Pour faire simple et court, imaginez l’intelligence artificielle comme une boite noire qui prend des données en entrée et produit des résultats en sortie. Cette boite noire va simuler le raisonnement humain selon différentes méthodes. La plus traditionnelle consiste à définir un cheminement logique d’étapes connues et prédéfinies, pour aller d’une situation de départ vers le résultat final. Cette suite d’étapes constitue ce qu’on appelle communément « un algorithme », et sa consignation en langage machine « un programme informatique ».
D’un autre côté, une nouvelle branche de l’intelligence artificielle permet à la machine d’atteindre le résultat sans lui décrire le chemin à parcourir au préalable : Au lieu de décrire l’algorithme, on alimente la boite noire avec une quantité conséquente de données d’entrée avec leurs résultats correspondants (phase d’apprentissage). En fonction de la qualité et de la quantité de ces données, la machine apprend à calculer les résultats de façon autonome, en se construisant sa propre logique.
L’intelligence artificielle a plusieurs applications pratiques dans l’économie moderne, d’autant plus que toute situation qui permet de générer et capturer des données s’apprête à l’apprentissage machine. Dans le secteur industriel, les machines apprenantes permettent de faire de la maintenance prédictive en lançant une alerte avant le déclenchement d’une panne, car un arrêt non-planifié d’une chaîne de production peut entraîner des pertes financières énormes pour les entreprises. Grâce à l’utilisation de capteurs intelligents (Internet des Objets), les machines peuvent remonter des données sur l’environnement de production et l’état de fonctionnement (température, vibrations, humidité, pression …) et prédire la probabilité d’une panne dans les heures ou jours suivants.
Ceci permet aux opérateurs de planifier un temps d’arrêt des machines pour mener les activités de maintenance adéquates.
Dans le domaine de la santé, l’intelligence artificielle permet d’améliorer la détection et la prévention des maladies, ainsi que l’accompagnement des patients et l’aide au personnel soignant. Par exemple, il est possible à une machine d’analyser des images radio et d’y déceler des anomalies pathologiques. Sans pour autant prétendre remplacer les médecins, la technologie permet tout de même d’émettre rapidement des recommandations sur les mesures à adopter et le traitement à suivre, à faire valider ensuite par un médecin spécialisé. Par ailleurs, il est possible de monitorer l’état de santé d’un patient ou d’un proche à distance grâce à des capteurs qui remontent des données comme la température, la tension, les battements de cœur et la mobilité. Des algorithmes permettent ensuite d’avoir une vue globale sur l’état de santé du patient et de recommander des mesures préventives en cas d’alerte santé.
Il existe d’autres applications de l’apprentissage machine, notamment dans la finance et le commerce électronique. Les algorithmes analysent des quantités conséquentes de données clients, de comportements et d’interactions pour leur proposer des produits sur mesure, des services personnalisés mais aussi pour faire de la détection de fraude et de l’anticipation des tendances de consommation. Le marché mondial de l’intelligence artificielle est estimé à 11 milliards de dollars en 2019 et est supposé atteindre 90 milliards de dollars d’ici 2025. Notre pays se doit de prendre des mesures concrètes pour capturer une part de ce marché et passer du statut de simple consommateur à celui d’acteur confirmé.
La chaine de valeur de l’intelligence artificielle repose sur trois composantes essentielles : la capture des données, la transmission de données et le traitement des données. Le traitement des données produit le plus de valeur ajoutée car elle transforme un ensemble de données brutes en décisions ou recommandations. Le Maroc est donc appelé à développer son capital humain et construire une expertise pointue dans ce domaine, en couplant l’enseignement des mathématiques appliquées avec l’apprentissage des bases de l’algorithmique dès l’enseignement secondaire. Des filiales spécialisées en intelligence artificielle (et en Machine Learning plus précisément) doivent être créées au sein des écoles et des universités, avec une composante importante de programmes d’échanges internationaux avec universités et laboratoires de recherche spécialisés.
