Les avantages de l’IA sémantique et pourquoi vous devriez vous y intéresser

Il y a beaucoup d'excitation autour de l'intelligence artificielle (IA) et de ce qu'elle peut apporter. La promesse d'une amélioration de la prise de décision et de l'automatisation du travail a alimenté les attentes quant aux avantages que la technologie peut apporter à l'économie mondiale, certains mesurant son impact total en billions de dollars. Mais toute cette excitation semble ignorer un fait important: l'approche traditionnelle de l'IA a de nombreuses limites techniques et fonctionne souvent comme une «boîte noire», produisant des résultats qui ne peuvent pas être compris par les humains et engendrent la méfiance.

Les limites de l'approche classique de l'intelligence artificielle

L'apprentissage automatique (Machine Learning) repose sur le Big Data et pour une bonne raison : pour obtenir des résultats optimaux, les modèles doivent être formés sur de grands ensembles de données. Le problème est que les données ne sont pas toujours disponibles. Imaginez une boutique en ligne récemment lancée et qui souhaite recommander des produits pertinents à ses clients. Sans avoir rassemblé suffisamment d'informations sur leurs préférences d'achat, il est difficile de créer un système de recommandation qui propose des produits adaptés à chaque utilisateur spécifique.

Un autre problème avec les modèles d'apprentissage automatique populaires est qu'ils sont généralement limités à un domaine. Cela signifie que chaque fois qu'une entreprise rencontre un nouveau problème, elle doit construire un nouveau modèle pour y remédier. Cela se produit car la même architecture d'apprentissage automatique ne fonctionne pas bien dans deux scénarios différents, ce qui est extrêmement inefficace.

Les algorithmes d'apprentissage automatique traditionnels ne sont pas non plus en mesure de prendre en compte le contexte propre à chaque ensemble de données. Cela limite ce que les algorithmes peuvent voir et comprendre, conduisant à de mauvais résultats. Un algorithme d'apprentissage automatique d'une boutique en ligne, par exemple, est incapable de comprendre que la laine est chaude et c'est pourquoi les gens la portent en hiver.

Mais le plus grand défaut des approches actuelles de l'IA est leur manque d'explicabilité. C’est pour cela qu’il est impossible de faire entièrement confiance à l’IA. L'explicabilité signifie qu'il existe des humains dignes de confiance qui peuvent comprendre et expliquer les résultats générés par l'IA. Malheureusement, les algorithmes d'apprentissage automatique les plus populaires offrent des résultats qui ne peuvent être expliqués, ils ne sont «qu'une question de fait».

Alimenter l'IA avec des capacités humaines

Les machines ont les limitations énumérées ci-dessus car elles ne peuvent pas faire quelque chose que vous faites tout le temps: associer des concepts et des idées. La capacité d’association est la base de notre compréhension humaine du monde. Si vous lisez le mot «plage», vous pensez peut-être au soleil, à la mer ou même au sable. Quelqu'un d'autre pourrait penser aux maillots de bain. Ces associations peuvent être larges et subjectives car elles sont basées sur la compréhension, les expériences et même les émotions. Les machines, en revanche, sont vraiment précises et ont un moyen plus exacte de traiter les informations. C'est là que l'IA sémantique entre en jeu car elle combine les deux approches.

L'IA sémantique est basée sur des graphiques de connaissances, qui sont une représentation des connaissances et agissent comme des médiateurs entre les humains et les machines. En d'autres termes, un graphe de connaissances suit la manière humaine de comprendre le monde en reliant les choses, les idées et les concepts. Sauf qu'il a un avantage: il peut être compris par les machines.

Puisqu'il s'agit d'une représentation des connaissances, le processus de création d'un graphe de connaissances d'entreprise va au-delà du service informatique d'une entreprise. Cela nécessite que des experts dans les différents domaines d'une entreprise collaborent et définissent les concepts avec lesquels ils travaillent et comment ils sont liés les uns aux autres. Cela peut sembler un processus très compliqué, mais il existe des méthodologies, des normes et des outils disponibles qui peuvent accélérer les choses en extrayant automatiquement de nombreux concepts de textes et de bases de données, par exemple. Le résultat de ce processus est une carte, ou plus précisément un graphe, généré dans un langage standardisé que les machines peuvent comprendre.

Les avantages de l'IA sémantique

Dès que la connaissance d'une entreprise ou au moins d'un sous-domaine est représentée sous forme de graphe, on n’a plus de limite. Le manque de big data, par exemple, devient moins un problème. Les applications d'IA sémantique peuvent utiliser le graphe de connaissances d'une entreprise pour classer les données, à la fois sous forme de documents texte et des bases de données, et cartographier ses interconnexions. Une fois cela fait, les algorithmes nécessitent moins de données pour produire des résultats pertinents car ils peuvent analyser non seulement les données elles-mêmes mais aussi leur contexte. Un système de recommandation de commerce électronique, pour suivre notre exemple précédent, pourra comprendre que la laine est chaude et que les produits en laine doivent être recommandés plus souvent quand il fait froid.

Les solutions d'IA construites à l'aide d'un graphe de connaissances sont également réutilisables. Une fois que les connaissances d’une entreprise sont modélisées dans ce format, elles sont distinctes des bases de données existantes. Cela signifie que le graphe des connaissances n'a pas à être limité à un domaine spécifique, mais peut couvrir tous les domaines dans lesquels une entreprise travaille pour être utilisé à plusieurs reprises par différentes applications.

Enfin, cette approche rend les algorithmes d'apprentissage automatique plus explicables. Étant donné que les relations entre les données sont mappées, il devient plus facile de comprendre comment un algorithme spécifique a atteint un résultat donné.

Construire une IA à laquelle les gens peuvent faire confiance

La transparence sera essentielle au développement de l'intelligence artificielle. Il y a deux raisons principales à cela: la responsabilité et la confiance. Dans certains cas, l'utilisation de l'intelligence artificielle peut entraîner des conséquences négatives, telles que la mise en danger des utilisateurs, comme c'est le cas pour la conduite autonome, ou en ayant un biais caché, comme cela peut être le cas pour les services des ressources humaines. Dans la prise de décision, être en mesure de comprendre comment l'IA parvient à une conclusion sera essentiel pour que les décideurs adoptent réellement la technologie.

Il est probable que cela sera finalement réglementé par les gouvernements, mais pour le moment il n'y a pas d'autre option que de rendre les décisions prises par l’IA plus transparentes. Le seul moyen de sortir de ce dilemme est une réingénierie fondamentale de l'architecture sous-jacente de l'IA, qui comprend la création de graphes de connaissances comme condition préalable à la création des applications. Une fois que cela deviendra la norme et non l'exception, nous aurons une intelligence artificielle à laquelle les gens peuvent faire confiance et qui fonctionne à un niveau beaucoup plus élevé que ce que nous voyons aujourd'hui.