Latest / Oser l'efficacité - Les stratégies de ceux qui font l’industrie / L’IA industrielle décryptée : Aux origines de l’IA

Transcript

L’IA industrielle décryptée : Aux origines de l’IA · Oser l'efficacité - Les stratégies de ceux qui font l’industrie

• 0:00
  Le monde des petites entreprises est fascinant.
• 0:02
  C'est un mélange unique de débrouillardise et d'adaptabilité.
• 0:05
  Mais parfois,
• 0:06
  on manque de compétences clés pour aller plus loin.
• 0:08
  Tu le ressens aussi Alors ce podcast est fait pour toi.
• 0:11
  Je suis Perrine Thiébaut,
• 0:12
  consultante en transformation numérique et je déniche pour toi les meilleurs outils,
• 0:16
  méthodes et technologies pour gagner en efficacité.
• 0:19
  Seule ou avec mes invités,
• 0:20
  je te partage des conseils actionnables pour avancer en toute sérénité.
• 0:24
  Alors,
• 0:25
  prêt à oser l'efficacité
• 0:28
  Nouvelle semaine,
• 0:29
  nouvelle thématique.
• 0:30
  Chaque jour,
• 0:30
  du lundi au vendredi,
• 0:31
  on décortique un sujet en profondeur avec des doses courtes et actionnables de moins de 15 minutes.
• 0:36
  Bonne semaine et bonne écoute
• 0:38
  Cette semaine,
• 0:39
  on se lance dans une thématique bouillante,
• 0:40
  l'IA et plus particulièrement l'IA dans l'industrie.
• 0:44
  En 2023,
• 0:45
  les IA conversationnelles comme ChatGPT explosent aux yeux du grand public,
• 0:49
  au point de devenir la définition même de l'IA.
• 0:52
  Sauf que l'IA,
• 0:53
  c'est bien plus ancien que ça et surtout,
• 0:55
  ça couvre un spectre bien plus large.
• 0:57
  Pour en parler,
• 0:58
  j'accueille Jean-Louis Amat.
• 0:59
  Jean-Louis
• 1:00
  il n'a pas attendu Chat GPT pour côtoyer l'IA,
• 1:02
  ça fait même 40 ans qu'il la côtoie au quotidien.
• 1:04
  Cette compétence,
• 1:05
  il la met au service de l'industrie avec une collection de cascades impressionnantes.
• 1:09
  Professeur,
• 1:10
  consultant,
• 1:11
  conférencier et membre de nombreux collectifs.
• 1:13
  Je pense que la personne la mieux placée pour le présenter,
• 1:16
  c'est lui-même.
• 1:16
  C'est le moment de l'accueillir.
• 1:18
  Jean-Louis,
• 1:18
  bienvenue,
• 1:19
  comment tu vas
• 1:20
  Bonjour Perrine,
• 1:21
  tout va bien
• 1:22
  Ravie de t'avoir sur le podcast.
• 1:24
  Est-ce que tu pourrais te présenter pour nos auditeurs s'il te plaît
• 1:27
  Oui, bien sûr.
• 1:28
  Je suis un scientifique qui travaille dans le monde du business.
• 1:31
  J'ai commencé par un doctorat en sciences de l'ingénieur que j'ai soutenu en 1987 chez IBM sur les applications de l'IA à l'analyse d'images de satellites.
• 1:41
  Après ça,
• 1:41
  j'ai fait carrière dans l'industrie en appliquant l'IA sur beaucoup de problématiques et de secteurs,
• 1:47
  ce qui m'a donné à la fois une vision large de l'industrie et de l'introduction du numérique,
• 1:51
  et surtout un sens pratique de la mise en œuvre de l'IA.
• 1:54
  En laboratoire,
• 1:55
  ça marche toujours beaucoup mieux que sur une chaîne de production.