Dans un autre registre, il est important de développer des passerelles entre le monde universitaire et le monde de l’emploi dans ce domaine précis, les entreprises ayant de plus en plus besoin de « data scientists » et de « data analysts » pour structurer leurs données et en tirer le maximum de valeur. L’entreprenariat dans le digital, et en particulier dans le « machine learning », doit profiter de mesures incitatives administratives et fiscales pour encourager et accompagner le développement du secteur et étoffer l’offre de services et les domaines d’applications.
Concernant la transmission de données, l’intelligence artificielle, et le digital plus globalement, ne pourra se développer sans investir dans une infrastructure de communication robuste et fiable. Le pays connaît actuellement une fracture digitale entre les régions, mais aussi entre les classes sociales à cause des prix d’accès aux moyens de communications et de la faible couverture des réseaux à haut débit. D’autres pays ont fait de leurs infrastructures un pilier de développement social, à l’image du Rwanda qui a investi 95 millions de dollars pour installer 2300 km de fibre optique à travers le pays. Le développement de la 5G est tout aussi important pour le décollage du secteur de l’internet des objets, composante importante de l’intelligence artificielle dans les années à venir.
Il est primordial de veiller à ce que les avancées technologiques profitent uniformément à tout le pays et à tous les citoyens.
La technologie doit être pensée comme un moteur d’inclusion sociale et économique, une passerelle qui permet aux citoyens de s’ouvrir sur leur environnement et élargir leurs horizons, un moyen de démocratiser l’accès à l’information, aux services et aux produits. Si son déploiement est mal pensé et mal géré, elle ne fera qu’accentuer les disparités qui n’ont cessé de se creuser durant ces dernières années. Avis aux intéressés !
D’un autre côté, une nouvelle branche de l’intelligence artificielle permet à la machine d’atteindre le résultat sans lui décrire le chemin à parcourir au préalable : Au lieu de décrire l’algorithme, on alimente la boite noire avec une quantité conséquente de données d’entrée avec leurs résultats correspondants (phase d’apprentissage). En fonction de la qualité et de la quantité de ces données, la machine apprend à calculer les résultats de façon autonome, en se construisant sa propre logique.
L’intelligence artificielle a plusieurs applications pratiques dans l’économie moderne, d’autant plus que toute situation qui permet de générer et capturer des données s’apprête à l’apprentissage machine. Dans le secteur industriel, les machines apprenantes permettent de faire de la maintenance prédictive en lançant une alerte avant le déclenchement d’une panne, car un arrêt non-planifié d’une chaîne de production peut entraîner des pertes financières énormes pour les entreprises. Grâce à l’utilisation de capteurs intelligents (Internet des Objets), les machines peuvent remonter des données sur l’environnement de production et l’état de fonctionnement (température, vibrations, humidité, pression …) et prédire la probabilité d’une panne dans les heures ou jours suivants.
Ceci permet aux opérateurs de planifier un temps d’arrêt des machines pour mener les activités de maintenance adéquates.
Dans le domaine de la santé, l’intelligence artificielle permet d’améliorer la détection et la prévention des maladies, ainsi que l’accompagnement des patients et l’aide au personnel soignant. Par exemple, il est possible à une machine d’analyser des images radio et d’y déceler des anomalies pathologiques. Sans pour autant prétendre remplacer les médecins, la technologie permet tout de même d’émettre rapidement des recommandations sur les mesures à adopter et le traitement à suivre, à faire valider ensuite par un médecin spécialisé. Par ailleurs, il est possible de monitorer l’état de santé d’un patient ou d’un proche à distance grâce à des capteurs qui remontent des données comme la température, la tension, les battements de cœur et la mobilité. Des algorithmes permettent ensuite d’avoir une vue globale sur l’état de santé du patient et de recommander des mesures préventives en cas d’alerte santé.
