Je m’intéresse à l’intelligence artificielle…

L’intelligence artificielle regroupe toutes les applications grâce auxquelles des machines imitent des fonctions cognitives humaines telles que l’apprentissage et la résolution de problèmes. Initialement cantonnées à l’exécution d’instructions, les machines peuvent désormais reconnaître des schémas et apprendre par elles-mêmes, en se basant sur d’immenses quantités de données, afin de faire des prédictions et d’agir en conséquence. L’autonomie croissante des systèmes basés sur du deep learning, la puissance de ces outils et leur place désormais prépondérante dans notre société nécessitent cependant une vigilance accrue lors de leur conception. Les ingénieures et ingénieurs en informatique et en systèmes de communication doivent en effet s’assurer que les biais induits par les jeux de données proposés aux machines soient limités, veiller à ce que ces mécanismes ne soient pas détournés à des fins de manipulation et, si nécessaire, corriger ces algorithmes.

Algèbre linéaire, analyse vectorielle, géométrie analytique ou encore statistiques, nombreux sont les outils mathématiques sur lesquels repose le machine learning. Malgré l’essor de ce domaine, ses théories sous-jacentes restent largement méconnues, raison pour laquelle de nombreux projets en mathématiques se concentrent sur ce sujet. En parallèle, bon nombre de scientifiques se basent sur l’intelligence artificielle pour faire avancer leurs recherches. Des chimistes développent de nouvelles molécules grâce aux prédictions fournies par des ordinateurs, tandis que les analyses automatiques d’images basées sur du machine learning facilitent le travail des physiciennes et physiciens à la recherche de lentilles gravitationnelles.

Initialement inspirés par le cerveau humain, les réseaux neuronaux utilisés en deep learning permettent désormais de mieux explorer son organisation et son fonctionnement. En travaillant sur des processus d’apprentissage à destination des machines, nous en apprenons également plus sur nos capacités cognitives et notre habilité à accomplir de nouvelles tâches. Enfin, le machine learning a permis de grandes avancées en termes d’analyse d’images et de prédictions dans le domaine médical. Nourries par d’immenses quantités de données, les machines peuvent en effet appuyer les médecins dans leurs diagnostics, mettre en lumière des détails pour les aider à détecter des maladies de façon précoce ou encore suggérer des prises en charge personnalisées.

Les progrès en analyse et classification d’images permettent désormais d’extraire automatiquement des informations géospatiales afin de faire des prédictions environnementales et territoriales. En outre, si le développement de véhicules autonomes est l’un des défis les plus communément cités lorsqu’il s’agit d’intelligence artificielle, les infrastructures doivent également évoluer pour les accueillir et permettre leur cohabitation avec d’autres usagers de la route. Bus autonomes, taxis-robots et cyclistes devront en effet pouvoir communiquer, se comprendre et naviguer en toute sécurité. Dans ces futures villes, les machines pourront également trouver des synergies énergétiques à exploiter, tout en proposant de nouvelles formes d’habitations adaptées à nos besoins grâce au design génératif, une méthode itérative permettant d’explorer de nombreux concepts tout en respectant les contraintes imposées.

Qu’il s’agisse de robots humanoïdes ou de véhicules autonomes, l’intelligence artificielle vise à leur conférer la capacité de percevoir leur environnement, de le comprendre, d’apprendre et d’agir en conséquence. Si la précision des analyses effectuées par des machines et leur vitesse sont aujourd’hui inégalées, elles restent confrontées à de nombreux soucis de perception (reflets du soleil, brouillard ou encore neige abondante), et ont encore des difficultés à interpréter des expressions faciales et des comportements humains, parfois liés à des us et coutumes locaux. Cependant, l’utilisation du machine learning dans un contexte industriel peut grandement contribuer au développement de nouveaux processus de production, permettant de rationnaliser l’utilisation de ressources et de travailler sur les designs les plus prometteurs, ou encore d’effectuer des maintenances préventives.