• 1:58
  J'ai aussi été professeur d'université associée,
• 2:01
  enseignant l'IA au niveau ingénieur,
• 2:04
  créateur de start-up dans les années 90,
• 2:06
  et je me suis tourné il y a une vingtaine d'années dans le développement économique pour aider les entreprises dans leurs projets d'innovation et de développement.
• 2:13
  Je dirige actuellement l'agence des Ardennes et je suis membre du collectif start-up industriel et du hub France IA.
• 2:20
  Super.
• 2:20
  Est-ce que tu te considères comme un précurseur
• 2:22
  Parce que tu parles de beaucoup de choses qui n'étaient pas à la mode au moment où tu travaillais dedans.
• 2:27
  D'une certaine manière,
• 2:28
  oui.
• 2:28
  Parce que même si l'IA existait depuis un certain temps,
• 2:31
  on va en parler,
• 2:32
  j'ai été un des premiers dans le monde à travailler sur les applications de l'IA au traitement d'images.
• 2:37
  On était très peu d'équipes dans les années 80 à faire ça.
• 2:41
  Génial,
• 2:41
  j'ai hâte de creuser le sujet.
• 2:42
  Alors justement,
• 2:43
  avant d'attaquer le sujet qui nous occupe,
• 2:45
  je vais te poser mes trois petites questions signatures pour mieux te connaître,
• 2:48
  se mettre à l'aise avant de commencer et après,
• 2:50
  ce sera parti.
• 2:51
  Tu es prêt
• 2:51
  Oui.
• 2:52
  Alors,
• 2:53
  première question,
• 2:54
  qu'est-ce qui te rend fou
• 2:56
  Je dirais l'injustice.
• 2:58
  Très bien,
• 2:59
  je te rejoins parfaitement là-dessus.
• 3:01
  Quel est ton pire souvenir lié au numérique
• 3:04
  Mon pire souvenir,
• 3:05
  je me souviens encore d'une démo que j'ai dû faire quand j'étais jeune thésard chez IBM à Paris.
• 3:11
  Je venais de démarrer ma thèse et on recevait un vice-président de la NASA venu des États-Unis.
• 3:17
  On avait préparé la démo et tout marchait.
• 3:19
  Et au moment de la faire,
• 3:20
  rien n'a marché.
• 3:22
  C'est un très mauvais souvenir.
• 3:23
  Je crois que c'est le propre des démos.
• 3:25
  On peut les préparer aussi bien qu'on veut,
• 3:26
  au final,
• 3:27
  ça ne marchera jamais au bon moment.
• 3:29
  Et quelle est ta plus belle réussite inattendue
• 3:32
  Ce n'est pas quelque chose de technique.
• 3:34
  J'ai travaillé pendant longtemps sur du business développement technologique avec des grands groupes et j'ai appris que ça prend du temps,
• 3:40
  on travaille sur la durée.
• 3:42
  Il y a dix ans,
• 3:43
  j'étais en Franche-Comté,
• 3:44
  je m'occupais d'innovation et j'essayais notamment de lier du lien entre deux grands groupes qui sont installés là-bas.
• 3:50
  à savoir PSA avec l'usine de Sochaux et Général Electric qui a un site à Belfort.
• 3:55
  Je connaissais de loin les dirigeants locaux mais j'avais peu d'entrées.
• 3:59
  Et un jour dans le train de Paris,
• 4:00
  j'ai croisé le directeur scientifique de Général Electric qui m'a demandé spontanément d'organiser une rencontre avec son homologue de PSA au niveau national,
• 4:08
  que je connaissais.
• 4:09
  C'était inattendu mais opportun.
• 4:12
  Les opportunités inattendues,
• 4:13
  c'est les plus belles.
• 4:14
  Ok,
• 4:15
  merci beaucoup pour ces partages.
• 4:16
  Honnêtement,
• 4:17
  je m'attendais à ce que ta plus belle réussite inattendue,
• 4:19
  ce soit une démo qui marche du coup,
• 4:20
  mais bon,
• 4:21
  on fera avec.
