De la science-fiction à la réalité : le parcours de l'IA vers l'entreprise moderne

Prononcez les mots « intelligence artificielle », et la plupart des gens pensent à Alexa et Siri. D'autres pensent à des films comme Terminator ou 2001 : L'Odyssée de l'espace.

La vérité, c'est que l'intelligence artificielle (IA) n'est pas un concept de science-fiction lointain. En fait, elle est partout autour de nous — pensez à Netflix qui vous recommande votre prochaine série ou Uber qui optimise le meilleur trajet pour rentrer chez vous.

L'IA est un écosystème sophistiqué de technologies modernes interconnectées qui a évolué sur des décennies — et continue d'évoluer aujourd'hui. Il n'est donc pas surprenant que l'histoire de l'IA soit également complexe et multicouche. C'est une histoire qui met en scène une variété d'outils et de capacités changeants qui ont construit l'IA telle que nous la connaissons jusqu'à son état actuel.

Pour comprendre l'importance de l'IA aujourd'hui — et se préparer pour demain — il est utile de comprendre où l'IA a commencé et comment elle a évolué pour devenir la technologie révolutionnaire qu'elle est aujourd'hui.

L'IA au XXe siècle : une preuve de concept ambitieuse

L'IA moderne est née dans les chambres académiques des départements de recherche d'universités d'élite, où des chercheurs réfléchissaient profondément à l'avenir de l'informatique. Mais ses premières années l'ont laissée confinée dans ces chambres, bloquée par un manque de données et de puissance de calcul.

En 1956, le Dartmouth College a accueilli le Projet de recherche d'été de Dartmouth sur l'intelligence artificielle — un atelier qui est devenu une première étape cruciale dans la recherche académique sur l'IA. Pendant l'atelier, 20 chercheurs ont cherché à prouver l'hypothèse selon laquelle l'apprentissage pouvait être décrit avec une telle précision « qu'une machine puisse être conçue pour le simuler ».

Un an plus tard, en 1957, le psychologue américain Frank Rosenblatt a étendu les recherches de Dartmouth avec le perceptron, un algorithme capable d'effectuer une classification binaire avec succès. C'est là que nous avons commencé à voir des preuves prometteuses de la façon dont des neurones artificiels pouvaient apprendre à partir de données.

Et un an plus tard, John McCarthy, participant au Projet de recherche d'été de Dartmouth sur l'IA, et de nombreux étudiants du MIT, ont développé Lisp (un nouveau langage de programmation). Des décennies plus tard, les recherches de McCarthy aideraient à donner vie à des projets nouveaux et encore plus passionnants, notamment le programme de langage naturel SHRDLU, le système d'algèbre Macsyma et le système de logique ACL2.

En regardant en arrière ces premières expériences, nous pouvons voir l'IA faire ses premiers pas chancelants du monde de la recherche théorique vers le monde pratique de l'informatique.

L'année 1960 a vu le lancement de Simulmatics, une entreprise qui prétendait pouvoir prédire comment les gens voteraient en fonction de leur démographie.

En 1965, des chercheurs ont développé les dits « systèmes experts ». Ces systèmes permettaient à l'IA de résoudre des problèmes spécialisés au sein de systèmes informatiques en combinant une collection de faits et un moteur d'inférence pour interpréter et évaluer les données.

Puis, un an plus tard, en 1966, le professeur du MIT Joseph Weizenbaum a conçu un programme de correspondance de motifs appelé Eliza, qui montrait aux utilisateurs que l'IA était intelligente. Les utilisateurs pouvaient donner des informations au programme, et Eliza, agissant comme un psychothérapeute, leur servait une question ouverte en réponse.

Au milieu des années 1970, les gouvernements et les entreprises perdaient confiance en l'IA. Les financements se sont taris, et la période qui a suivi est devenue connue sous le nom d'« hiver de l'IA ». Bien qu'il y ait eu de petites résurgences dans les années 1980 et 1990, l'IA a étémostly reléguée au domaine de la science-fiction et le terme était évité par les informaticiens sérieux.

À la fin des années 1990 et au début des années 2000, nous avons vu l'application à grande échelle de techniques d'apprentissage automatique comme les méthodes bayésiennes pour le filtrage anti-spam par Microsoft et le filtrage collaboratif pour les recommandations d'Amazon.

