Se blinder de données et s’armer d’algorithmes. Ces réflexes seraient-ils la clé de la compétitivité pour les entreprises ? Le docteur Luc Julia, cocréateur de Siri, figure de référence dans le domaine de l’IA, et désormais directeur scientifique du groupe Renault, restitue les limites de cette course à l’IA.

Décideurs. Pour les néophytes, pourriez-vous présenter les grandes lignes de l’IA ?

Luc Julia. L’intelligence artificielle s’envisage comme un processus d’imitation de l’intelligence humaine. S’il en existe une infinité de types, on y distingue deux extrêmes : l’IA statistique et l’IA symbolique. La première et la plus connue est étroitement liée au deep learning, qui passe par l’apprentissage par les exemples. Plus le volume d’échantillons est important, plus la régularité statistique des données croît. Ce constat a provoqué l’engouement des dirigeants pour le big data : plus la base de données est grande, plus elle porte des prédictions précises. L’IA symbolique, quant à elle, est à l’origine de systèmes médicaux et financiers. Délaissée dans les années 90 avec l’avènement du big data, elle construit des modèles d’induction logique, autrement dit des mécanismes d’induction, qui définissent des règles générales capables d’exploiter tout type de données.

Que ce soit dans l’optimisation de tâches ou l’aide à la décision, il est presque trop facile de recourir à l’IA statistique. Dans l’idéal, les dirigeants parviendront à dépasser leur obsession en la matière, au profit des modèles de l’IA symbolique. Dès lors, l’entreprise élaborera de nouveaux supports pour la modélisation de compétences, de modèles prédictifs, qui seront précieux dans l’élaboration des stratégies d’entreprises. 

Beaucoup d’entreprises appréhendent l’IA comme un facteur de compétitivité. Est-ce une condition sine qua non au succès ?

Non, elle ne l’est pas. Néanmoins, le fantasme persiste. Trop longtemps, l’IA a été placée sur un piédestal. Couplée à sa facilité de mise en application, cela a engendré des utilisations intempestives. Or il faut comprendre que c’est un outil comme les autres, dont il faut définir les coûts à chaque étape de la chaîne de l’innovation. Pour un industriel, tel que le groupe Renault, elle intervient notamment en matière de maintenance prédictive. Ainsi, lors de travaux de perçage, des variations de vibration ou de grincement peuvent indiquer des faiblesses dans les matériaux ou encore les équipements. En recroisant ces paramètres, l’IA alertera le technicien avant la casse, pour éviter des coûts supplémentaires.

"L'IA ne fait que reproduire ce que l’homme lui a appris"

Cependant, l’IA n’est pas intelligente : elle ne fait que reproduire ce que l’homme lui a appris. Sans cette capacité d’innovation, son efficacité dépend uniquement de sa programmation par l’homme. Si certains paramètres peuvent en être codifiés, des caractéristiques complexes, dont l’empathie et l’initiative, sont impossibles à inculquer. En revanche, lorsque Renault travaille sur les modèles de voiture autonome, l’IA peut avoir une perception spatiale supérieure à celle du conducteur grâce à des caméras haute définition. Elle peut alors imposer, notamment, un freinage d’urgence. Pour autant, cela ne débouchera pas sur de la conduite parfaitement automatisée [dont les implications éthiques commencent avec le "dilemme du tramway", Ndlr]. De fait, dénuée d’intelligence fluide, elle ne saura pas réagir à une nouvelle situation pour laquelle elle n’est pas programmée. L’IA, bien réfléchie, constitue un facteur de compétitivité en tant qu’outil au renfort de l’homme, pas en substitut.

Vous êtes un fervent défenseur des enjeux climatiques, notamment à travers votre livre On va droit dans le mur publié cette année. Que pensez-vous de la sobriété numérique de l’IA ?

Inutile de faire sauter la planète. Autrement dit, un des problèmes majeurs de l’IA, d’autant plus celle statistique, tient à sa voracité en données et donc en énergie. En dépit de solutions existantes, trop d’entreprises s’en remettent au machine learning ou à un réseau de neurones, dont le fonctionnement dépend d’un volume considérable d’exemples.

Ainsi, l’automatisation d’une tâche peut tout simplement s’effectuer grâce à un arbre de décision. Revenir à des fondamentaux permet de garder à l’esprit les impératifs énergétiques et écologiques auxquels nous devons nous astreindre.

Cette consommation extrêmement importante d’énergie est en décalage complet avec le paradigme mondial actuel. Il faut d’autant plus se montrer vigilant, qu’il est facile de se complaire dans l’utilisation d’algorithmes et de data. Plus qu’auparavant, il faut réfléchir aux usages de l’IA et ses coûts associés. À terme, avec le retour de l’IA symbolique, et les prémisses des modèles d’IA hybride, à l’équilibre entre ces deux extrêmes, on imaginera des modèles plus frugaux.

Propos recueillis par Alexandra Bui


Newsletter Flash

Pour recevoir la newsletter du Magazine Décideurs, merci de renseigner votre mail

{emailcloak=off}

GUIDE ET CLASSEMENTS

> Guide 2023