• 4:24
  Du coup,
• 4:24
  on est prêt à attaquer le sujet.
• 4:25
  Donc aujourd'hui,
• 4:26
  l'idée,
• 4:26
  c'est de poser un peu les bases.
• 4:28
  Alors déjà,
• 4:29
  ça remonte à quand les origines de l'IA
• 4:32
  Évidemment, ça dépend du sens qu'on donne à ce terme.
• 4:36
  Mais je dirais que dès que l'homme a su faire des machines,
• 4:39
  il y a eu le rêve d'une machine pensante.
• 4:41
  Donc on peut dire que ça remonte à très loin,
• 4:43
  même si on ne sait pas le dater.
• 4:45
  Mais l'IA moderne remonte autour des années 50.
• 4:49
  Tout le monde sait que le terme intelligence artificielle est apparu la première fois dans un congrès scientifique à un Dartmouth en 1956,
• 4:57
  qui a été proposé par John McCarthy.
• 5:00
  C'est à peu près l'IA moderne à date de là.
• 5:03
  L'idée d'une rône artificielle pour copier le cerveau humain,
• 5:07
  le siège de la pensée,
• 5:08
  a été publiée en 1943.
• 5:11
  C'est la base des transformers actuels qui ont permis l'IA générative du moment.
• 5:15
  Le T de Chat Gpt signifie transformer.
• 5:19
  Ça marche.
• 5:19
  Et du coup,
• 5:20
  c'est quoi la première application qui donne naissance au mot en 1956
• 5:24
  Tu l'as en tête
• 5:25
  Ce n'est pas vraiment une application,
• 5:27
  ce sont des chercheurs qui ont créé le concept intelligence artificielle.
• 5:33
  Auparavant,
• 5:33
  on appelait ça la cybernétique,
• 5:35
  plus ou moins.
• 5:35
  Ok,
• 5:35
  donc on est plus dans l'idée que de la mise en pratique à ce moment-là
• 5:38
  Oui, on est dans la recherche.
• 5:40
  Ok,
• 5:40
  ça marche.
• 5:41
  Sur ton profil,
• 5:42
  il y a quelque chose que j'aime bien,
• 5:43
  c'est que tu as une infographie en bannière LinkedIn qui montre l'histoire de l'IA.
• 5:47
  D'ailleurs,
• 5:47
  je veux bien que tu me l'envoies parce qu'elle est un peu floue sur ton profil et je la trouve quand même très intéressante.
• 5:52
  Et dessus,
• 5:52
  il y a un noté
• 5:53
  AI Boom.
• 5:54
  1980-1987,
• 5:57
  alors que pour le grand public,
• 5:58
  clairement,
• 5:58
  le boom,
• 5:59
  il est en 2023.
• 6:00
  Alors,
• 6:02
  du coup,
• 6:02
  c'est quoi ce boom en 80
• 6:04
  Je pense que c'est l'infographie,
• 6:05
  mais c'est Danielle Williams,qui a publié ce poster extraordinaire qui résume toute l'histoire de l'IA sur une page.
• 6:15
  Mais il vaut mieux une page A3 pour lire.
• 6:19
  Donc le poster est en haute résolution sur son site,
• 6:21
  je t'enverrai l'adresse.
• 6:22
  Super,
• 6:23
  merci.
• 6:23
  On vous le mettra dans les ressources.
• 6:24
  Oui,
• 6:24
  absolument.
• 6:25
  Alors ce boom des années 80,
• 6:28
  déjà l'IA s'est panée il y a deux ans évidemment,
• 6:31
  mais les années 80,
• 6:32
  c'est le début de l'informatique moderne.
• 6:34
  On commence à avoir des ordinateurs capables de faire des opérations en rythme très élevé pour l'époque,
• 6:40
  et à savoir traiter des données autrement que sur des cartes perforées.
