Sur la scène du Palais des Festivals pour les Cannes Lions 2017, David Singleton, VP of Engineering chez Google à Londres, partage les dernières avancées en machine learning.
Grâce au machine learning, le monde dans lequel nous vivons est de plus en plus intelligent. Cette discipline nous aide à trouver des réponses à des problèmes complexes, dans des domaines aussi variés que le dérèglement climatique et l’éducation. Chez Google, nous investissons dans le machine learning depuis un certain temps, et la quasi-totalité de nos technologies l’utilise aujourd’hui. Nous avons ainsi réinventé des produits existants comme YouTube et Google Traduction et créé des expériences entièrement nouvelles comme Google Assistant. Au-delà de Google, d’autres entreprises du groupe Alphabet étudient le potentiel du machine learning et de l’intelligence artificielle dans le but de révolutionner le dépistage du cancer, de contrer les trolls et les commentaires toxiques sur le web, mais aussi d’optimiser l’utilisation des ressources énergétiques limitées.
Commençons par un peu d’histoire. Si le machine learning et l’intelligence artificielle font l’objet d’une grande attention et de nombreux investissements, ils ne constituent pas une nouvelle technologie à proprement parler. Je me souviens d’avoir suivi un cours d’informatique neuronale quand j’étais étudiant à Cambridge dans les années 90. Et les premiers modèles statistiques représentant le fonctionnement du cerveau humain sont apparus dans les années 50. Ils étaient alors extrêmement simplistes. Le machine learning est récemment passé d’un ensemble de théories et d’algorithmes à des technologies appliquées. Cette évolution a été possible grâce au développement de réseaux neuronaux, aux performances du cloud computing et à la collecte de vastes ensembles de données.
Le machine learning permet essentiellement de résoudre des problèmes. Au cours de la première ère informatique, les logiciels étaient constitués de règles qui permettaient de transformer des éléments entrants en éléments sortants. Or, ces systèmes sont confrontés aux difficultés générées par le désordre du monde réel, qui obéit rarement à des schémas soignés et ordonnés. Le machine learning adopte une démarche presque opposée. L’algorithme constitue ses propres règles en identifiant des schémas et des similarités dans un vaste ensemble de données. Il existe de nombreuses applications dans le monde réel telles que l'identification de photos de chats et de chiens parmi toutes celles qui sont stockées sur votre mobile, ou l’optimisation du refroidissement d’un centre de données.
Grâce à leur capacité à apprendre à partir de vastes ensembles de données, le machine learning et l’intelligence artificielle peuvent résoudre des problèmes qui vont bien au-delà des aptitudes d’une personne ou même de groupes de personnes. Certains propos sur le potentiel et le champ d’application de ces technologies peuvent parfois être un peu effrayants, mais en réalité, il s’agit simplement d’outils qui amplifient notre capacité à résoudre des problèmes de plus en plus importants. Grâce au machine learning et à l’intelligence artificielle, notre intelligence humaine pourra bientôt regarder encore plus loin et être encore plus efficace, dans tout ce qu’elle comporte d’imprévisible et de créatif.
Chez Google, plusieurs équipes étudient le potentiel du machine learning dans les domaines de la créativité, de l’art et de la musique, mais Google Assistant constitue sans doute le meilleur exemple de ce vers quoi nous tendons. Google Assistant est un compagnon doté d’intelligence artificielle cross-devices, qui vous permet de faire plus et de profiter plus chaque jour. Il apprend qui vous êtes et ce qui vous intéresse, puis il vous fournit des informations utiles tout au long de la journée, quand vous en avez besoin. Le machine learning et le traitement automatique du langage naturel vous permettent de discuter avec l’Assistant, exactement comme vous le feriez avec une personne réelle. Nous constatons déjà une forte adhésion des utilisateurs. En effet, 70% des requêtes sont formulées en langage naturel, et non par le biais de mots clés standards saisis dans les barres de recherche.
L’Assistant est disponible sur plus de 100 millions de devices, y compris les téléphones Android, Google Home, l'iPhone et Android Wear. Il sera bientôt disponible sur de nombreux autres produits tels que les voitures et les Smart TV. Les développeurs imaginent des applis et des actions qui permettront à l’Assistant d’aller bien au-delà du search et ce, grâce aux investissements de marques comme Spotify, Netflix et eBay. Discuter individuellement avec les utilisateurs est un rêve pour de nombreuses marques. Google Assistant s’apprête à le concrétiser grâce à la puissance du machine learning et de l’intelligence artificielle.
En matière de conversation, le machine learning joue également un rôle majeur dans d’autres entreprises d’Alphabet. Jigsaw est une entité du groupe, composée de spécialistes des questions politiques, d’ingénieurs, de chercheurs scientifiques et de spécialistes de l’intelligence artificielle, dont l’objectif est de comprendre comment la technologie peut rendre le monde plus sûr. L’équipe nourrit l’immense ambition de résoudre les grands problèmes de sécurité à l’échelle mondiale tels que la radicalisation sur le web, la prolifération de fausses informations et la menace d’une censure online. Avec son premier produit, baptisé Perspective, elle s’attaque aux principaux problèmes rencontrés par les communautés online : l’incivilité et les commentaires toxiques.
Sur Internet, la plupart des utilisateurs ont déjà été témoins de harcèlement ou d’intimidation, et près de la moitié d’entre eux en ont été victimes. Grâce à des ensembles de données fournis par des partenaires comme le New York Times, les algorithmes de machine learning, sur lesquels Perspective repose, se sont entraînés à identifier les expressions toxiques susceptibles de dissuader les utilisateurs de participer au débat. L’API Perspective permet aux éditeurs d’obtenir un « score » de toxicité pour chaque commentaire. Ils disposent ainsi d’une méthode fiable et évolutive pour surveiller et filtrer les conversations, et favoriser les interactions et les discussions civilisées. Avant la mise en œuvre de Perspective, le New York Times n’autorisait les commentaires que sur 10% de ses contenus environ. Désormais, le journal ouvre davantage d’articles aux commentaires et à l’interaction des lecteurs. Son objectif ultime : accepter les réactions pour la totalité de ses articles.
En dehors de la famille Alphabet, nous proposons aux entreprises et aux chercheurs d’accéder à certaines briques fondamentales de notre technologie de machine learning, dans le but de faire progresser l’ensemble du secteur. Illustration avec Google CloudML, un ensemble d’API qui permet à n’importe qui d’utiliser le machine learning sur Google Cloud. Citons également TensorFlow, notre bibliothèque Open Source de machine learning accessibles aux particuliers, aux institutions et aux professionnels pour leurs propres projets de machine learning.
Ces outils ont déjà permis à des entreprises de toutes tailles de gagner beaucoup de temps sur des tâches extrêmement chronophages. TensorFlow et CloudML prennent déjà en charge des tâches complexes et difficiles, comme l’automatisation du tri des concombres dans des fermes japonaises. Autre exemple : ils aident Airbus Defence and Space à supprimer automatiquement les formations de nuages de ses images satellite. Cela permet aux entreprises de consacrer plus de temps et d’attention aux tâches créatives et ingénieuses où le cerveau humain excelle.
Je suis extrêmement optimiste sur le potentiel du machine learning. Dans le monde, des milliers de personnes brillantes et dévouées travaillent chaque jour sur des problèmes majeurs, du dérèglement climatique à l’éducation, en passant par l’aérospatiale. Avec le concours des outils de machine learning, elles trouveront des solutions capables de rendre notre monde bien meilleur.
