Par Jean-Milou Pierre, directeur, Architecte de données
Au cours des dernières années, on a beaucoup entendu parler de l’intelligence artificielle (IA). Mais malheureusement, les attentes sont le plus souvent insensées. Certains prétendent que l’intelligence artificielle remplacera l’humain. D’autres affirment qu’on pourra tout faire avec l’IA.
Mais malheureusement l’intelligence artificielle est à des années-lumière de ces attentes! Si on continue de dire que l’IA est magique et qu’elle peut tout faire, à un moment, on devra le prouver. Ainsi cette campagne fallacieuse autour de l’IA peut-elle ruiner les avancées prometteuses réalisées dans le domaine?
L’intelligence artificielle telle qu’on la perçoit n’existe pas encore. Mais il est possible qu’une nouvelle percée dans le domaine change la donne dans les prochaines années. Toutefois, avec ses avancées les plus récentes, l’IA peut être utilisée pour pallier certaines problématiques. L’un des domaines dans lequel l’IA pourrait aider est celui de la détection de fraude. En effet, l’intelligence artificielle a déjà fait ses preuves dans plusieurs domaines, mais le cas de la détection de fraude est intéressant. Il va nous permettre de démontrer facilement à un public non averti comment l’intelligence humaine est difficile à battre dans la réalisation de certaines tâches.
Il existe plusieurs types d’intelligence artificielle. Par exemple, il y a l’intelligence artificielle logique (système expert), l’intelligence artificielle statistique, etc. Nous nous intéressons, dans cet article, à l’intelligence artificielle statistique et plus particulièrement au Machine Learning (ML).
Les algorithmes de Machine Learning apprennent à partir des données pour pouvoir accomplir des tâches. Pour cela, les données doivent fournir suffisamment d’informations à l’algorithme (l’échantillon de données doit être représentatif de la population cible). La qualité d’un algorithme de Machine Learning est étroitement liée aux données. La quantité et la qualité des données sont primordiales. Les scientifiques de données qui développent des algorithmes dans le cadre de la détection de fraude peuvent en témoigner. Dans le cas de la détection de fraude, la quantité de données non conformes (liées aux fraudes) est souvent très restreinte par rapport aux données conformes. Ce qui peut induire un biais dans l’algorithme et qui altère la capacité de l’algorithme à détecter des cas de fraude.
Nous avons vu des praticiens utiliser une méthode très ingénieuse pour pallier le manque de données non conformes dans le cadre de la détection de fraude. Ils utilisent la distribution normale en estimant les paramètres avec les données conformes. Les données non conformes (en petite quantité) sont utilisées pour définir une frontière entre les données conformes et celles non conformes. Encore faut-il que les variables discriminantes suivent une distribution normale multivariée et qu’on ait quelques données non conformes!
Nous avons pris le cas de la détection de fraude, mais il y a d’autres situations qui mettent en exergue les limites des algorithmes de Machine Learning. Prenons, par exemple, le cas des voitures autonomes: la voiture saura interpréter des panneaux de signalisation et prendre la bonne décision. Mais que se passerait-il si un passant se tient au bord de la route avec un panneau (STOP)? Une personne saura facilement qu’un tel panneau doit être ignoré, mais qu’en est-il de la voiture autonome?
Il existe des tâches pour lesquelles l’IA fera mieux que l’humain. Certes, c’est un outil avec un très haut potentiel, qui peut être utilisé dans beaucoup de secteurs d’activité pour pallier des problématiques. C’est un moyen, comme d’autres, qui va aider l’humain à mieux apprivoiser son environnement.
Pour conclure, des algorithmes très puissants peuvent aujourd’hui accomplir des tâches inimaginables, il y a quelques décennies. Il faut donc promouvoir l’intelligence artificielle comme un outil puissant et prometteur. Mais méfions-nous des exagérations qui peuvent induire un effet pervers et ainsi compromettre l’avenir de cette discipline. Une vulgarisation responsable du potentiel de l’intelligence artificielle est indispensable pour atteindre ce but.