• 6:44
  Parce qu'un peu avant...
• 6:45
  Il fallait des grosses piques de cartes pour mettre des données dans la machine.
• 6:49
  Dans les années 80,
• 6:49
  on commence à avoir les systèmes magnétiques,
• 6:52
  des bandes essentiellement.
• 6:53
  L'IA s'est développée dans la recherche,
• 6:55
  et dans les années 80,
• 6:57
  on atteint un niveau théorique dans la gestion des connaissances,
• 7:00
  qui commence à permettre de créer des applications.
• 7:03
  En ce temps-là,
• 7:03
  on était sur ce qu'on appelle l'IA symbolique.
• 7:07
  Il s'agissait davantage de modéliser le raisonnement,
• 7:10
  et on appelait ça des systèmes experts ou des systèmes à base de connaissances.
• 7:14
  Et du coup
• 7:17
  Est-ce que tu as des exemples très concrets de l'époque sur comment ça se modélise
• 7:22
  Oui, on commence à avoir des applications.
• 7:25
  D'ailleurs,
• 7:25
  une des toutes premières applications publiées dans les journaux,
• 7:28
  dans le grand public,
• 7:29
  je crois que c'était en 1982,
• 7:31
  c'est le projet qui s'appelait BSM,
• 7:33
  ça veut dire bateau sans médecin,
• 7:35
  qui était porté par IBM avec du diagnostic médical.
• 7:39
  L'idée étant que sur un bateau,
• 7:41
  il n'y a pas forcément un médecin.
• 7:43
  Et donc,
• 7:43
  on peut décrire les symptômes d'une maladie au système qui va faire un premier diagnostic de base.
• 7:50
  Donc,
• 7:50
  ce système était basé sur des règles qui exploitaient une base de connaissances.
• 7:55
  Tout processus pouvant être exprimé à base de règles se prête donc bien à ce genre de choses,
• 8:00
  notamment le diagnostic,
• 8:02
  qu'il soit de panne pour les machines ou médical sur des cas simples.
• 8:06
  Mais si on a eu des vraies applications de diagnostic dans l'industrie,
• 8:10
  Le médical,
• 8:11
  ça n'a pas trop marché parce que l'humain est bien plus complexe que les machines.
• 8:15
  Ces règles,
• 8:15
  elles ont des limites contraignantes qui sont la gestion des exceptions et dans le cas de règles trop nombreuses,
• 8:21
  la possibilité de contradictions.
• 8:23
  Par exemple,
• 8:24
  une règle,
• 8:25
  c'est du type,
• 8:25
  si c'est un animal et qu'il a des ailes,
• 8:27
  alors c'est un oiseau.
• 8:29
  Mais les chauves-souris ne sont pas des oiseaux alors qu'elles ont des ailes.
• 8:33
  Et puis,
• 8:33
  il y a des oiseaux qui ne volent pas,
• 8:34
  par exemple.
• 8:35
  On voit sur un exemple très simple la difficulté de décrire un domaine avec cette approche.
• 8:40
  Ok,
• 8:40
  très clair.
• 8:43
  On le voit aujourd'hui avec l'IA générative et tous les modèles d'entraînement dont on a entendu parler.
• 8:49
  On leur apprend au fur et à mesure,
• 8:50
  mais au bout d'un moment,
• 8:51
  ça peut être un peu complexe quand on a des choses qui se contredisent,
• 8:54
  exactement ce que tu viens de dire.
• 8:55
  Ok.
• 8:56
  Et du coup,
• 8:57
  entre cette période-là où une grosse accélération et aujourd'hui,
• 9:01
  plutôt 2023,
• 9:03
  on commence à avoir l'IA un petit peu grand public,
• 9:06
  accessible à tous,
• 9:07
  comment on en arrive là
• 9:08
  Comment est-ce qu'on arrive à finalement rendre accessible à tous la possibilité Finalement,
• 9:14
  ton exemple est bien choisi,
• 9:16
  ton diagnostic sans médecin,
• 9:16
  parce qu'aujourd'hui,
• 9:18
  tu pourrais presque,
• 9:18
  enfin tu peux d'ailleurs je pense,
• 9:20
  te faire diagnostiquer par ChatGPT si tu lui poses la bonne question.
