peu fiables » et souvent font des erreurs que les humains ne feraient jamais, comme classer une brosse à dents comme une batte de base-ball.

brosse-à-dent-batte-baseball
brosse-à-dent-batte-baseball

La limite que l'ensemble des données soit erronée a joué des tours à Microsoft et Twitter. J'avais écris un article sur Siècle Digital sur ce sujet.

Peut-on surmonter la limite du Deep Learning ?

Je t'invite à lire la suite sur mon LinkedIn.

Etude McKinsey - un robot va-t-il remplacer ton job ?

Etude McKinsey - un robot va-t-il remplacer ton job ?

Etude McKinsey ; remplacé par un robot ou pas

Les progrès récents dans l'intelligence artificielle ont rendu techniquement possible d'automatiser de nombreuses tâches.

Cependant la complexité du travail moderne signifie aussi que les gens font plusieurs opérations différentes. Les travailleurs, et surtout les cols blancs, complètent une grande variété de tâches au travail.

Cette calculatrice interactive, basée sur les données du McKinsey Global Institute, donne une indication de la façon dont l'avenir du travail va changer. L'IA et de l'automatisation vont tout simplement remplacer les activités professionnelles des travailleurs.

étude mckinsey job remplacé par robot
étude mckinsey

Presque toutes les professions à certaines tâches près peuvent être automatisées. Cependant, selon l'étude McKinsey, moins de 5 pour cent des professions peuvent techniquement utiliser des processus entièrement automatisée.

A savoir, même pour des activités techniquement automatisable, la mise en place dépendra d'un certain nombre de facteurs :

  1. le coût du déploiement de solutions robotiques,
  2. les avantages économiques de cette opération,
  3. l'offre et la demande de main-d'œuvre humaine,
  4. la réglementation et,
  5. l'acceptation sociale

Méthodologie de l'étude McKinsey

Selon l'étude, la mise en place en fonction de ses critères pourrait prendre des dizaines d'années, même si la technologie est réalisable actuellement.

Elle a été réalisé en utilisant les données du Bureau des statistiques du travail des États-Unis. 820 professions analysées dont il existe environ 2 000 activités uniques. McKinsey a ensuite évalué, pour chaque activité, quelle combinaison de 18 capacités de performance différentes étaient nécessaires pour effectuer cette activité.

Par exemple, le travail du conseiller vendeur se compose d'activités telles que « Saluer le client », «Démontrer les caractéristiques du produit», etc. Le salut des clients requiert des capacités telles que la «perception sensorielle», avoir une «sensibilité sociale et émotionnelle» et «génération de langage naturel».

Dès lors, l'étude a ensuite considéré quel niveau de performance de cette capacité est nécessaire. En fonction de la façon dont les humains effectuent actuellement ces activités. Ils ont également évalué si la technologie d'automatisation existante pouvait atteindre le même niveau de performance. De plus, une activité est considérée techniquement automatisable uniquement si la réponse est oui pour toutes les capacités requises pour effectuer cette tâches.

 

 

Le défi auquel nous sommes confrontés aujourd'hui n'est pas un « monde sans travail », mais un monde qui change rapidement de travail

Le défi auquel nous sommes confrontés aujourd'hui n'est pas un « monde sans travail », mais un monde qui change rapidement de travail

Cet article fait référence à ce précédent billet.

Le rythme des progrès dans l'intelligence artificielle et l'automatisation s'accélère rapidement

Dans l'unique mois de février, ce ne sont pas moins de cinq informations importantes que j'ai vu:

