31
Annexe 5 - Description des grands domaines de recherche
en IA
Nous donnons ici un panorama des grands domaines de recherche en IA. Le but étant de proposer une
description synthétique et vulgarisée des différents domaines, de leurs buts, et de leurs enjeux actuels.
Pour une description plus fine (et plus précise) de la discipline et de ces différents domaines on pourra
se référer à « Panorama de l’Intelligence Artificielle », édité par Pierre Marquis, Odile Papini et Henri
Prade, chez Cepadues, qui comporte 3 volumes et 42 chapitres.
Apprentissage automatique (machine learning)
Les techniques d’apprentissage automatique sont aujourd’hui partie prenantes dans la plupart des succès médiatiques de l’IA, de la victoire de Watson à Jeopardy (même si la partie apprentissage ne constitue qu’une petite partie du système complet) aux succès retentissants de l’apprentissage supervisé en
reconnaissance d’images et de vidéo ces dernières années, et de l’apprentissage par renforcement au
jeu de Go et au Poker ces derniers mois. Si ces techniques existaient depuis quelques décennies déjà,
c’est bien l’arrivée de l’apprentissage profond dans le paysage de l’IA récente qui a permis ces succès
retentissants.
Apprentissage supervisé
Evolution scientifique depuis 2000 pour l’apprentissage supervisé
-Les années 2000 ont été dominées en large partie par des méthodes basées sur des problèmes
d’optimisation bien posés (le plus souvent convexe), comme les méthodes à noyaux (de type SVM) ou
plus généralement les techniques de régularisation par des normes. Les algorithmes viennent avec des
garanties théoriques précises venant souvent des statistiques et fonctionnent sur des problèmes linéaires de grande taille (exemple : la publicité en ligne) ou non- linéaires de taille moyenne (exemple :
vision avec peu d’images annotées).
-Les années 2010 ont vu l’émergence de l’apprentissage non-linéaire « end-to-end » à partir de bases
de données beaucoup plus grandes et des architectures de calcul efficaces, l’exemple le plus marquant
étant les réseaux de neurones profonds. Les garanties théoriques sont minces, mais la performance
dépasse souvent l’état de l’art, un des atouts de ces méthodes étant leur scalabilité, en particulier grâce
à des algorithmes sur des architectures distribuées (GPUs).
Evolution de l’environnement. Au niveau scientifique, la communauté voit naturellement vivre,
s’éteindre, revivre des méthodes et des modes depuis 20 ans. De « big data », on est passé par « data
science » puis maintenant « intelligence artificielle » pour parler d’un domaine dont les fondamentaux
scientifiques ont peu évolué.
Un grand changement récent est l’intérêt porté par les entreprises (et notamment les GAFA), qui «
grâce » à leur recrutement agressif de chercheurs et leur communication aussi très agressive, ont (a)
survendu les capacités des algorithmes existants, et (b) créé des attentes fortes donnant lieu à une forte
croissance de l’intérêt du grand public (et des étudiants) et du monde industriel.
Défis actuels. Apprentissage faiblement supervisé ; Apprentissage distribué ; Compréhension de
l’apprentissage profond
Apprentissage par Renforcement
Contexte historique. L’apprentissage par renforcement (RL) a pour objet la décision séquentielle optimale, en contexte incertain ou de très grande taille. En fonction de l’état du système, on choisit une
action, et on reçoit une récompense (souvent différée). L’apprentissage par renforcement et ses algo-
Annexe 5 - Description des grands domaines de recherche
en IA
Nous donnons ici un panorama des grands domaines de recherche en IA. Le but étant de proposer une
description synthétique et vulgarisée des différents domaines, de leurs buts, et de leurs enjeux actuels.
Pour une description plus fine (et plus précise) de la discipline et de ces différents domaines on pourra
se référer à « Panorama de l’Intelligence Artificielle », édité par Pierre Marquis, Odile Papini et Henri
Prade, chez Cepadues, qui comporte 3 volumes et 42 chapitres.
Apprentissage automatique (machine learning)
Les techniques d’apprentissage automatique sont aujourd’hui partie prenantes dans la plupart des succès médiatiques de l’IA, de la victoire de Watson à Jeopardy (même si la partie apprentissage ne constitue qu’une petite partie du système complet) aux succès retentissants de l’apprentissage supervisé en
reconnaissance d’images et de vidéo ces dernières années, et de l’apprentissage par renforcement au
jeu de Go et au Poker ces derniers mois. Si ces techniques existaient depuis quelques décennies déjà,
c’est bien l’arrivée de l’apprentissage profond dans le paysage de l’IA récente qui a permis ces succès
retentissants.
Apprentissage supervisé
Evolution scientifique depuis 2000 pour l’apprentissage supervisé
-Les années 2000 ont été dominées en large partie par des méthodes basées sur des problèmes
d’optimisation bien posés (le plus souvent convexe), comme les méthodes à noyaux (de type SVM) ou
plus généralement les techniques de régularisation par des normes. Les algorithmes viennent avec des
garanties théoriques précises venant souvent des statistiques et fonctionnent sur des problèmes linéaires de grande taille (exemple : la publicité en ligne) ou non- linéaires de taille moyenne (exemple :
vision avec peu d’images annotées).
-Les années 2010 ont vu l’émergence de l’apprentissage non-linéaire « end-to-end » à partir de bases
de données beaucoup plus grandes et des architectures de calcul efficaces, l’exemple le plus marquant
étant les réseaux de neurones profonds. Les garanties théoriques sont minces, mais la performance
dépasse souvent l’état de l’art, un des atouts de ces méthodes étant leur scalabilité, en particulier grâce
à des algorithmes sur des architectures distribuées (GPUs).
Evolution de l’environnement. Au niveau scientifique, la communauté voit naturellement vivre,
s’éteindre, revivre des méthodes et des modes depuis 20 ans. De « big data », on est passé par « data
science » puis maintenant « intelligence artificielle » pour parler d’un domaine dont les fondamentaux
scientifiques ont peu évolué.
Un grand changement récent est l’intérêt porté par les entreprises (et notamment les GAFA), qui «
grâce » à leur recrutement agressif de chercheurs et leur communication aussi très agressive, ont (a)
survendu les capacités des algorithmes existants, et (b) créé des attentes fortes donnant lieu à une forte
croissance de l’intérêt du grand public (et des étudiants) et du monde industriel.
Défis actuels. Apprentissage faiblement supervisé ; Apprentissage distribué ; Compréhension de
l’apprentissage profond
Apprentissage par Renforcement
Contexte historique. L’apprentissage par renforcement (RL) a pour objet la décision séquentielle optimale, en contexte incertain ou de très grande taille. En fonction de l’état du système, on choisit une
action, et on reçoit une récompense (souvent différée). L’apprentissage par renforcement et ses algo-