Il existe d’autres applications de l’apprentissage machine, notamment dans la finance et le commerce électronique. Les algorithmes analysent des quantités conséquentes de données clients, de comportements et d’interactions pour leur proposer des produits sur mesure, des services personnalisés mais aussi pour faire de la détection de fraude et de l’anticipation des tendances de consommation. Le marché mondial de l’intelligence artificielle est estimé à 11 milliards de dollars en 2019 et est supposé atteindre 90 milliards de dollars d’ici 2025. Notre pays se doit de prendre des mesures concrètes pour capturer une part de ce marché et passer du statut de simple consommateur à celui d’acteur confirmé.
La chaine de valeur de l’intelligence artificielle repose sur trois composantes essentielles : la capture des données, la transmission de données et le traitement des données. Le traitement des données produit le plus de valeur ajoutée car elle transforme un ensemble de données brutes en décisions ou recommandations. Le Maroc est donc appelé à développer son capital humain et construire une expertise pointue dans ce domaine, en couplant l’enseignement des mathématiques appliquées avec l’apprentissage des bases de l’algorithmique dès l’enseignement secondaire. Des filiales spécialisées en intelligence artificielle (et en Machine Learning plus précisément) doivent être créées au sein des écoles et des universités, avec une composante importante de programmes d’échanges internationaux avec universités et laboratoires de recherche spécialisés.
Dans un autre registre, il est important de développer des passerelles entre le monde universitaire et le monde de l’emploi dans ce domaine précis, les entreprises ayant de plus en plus besoin de « data scientists » et de « data analysts » pour structurer leurs données et en tirer le maximum de valeur. L’entreprenariat dans le digital, et en particulier dans le « machine learning », doit profiter de mesures incitatives administratives et fiscales pour encourager et accompagner le développement du secteur et étoffer l’offre de services et les domaines d’applications.
Concernant la transmission de données, l’intelligence artificielle, et le digital plus globalement, ne pourra se développer sans investir dans une infrastructure de communication robuste et fiable. Le pays connaît actuellement une fracture digitale entre les régions, mais aussi entre les classes sociales à cause des prix d’accès aux moyens de communications et de la faible couverture des réseaux à haut débit. D’autres pays ont fait de leurs infrastructures un pilier de développement social, à l’image du Rwanda qui a investi 95 millions de dollars pour installer 2300 km de fibre optique à travers le pays. Le développement de la 5G est tout aussi important pour le décollage du secteur de l’internet des objets, composante importante de l’intelligence artificielle dans les années à venir.
Il est primordial de veiller à ce que les avancées technologiques profitent uniformément à tout le pays et à tous les citoyens.
La technologie doit être pensée comme un moteur d’inclusion sociale et économique, une passerelle qui permet aux citoyens de s’ouvrir sur leur environnement et élargir leurs horizons, un moyen de démocratiser l’accès à l’information, aux services et aux produits. Si son déploiement est mal pensé et mal géré, elle ne fera qu’accentuer les disparités qui n’ont cessé de se creuser durant ces dernières années. Avis aux intéressés !
Comment ça marche ?
Pour illustrer l’apprentissage machine, prenons l’exemple de la reconnaissance d’un chiffre manuscrit sur un bout de papier. Par simplification, supposons que le chiffre est écrit sur un carré de 16 cellules . A chaque cellule (ou neurone) est associée une valeur : 0 si elle n’est pas touchée par l’encre, 0.5 si elle est partiellement touchée, et 1 si elle pleinement touchée. Un chiffre manuscrit peut donc être modélisé par une suite de 16 neurones, chaque neurone comportant une valeur donnée (0, 0.5 ou 1).
En sortie, comme la boite noire doit reconnaître un chiffre entre 0 et 9, nous avons 10 résultats possibles (la couche de neurones en sortie).
La phase d’apprentissage consiste à montrer à la machine différentes façons d’écrire chaque chiffre à la main. Nous allons donc préparer, par exemple, 10 000 bouts de papier : 1000 bouts de papier avec des ‘0’ écrits à la main, 1000 avec des ‘1’, 1000 avec des ‘2’, et ainsi de suite. Pour chaque groupe de bouts de papier, nous allons dire explicitement à la machine quel chiffre est inscrit, en activant le neurone de sortie correspondant. Par exemple, pour signifier que le bout de papier contient un ‘0’, la couche de neurones en sortie aura la forme suivante [1, 0, 0, 0, 0, 0, 0, 0, 0, 0] et pour un bout de papier contenant le chiffre ‘4’, la couche de neurones aura la forme suivante [0, 0, 0, 0, 1, 0, 0, 0, 0, 0].