  • Google DeepMind Ltd à Londres, a développé un système pour numériser 1 million d' images à partir de scanner de l' oeil. L'IA sera suffisamment compétente pour repérer des maladies de l'oeil beaucoup plus tôt qu'un humain le pourrait.
  • Rethink Robotics Inc. de Boston, Massachusetts, fondée par l'ancien directeur du MIT AI Lab. Rodney Brooks, a fait des améliorations incroyables à ses robots Sawyer. Ce sont des robots que l'on peut entrainer très rapidement pour des tâches routinières. Mais il est aussi capable de procéder à des vérifications techniques dignes d'un expert.
  • H & R Block ont commencé à utiliser le système informatique Watson d'IBM pour maximiser les déductions des clients. Watson "connaît" des milliers de pages de code sur l'impôt fédéral et mettra à jour les changements à mesure de son apprentissage.
  • NuTonomy Inc., une startup développant les voitures auto-conduites basées sur la technologie du MIT. Ils ont lancé une petite flotte de taxis autonomes à Boston.
  • Forward , San Francisco, une startup fondée par l'ancien directeur des projets spéciaux de Google. Ils tentent de déplacer les soins de santé traditionnels aux soins proactifs grâce à l'utilisation de l'IA en raccourcissant le temps des diagnostics.

Le Deep Learning et les réseaux neuronaux ont considérablement amélioré leur propre efficacité. Cela conduit à des performances de niveau humain dans de nombreux domaines; tels que la vision, de la parole (conversationnelle) et la résolution de problème. En conséquence, les industries sont au milieu d'une transformation majeure de grande envergure.

Mais il y a aussi un changement sociétal

Le revenu médian en Amérique est plus faible aujourd'hui que dans les 15 dernières années. Comme on le voit dans les récentes élections américaines, il y a insatisfaction quant à la répartition inégale des avantages du progrès technologique. Recherche IDE soutient les gouffres que beaucoup ressentent.

Les rumeurs au sujet des robots qui remplacent de plus en plus le travail humain sont d'actualité; avec des préoccupations légitimes. Bien sûr, ce n'est pas la première fois que l'automatisation a transformé les usines. Cependant avec des technologies IA de plus en plus fiable d'aujourd'hui, l'automatisation commence à se glisser dans les domaines qui semblaient à l'abri de ce changement, comme le droit, l'éducation, et journalisme.

Au milieu de toutes ces merveilles, il est important de se rappeler qu'il n'y a pas de pénurie de travail qui peut être fait que par les humains. Comme dans ce précédent billet, j'explique qu'il y aura toujours du travail mais pas forcément avec des emplois. Et cela restera vrai pour de nombreuses années. Le défi auquel nous sommes confrontés aujourd'hui n'est pas un « monde sans travail », mais un monde qui change rapidement de travail. La réponse est donc non pas simplement de remplacer le revenu pour les travailleurs étant déplacés par la technologie, mais de les préparer à faire de nouveaux emplois. Ces emplois qui font cruellement défaut dans l'éducation, les soins de santé, les infrastructures, le nettoyage de l'environnement, l'esprit d'entreprise, l'innovation, la découverte scientifique, et beaucoup d'autres domaines.

Le travail oui, mais différemment

Comment ? Trop de dirigeants patronaux et syndicaux ainsi que des hommes politiques, sont devenus complaisants. Ils craignent un avenir qui va perturber (disrupter) les modèles et les économies actuelles. Mais la solution à la disruption n'est pas de protéger le passé du futur ni de geler les anciennes façons de faire. C'est garantir l'échec. La meilleure voie à suivre est d'adopter des outils et des modèles émergents qui non seulement créent des biens et des services, mais la prospérité générale.

Le développement de produits et des services IA d'une manière compétitive, ne doit pas entrer en conflit avec le déploiement - et le redéploiement - de la main-d'œuvre.

Au lieu de penser l'IA comme un jeu à somme nulle, ou un moyen d'automatiser des emplois et des services existants. Les dirigeants avant-gardistes reconnaissent que la technologie apporte une valeur ajoutée. En développant des emplois et stimulant la productivité.

Quand la technologie vient compléter les travailleurs humains, qui les rend plus productifs, et réduit également les coûts (La nouvelle société du coût marginal zéro ? prédit Jeremy Rifkin), les entreprises et les employés sont mieux lotis.

