Page 236 - Trans-Num-V1

CHAPITRE VIII L’Intelligence artificielle

de Dartmouth » de 1956. Après 20 ans d’enthousiasme initial, les limitations techniques des
programmes d’IA ont finalement conduit au premier « hiver » de l’IA, marqué par un désintérêt
massif des investisseurs financiers dans ce domaine. Au Royaume-Uni, le « rapport Lighthill »
publié en 1973 critiquait sévèrement l’échec des projets d’IA à atteindre les objectifs prévus.
Aux États-Unis, les « amendements Mansfield » publiés en 1969 et en 1973 exigeaient que
les recherches financées par le ministère de la Défense nationale aient des applications
directes dans l’armée américaine. L’IA a alors été considérée comme une technique dépour-
vue de potentiel scientifique ou économique et ses sources de financement se sont taries.
Au début des années 1980, une nouvelle forme d’IA est apparue, appelée « systèmes
experts », spécialement promue par le gouvernement japonais. Les fonds ont été réinvestis
dans le monde entier, donnant un nouvel élan à la recherche en IA. Certains développements
clés pour la formation de réseaux de neurones, tels que la rétropropagation, sont apparus
pendant cette période. Cependant, le marché a été progressivement déçu, aucune avancée
majeure n’ayant été constatée d’un point de vue économique. À la fin des années 1980, le
financement s’est de nouveau effondré, menant au deuxième « hiver » de l’IA, même si la
recherche dans le domaine restait active.
Au milieu des années 1990, en partie à cause de l’augmentation de la puissance des ordi-
nateurs, l’IA a finalement atteint certains de ses objectifs les plus anciens. Le projet IBM
DeepBlue, qui a conduit à la défaite du champion du monde d’échecs Gary Kasparov en
1997, est l’un des jalons les plus emblématiques des applications de l’intelligence artificielle.

Au cours de la première décennie du XXI siècle, les applications de l’intelligence artificielle
e
se sont rapidement répandues dans des domaines tels que la reconnaissance de la parole, la
conduite autonome ou les applications médicales. Plus récemment, l’augmentation constante
de la puissance des ordinateurs associée à la disponibilité de très grandes bases de données
(Big data) a alimenté des applications d’IA à un degré sans précédent. Les techniques d’ap-
prentissage automatique développées il y a plusieurs décennies, comme celle basée sur les
réseaux de neurones convolutifs, ont finalement trouvé des applications dans de nombreux
domaines. Le projet Google-Alphago, qui a permis à une machine de battre le champion du
monde au jeu de Go en 2017, a constitué un jalon important pour les applications d’appren-
tissage (Deep Learning).

1.1 Applications en médecine

Au cours de la dernière décennie, de nombreuses applications très prometteuses de l’IA ont
vu le jour dans le domaine de la médecine . Les réseaux de neurones convolutifs se sont
(2)
révélés très efficaces pour la reconnaissance d’images, à condition qu’ils soient éduqués à
partir d’énormes bases de données étiquetées. La principale raison qui explique la supério-
rité actuelle de l’IA sur les médecins humains dans des sous-domaines très spécifiques de
la médecine est que les machines peuvent être éduquées à partir de centaines de milliers de
cas cliniques, dépassant de loin l’expérience clinique des meilleurs spécialistes du domaine.
De plus, les données sur les soins de santé sont devenues de plus en plus nombreuses et
complexes pour chaque patient. L’objectif d’une médecine personnalisée nécessite la prise
en compte d’un ensemble considérable de données pour chaque patient.
La crainte que des machines puissent potentiellement remplacer les médecins humains
dans un avenir proche doit être prise au sérieux, car la dynamique de changement dans

236

18/03/2021 17:48
Trans_Num.indd 236
Trans_Num.indd 236 18/03/2021 17:48