L'IA au XXIe siècle : des programmes pilotes énormément réussis

Dans les années 2000, la puissance de calcul, des ensembles de données plus volumineux et l'essor des logiciels open source ont permis aux développeurs de créer des algorithmes avancés qui révolutionneraient les communautés scientifiques, grand public, manufacturières et commerciales en un temps relativement court. L'IA est devenue une réalité pour de nombreuses entreprises aujourd'hui. McKinsey, par exemple, a trouvé 400 exemples où des entreprises utilisent actuellement l'IA pour résoudre des problèmes commerciaux.

Le web offre de nouvelles façons d'organiser les données

La révolution du web qui a balayé le monde au début et au milieu des années 2000 a laissé le monde de la recherche en IA avec des changements importants. Des technologies fondamentales comme le langage XML (Extensible Markup Language) et PageRank ont organisé les données de nouvelles façons que l'IA pouvait exploiter.

XML était une condition préalable au web sémantique et aux moteurs de recherche. PageRank, une innovation précoce de Google, a encore mieux organisé le web. Ces avancées ont rendu le web plus utilisable et de vastes pans de données plus accessibles à l'IA.

Dans le même temps, les bases de données devenaient meilleures pour stocker et récupérer les données, tandis que les développeurs travaillaient sur des langages de programmation fonctionnels qui rendaient l'exploitation de ces données plus aisée. Les outils étaient présents pour que les chercheurs et développeurs fassent progresser la technologie de l'IA.

Les réseaux de neurones et l'apprentissage profond démontrent le potentiel de l'IA

Il y avait de grands rêves pour l'IA au XXe siècle, mais la puissance de calcul les rendait presque impossibles à réaliser. Au XXIe siècle, cependant, les ordinateurs devenaient exponentiellement plus puissants pour stocker, traiter et analyser de grands volumes de données. Cela signifiait que les objectifs ambitieux des réseaux de neurones et de l'apprentissage profond pouvaient devenir réalité.

Les chercheurs ont développé des ensembles de données spécifiquement adaptés à l'entraînement des machines, aboutissant à des réseaux de neurones comme AlexNet. Auparavant, l'entraînement des machines reposait sur des ensembles de données comptant des dizaines de milliers d'exemples, mais l'avancement des unités de traitement graphique (GPU) a permis à de nouveaux ensembles de données d'en compter des dizaines de millions.

Le fabricant de puces informatiques Nvidia a lancé sa plateforme de calcul parallèle, CUDA, en 2006. Au sein de cette plateforme, Nvidia utilisait les GPU pour accélérer leurs calculs. Cette amélioration des performances a aidé davantage de personnes à exécuter des modèles d'apprentissage automatique larges et complexes écrits dans des bibliothèques comme TensorFlow et PyTorch.

Plus tard, ces bibliothèques sont devenues open source et ont inspiré une expérimentation généralisée à mesure que la technologie devenait plus accessible. Cette démocratisation de l'IA a permis à des outils passionnants comme AlphaGo, Google DeepMind et IBM Deep Blue de voir le jour.

La vision par ordinateur ouvre la porte à de nouvelles applications industrielles

Jusqu'aux années 2000, l'IA n'était vraiment utile que pour traiter du texte. Mais au tournant du siècle, les avancées en vision par ordinateur, qui permettaient aux ordinateurs de reconnaître et d'interpréter des images, ont propulsé les cas d'usage de l'IA vers de nouveaux sommets.

Cette fois, nos pionniers n'étaient pas des universitaires. Ils vivaient dans votre foyer et rendaient le nettoyage (le Roomba) et le jeu (la Xbox Kinect) plus faciles que jamais, apportant la vision par ordinateur dans les foyers du monde entier.

Nous avons également vu la vision par ordinateur utilisée dans les voitures autonomes émergentes et dans les hôpitaux pour détecter automatiquement des affections comme les lésions et la pneumonie.

Au-delà des cas d'usage spécifiques à l'industrie, la variété de la vision par ordinateur a également contribué à faire progresser l'automatisation des processus robotiques (RPA). 🎉 Combinée à la reconnaissance optique de caractères (OCR), les robots RPA peuvent traiter à la fois des données structurées et non structurées, ce qui a changé le monde de l'analyse de données tel que nous le connaissons.

L'analyse de données améliore les applications IA pour les entreprises

Les deux dernières décennies nous ont montré que l'automatisation et l'IA peuvent répondre à des cas d'usage commerciaux complexes. Et à mesure que l'IA devient encore meilleure pour analyser les données, les entreprises peuvent tirer encore plus parti de l'IA pour travailler plus intelligemment et plus efficacement.