 

Source

Futur du Deep Learning ? Le Reinforcement Learning !

Futur du Deep Learning ? Le Reinforcement Learning !

Le sujet est complexe, si tu veux du pragmatique, je te conseille de lire le dernier paragraphe. Bonne lecture 🙂

Le cerveau humain vs Reinforcement Learning

Les humains sont excellents dans la résolution d'une grande variété de problèmes, en plus leur cerveau consomme peu d'énergie. L'objectif chez DeepMind est de créer des agents artificiels qui peuvent atteindre un niveau de performance similaire.

Comme un être humain, leurs agents apprennent eux-mêmes pour parvenir à des stratégies efficaces qui mènent aux plus grandes récompenses à long terme. Ce paradigme de l'apprentissage par essais et d'erreurs, est connu comme l'apprentissage par renforcement (Reinforcement Learning).

En outre, comme un être humain, ces agents construisent et apprennent de leurs connaissances directement à partir de matières brutes. Telles que la vision et sans fonctionnalités d'ingénierie codée préalablement à la main ou du domaine heuristique. Cet objectif est atteint par l'apprentissage en profondeur (Deep Learning j'en parle ici) des réseaux de neurones.

Au DeepMind, ils ont mis au point la combinaison de ces approches - le deep reinforcement learning (DRL) - pour créer les premiers agents artificiels à atteindre une performance de niveau humain dans de nombreux domaines jugés difficiles.

L'IA doit faire des erreurs pour apprendre

Les agents doivent continuellement faire des jugements de valeur de manière à sélectionner les bonnes actions des plus mauvaises. Cette connaissance est représentée par un Q-réseau qui estime la récompense totale qu'un agent peut espérer recevoir après avoir pris une action particulière.

Il y a deux ans, ils ont crée avec succès l'algorithme sur l'apprentissage par renforcement profond (Deep Reinforcement Learning). L'idée principale était d'utiliser des réseaux de neurones profonds pour représenter le Q-réseau, et de former ce Q-réseau pour prédire la récompense totale. Les précédentes tentatives pour combiner RL avec les réseaux neuronaux ont largement échoué en raison de l'apprentissage instable.

Pour répondre à ces instabilités, les Q-réseaux profonds (DQN) stocke toutes les expériences de l'agent. Puis au hasard, il pioche des échantillons et rejoue ses expériences pour fournir des données de formation diverses et décorrélés. Ils ont appliqué le DQN dans l'apprentissage des jeux sur la console Atari 2600.

A chaque pas, l'agent observe les pixels bruts sur l'écran, un signal de récompense correspondant au score de jeu, et sélectionne une direction du joystick. Dans l'article de Nature, ils ont formé des agents DQN différents pour 50 jeux différents Atari, sans aucune connaissance préalable des règles du jeu.

Comparison of the DQN agent with the best reinforcement learning methods in the literature. Comparaison of the DQN agent with the best reinforcement learning methods in the literature.

Étonnamment, DQN atteint des performances de niveau humain dans près de la moitié des 50 matchs auxquels il a été appliqué; bien au-delà de toute méthode précédente. Le code source DQN et émulateur Atari 2600 sont librement accessibles à tous ceux qui souhaitent expérimenter eux-mêmes.

Toujours plus performant

Ils ont par la suite amélioré l'algorithme DQN à bien des égards ; stabiliser davantage les apprentissage dynamique ; hiérarchiser les  expériences relus ; normalisation, agrégation et remise à l' échelle des sorties. La combinaison de plusieurs de ces améliorations conduit à une progression de 300% du score moyen pour les jeux Atari; des performances de niveau humain ont été réalisé dans presque tous les jeux Atari.

Les ingénieurs peuvent même former un réseau neuronal unique pour en apprendre davantage sur plusieurs jeux Atari. Deep Mind a également construit un système en open source, connu sous le nom Gorila, qui utilise la plate-forme Google Cloud pour accélérer le temps de formation ; ce système a été appliqué dans la recommandation dans les systèmes de Google.