• 9:23
  Oui,
• 9:23
  si on veut prendre des risques,
• 9:26
  on n'est pas sûr de la qualité du résultat.
• 9:30
  Alors,
• 9:30
  l'IA génératif,
• 9:31
  c'est 40 ans d'histoire.
• 9:32
  Et comme toute l'histoire,
• 9:33
  il y a eu plusieurs branches qui ont été explorées,
• 9:35
  certaines abandonnées,
• 9:36
  certaines qui sont revenues.
• 9:38
  Pour résumer,
• 9:39
  comme aujourd'hui,
• 9:39
  tout le monde a voulu se mettre à l'IA dans les années 80.
• 9:42
  A l'époque,
• 9:43
  c'était des systèmes experts.
• 9:45
  Et quand je dis tout le monde,
• 9:45
  c'est ceux qui avaient des ordinateurs assez puissants pour faire tourner ces systèmes.
• 9:49
  Mais ça ne marchait pas suffisamment bien pour les raisons qu'on a mentionnées.
• 9:53
  Alors,
• 9:53
  on a cherché d'autres approches.
• 9:55
  Il y a eu une période à la fin des années 80 où beaucoup de techniques différentes ont vu le jour,
• 9:59
  dont les systèmes multi-agents dont on parle beaucoup en ce moment.
• 10:02
  ou le case-based reasoning ou la programmation par contrainte,
• 10:06
  qui sont totalement inconnus du grand public en ce moment.
• 10:09
  Ces techniques reviendront peut-être un jour,
• 10:11
  certaines sont exploitées ponctuellement,
• 10:13
  mais on n'en parle pas du tout.
• 10:14
  Les limites des systèmes symboliques ont bien été identifiées et on s'est mis au machine learning,
• 10:19
  avec les fameux réseaux de neurones à qui il ne fallait donner ni un programme ni des règles,
• 10:24
  mais des données comprenant les exemples à modéliser.
• 10:27
  Pour reprendre l'image de tout à l'heure,
• 10:29
  il ne s'agit pas de décrire ce qu'est un oiseau,
• 10:32
  mais de montrer au système des exemples d'oiseaux,
• 10:34
  des images,
• 10:35
  et le faire apprendre.
• 10:36
  Ce sont ces réseaux de neurones qui constituent la base de l'IA générative actuelle,
• 10:41
  après être passés par un stade appelé deep learning où on a considérablement augmenté leur taille et leur complexité,
• 10:48
  donc le nombre de paramètres à régler et donc la puissance de calcul nécessaire.
• 10:53
  Les transformers qui ont été publiés en 2017 par Google sont une évolution de ces systèmes.
• 10:59
  capable d'ingurgiter des volumes énormes de données,
• 11:01
  comme plusieurs milliards de paramètres à configurer,
• 11:05
  et d'en restituer des synthèses,
• 11:06
  mais sans compréhension des données.
• 11:09
  C'est hyper intéressant.
• 11:10
  Tu as donné beaucoup de termes liés à l'IA dans ta description.
• 11:14
  C'est justement ce qu'on va voir dans notre épisode suivant.
• 11:17
  Puisqu'aujourd'hui,
• 11:17
  on a posé l'historique,
• 11:18
  on a compris que surtout l'IA,
• 11:20
  ce n'était pas juste chat GPT.
• 11:21
  Donc déjà,
• 11:22
  on a cassé cette barrière-là.
• 11:23
  Et donc,
• 11:23
  on va justement se plancher sur tous les termes barbares que tu as un petit peu disséminés partout pour aller comprendre un peu plus comment ça marche l'IA.