Pendant la phase d’apprentissage, la machine essaie de trouver la meilleure relation qui relie chaque neurone en sortie avec les neurones en entrée (réseau de neurones). Chaque neurone en sortie peut être vu comme une moyenne pondérée de tous les neurones en entrée (plus un petit écart). La machine essaiera donc de trouver les meilleurs « poids » à associer aux 16 neurones d’entrée, pour que les 10 000 bouts de papiers donnent les résultats les plus proches de la réalité.
Dernière note, au fur et à mesure que la boite noire tourne, un superviseur humain peut affiner la performance de la machine en lui indiquant les situations d’erreur et en lui fournissant des données d’apprentissage supplémentaires. Il existe des cas où l’on utilise des couches de neurones intermédiaires entre les entrées et les sorties, et ou les neurones de chaque couche sont reliés à ceux de la couche précédente. On parle alors d’apprentissage profond (Deep Learning).
Younes Haffane membre de l'alliance des économistes
Consultant en Stratégie et en Transformation Digitale
Pour illustrer l’apprentissage machine, prenons l’exemple de la reconnaissance d’un chiffre manuscrit sur un bout de papier. Par simplification, supposons que le chiffre est écrit sur un carré de 16 cellules . A chaque cellule (ou neurone) est associée une valeur : 0 si elle n’est pas touchée par l’encre, 0.5 si elle est partiellement touchée, et 1 si elle pleinement touchée. Un chiffre manuscrit peut donc être modélisé par une suite de 16 neurones, chaque neurone comportant une valeur donnée (0, 0.5 ou 1).
En sortie, comme la boite noire doit reconnaître un chiffre entre 0 et 9, nous avons 10 résultats possibles (la couche de neurones en sortie).
La phase d’apprentissage consiste à montrer à la machine différentes façons d’écrire chaque chiffre à la main. Nous allons donc préparer, par exemple, 10 000 bouts de papier : 1000 bouts de papier avec des ‘0’ écrits à la main, 1000 avec des ‘1’, 1000 avec des ‘2’, et ainsi de suite. Pour chaque groupe de bouts de papier, nous allons dire explicitement à la machine quel chiffre est inscrit, en activant le neurone de sortie correspondant. Par exemple, pour signifier que le bout de papier contient un ‘0’, la couche de neurones en sortie aura la forme suivante [1, 0, 0, 0, 0, 0, 0, 0, 0, 0] et pour un bout de papier contenant le chiffre ‘4’, la couche de neurones aura la forme suivante [0, 0, 0, 0, 1, 0, 0, 0, 0, 0].
Pendant la phase d’apprentissage, la machine essaie de trouver la meilleure relation qui relie chaque neurone en sortie avec les neurones en entrée (réseau de neurones). Chaque neurone en sortie peut être vu comme une moyenne pondérée de tous les neurones en entrée (plus un petit écart). La machine essaiera donc de trouver les meilleurs « poids » à associer aux 16 neurones d’entrée, pour que les 10 000 bouts de papiers donnent les résultats les plus proches de la réalité.
Dernière note, au fur et à mesure que la boite noire tourne, un superviseur humain peut affiner la performance de la machine en lui indiquant les situations d’erreur et en lui fournissant des données d’apprentissage supplémentaires. Il existe des cas où l’on utilise des couches de neurones intermédiaires entre les entrées et les sorties, et ou les neurones de chaque couche sont reliés à ceux de la couche précédente. On parle alors d’apprentissage profond (Deep Learning).
Younes Haffane membre de l'alliance des économistes
Consultant en Stratégie et en Transformation Digitale