Les banques utilisent l'IA pour classer les requêtes clients en différentes catégories à partir de grands volumes d'e-mails non structurés reçus annuellement. Ce processus est manuellement intensif ou génère de mauvais résultats avec une classification par mots-clés basée sur des règles. L'IA permet aux banques de classifier ces e-mails avec un haut niveau de précision et de réduire le temps de traitement moyen (AHT).

L'IA et l'automatisation n'aident pas seulement les entreprises de services financiers. Les payeurs de santé accélèrent l'identification des grossesses à haut risque. Le robot logiciel charge les données patient vérifiées et accède à un modèle prédictif pour évaluer les risques du patient, détermine le plan de gestion des soins approprié. Les résultats : augmentation de 24 % du nombre de grossesses à faible poids de naissance identifiées avec précision tout en évitant 44 % des grossesses à faible poids de naissance — économisant au total 11 millions de dollars par an. Lire l'histoire complète.

Le traitement du langage naturel et la reconnaissance vocale boostent l'utilisabilité de l'IA

Bien que l'IA ait commencé avec l'analyse de texte, elle ne l'a pas pour autant maîtrisé. Jusqu'à récemment, le texte — même avec l'OCR — devait être structuré dans des formats lisibles par machine. Le domaine du traitement du langage naturel (NLP) a repoussé les limites de la capacité à programmer des ordinateurs pour comprendre le langage naturel.

L'un des exemples les plus connus de NLP est Generative Pre-trained Transformer 3 (mieux connu sous le nom de GPT-3). GPT-3, introduit en mai 2020, utilise l'apprentissage profond pour générer du texte qui ressemble étroitement au texte produit par l'homme. Déjà, des applications intéressantes pour GPT-3 ont émergé, comme l'écriture d'articles (The Guardian, par exemple, a chargé GPT-3 d'écrire un article sur l'inoffensivité des robots) et la génération de programmes informatiques.

Les applications du NLP s'étendent au-delà de GPT-3. Le NLP peut être utilisé pour convertir la parole en texte, résumer automatiquement le sens d'un passage de texte, traduire du texte d'une langue à l'autre, et plus encore.

Bien que le NLP existe souvent à la pointe, il a aussi fait son chemin dans nos foyers. Les assistants virtuels comme Alexa et Google, par exemple, peuvent traiter des requêtes en langage naturel et les traduire en commandes exécutables. Avec une simple requête vocale, ces assistants IA peuvent rechercher des informations, router des commandes vers des appareils intelligents, comme des lumières ou des serrures, et plus encore.

L'avenir de l'IA : un changeur de jeu pour l'entreprise

Alors que nous entrons dans la prochaine décennie de maturité technologique, les cas d'usage de l'IA pour l'entreprise ne feront que croître. Les outils passés ont posé les fondations de ce qui est possible avec l'IA, mais il reste encore beaucoup de terrain à conquérir en portant ces outils à l'échelle.

À mesure que l'IA progresse encore davantage, nous verrons les entreprises tirer parti de la RPA, de l'apprentissage automatique, du process mining et de l'analyse de données pour créer une suite puissante d'automatisation de bout en bout, à mesure que ces technologies deviennent de plus en plus accessibles aux entreprises à tous les stades de maturité. L'IA ne sera plus le domaine exclusif des chercheurs et développeurs ; les utilisateurs quotidiens, aidés par des outils modernes, pourront créer des solutions basées sur l'IA pour les problèmes qu'ils identifient.

À mesure que la technologie devient plus accessible aux utilisateurs métier, nous verrons le volant de l'automatisation s'accélérer pour fournir aux entreprises de plus en plus d'idées et de possibilités d'applications IA. Ces possibilités seront soutenues par des plateformes et outils d'automatisation de pointe qui redémarreront et révolutionneront notre façon de travailler.

UiPath AI Fabric permet aux utilisateurs de lancer facilement un modèle, d'y injecter des données, d'obtenir des insights et d'évaluer l'utilité.

Note de l'éditeur : Alors que le marché de l'automatisation continue d'évoluer, la plateforme UiPath se met à jour pour mieux servir les besoins d'automatisation de nos clients. En tant que tel, le nom de produit AI Fabric a évolué depuis la publication originale de l'article. Pour des informations à jour, veuillez visiter notre page AI Center.

L'IA aujourd'hui : le bon moment pour commencer

Il est temps d'automatiser. Nous avons atteint le stade de l'évolution de l'IA où elle n'est pas théorique — elle est impérative et devrait débloquer des centaines de milliards de dollars de valeur pour les entreprises qui l'adoptent.

Découvrez comment les organisations leaders utilisent l'automatisation et l'IA pour transformer la vision de devenir une entreprise entièrement automatisée™ en réalité :