Le Reinforcement Learning asynchrone

Cependant, Q-réseaux profonds ne sont qu'un moyen de résoudre le problème de RL profonde. Ils ont récemment introduit une méthode encore plus pratique et efficace basée sur un RL asynchrone. Cette approche exploite les capacités de multit-reading de CPU standard.

L'idée est d'exécuter de nombreux exemples à leur agent en parallèle, mais en utilisant un modèle partagé. Cela fournit une alternative viable à l'expérience de rediffusion.

Leur algorithme acteur-critique asynchrone, A3C , combine un DQN avec un réseau pour la sélection des actions. Il obtient des résultats state-of-the-art, en utilisant une fraction du temps de formation des DQN et une fraction de la consommation des ressources de Gorila.

En construisant de nouvelles approches de la motivation intrinsèque et la planification dans le temps abstrait , ils ont également obtenu des résultats exceptionnels dans les jeux les plus notoirement sur les jeux difficiles Atari, tels que la vengeance de Montezuma.

Asynchronous RL effectue également bien dans ces domaines et, lorsqu'il est complété par une stratégie de contrôle hiérarchique, peut résoudre des problèmes difficiles sans aucune connaissance préalable.

Alors que les jeux Atari démontrent un large degré de diversité, ils sont limités à la 2D. Google a récemment introduit Labyrinth : une navigation 3D plus difficile avec des environnements de résolution d'énigmes. Encore une fois, l'agent observe des entrées à base de pixels dans son champ de vision, et doit comprendre la carte pour découvrir et exploiter des récompenses.

Étonnamment, l'algorithme de A3C réalise des performances au niveau humain, sur de nombreuses tâches de labyrinthe. Une autre approche basée sur la mémoire épisodique a également fait ses preuves. Labyrinth sera également publié en open source dans les prochains mois.

Des applications de tous les jours ?

Ils ont également développé un certain nombre de méthodes de RL profond pour les problèmes de contrôle en continu telles que la manipulation robotique et la locomotion (automobile). Leur algorithme Deterministic Policy Gradient Algorithmss (DPG) fournit un analogue aux DQN. Et surtout chez Google et Facebook, le RL es utilisé pour créer des nouvelles IA !

Concrètement, une voiture autonome apprend à conduire sans que nous l'avons programmé pour cela. Le réseau de neurone créer alors des "expériences" qu'il conserve et transmet aux autres voitures. Ainsi chaque voiture dans le monde possède les mêmes expériences simultanément. D'ailleurs Intel a fait conduire ses voitures autonomes sur le jeu GTA V.

Le jeu de Go est le plus difficile des jeux classiques. Malgré des décennies d'efforts, les méthodes antérieures avaient seulement atteint des performances de niveau amateur. Deep Mind a développé un algorithme de RL profond qui apprend à la fois un réseau de valeur (qui prédit le gagnant) et un réseau de politique (qui sélectionne les actions) à travers des jeux. AlphaGo, programme ses réseaux neuronaux profonds avec une recherche "state-of-the-art".

Finalement en Octobre 2015, AlphaGo est devenu le premier programme à vaincre un joueur humain professionnel . En Mars 2016, AlphaGo défait Lee Sedol (le joueur le plus fort de la dernière décennie avec 18 titres mondiaux) par 4 jeux à 1, dans un match qui a été regardé par environ 200 millions de téléspectateurs.

Par ailleurs, ils ont également développé un jeu theorique par approches RL profonde , aboutissant à un joueur super-humain de poker en heads-up au No Limit Texas Hold'em.

De Atari à Labyrinthe, de l'automobile par la manipulation au poker et même le jeu de Go, les agents d'apprentissage de renforcement profond ont démontré des progrès remarquables sur une grande variété de tâches difficiles. Leur objectif est de continuer à améliorer les capacités de ces agents, et de les utiliser pour avoir un impact positif sur la société, dans des applications importantes telles que les soins et la santé.