Intelligence artificielle : tout est affaire d’algorithmes

En quoi l’IA appliquée à des missions critiques se distingue-t-elle de l’IA grand public ?

Les progrès spectaculaires de l’IA dont les médias se font quotidiennement l’écho concernent essentiellement des applications grand public : jeux vidéo, objets connectés, achats et publicités en ligne, générateur d’images et de textes, traducteur automatique, etc .

Mais les clients et partenaires d’un groupe comme Thales évoluent dans des secteurs d’activité cruciaux, parfois vitaux, pour les individus et la société : trafic aérien, défense, sécurité, cybersécurité...  Ils mènent ce que l’on appelle des missions critiques.  

Ces missions les conduisent, à des moments bien précis et dans des environnements extrêmement contraints, à prendre des décisions qui engagent la vie des personnes, la sécurité des biens, des infrastructures et des entreprises. C’est ce qui fait toute la différence dans la manière dont l’IA est développée et utilisée. 

Ce caractère critique pose des défis spécifiques multiples que peu d’entreprises de haute technologie sont capables de relever.

Deux types d’apprentissage

Derrière toute IA se trouvent des algorithmes mathématiques, les uns fondés sur les données ; les autres sur des modèles, lois physiques, mathématiques, etc.  

L’IA dont on parle le plus souvent, l’IA grand public, est fondée sur l’apprentissage à partir des données - le Deep Learning ou Apprentissage Profond- qui se nourrit des quantités astronomiques de données que nous lui fournissons en permanence. 

Pour l’IA utilisée dans les secteurs d’activité critiques, la situation est contrastée.  

Dans certains cas, la quantité de données produites par les systèmes et les capteurs associés peut largement dépasser le volume des données produites dans des contextes grand public. Mais dans d’autres cas, les données sont très rares, voire inexistantes, parce que les situations que l’on veut comprendre et maîtriser ne se sont jamais produites.  

L’IA basée sur les données peut traiter le premier cas mais elle présente néanmoins une faiblesse fondamentale : elle n’explique pas ce qu’elle fait. Elle peut même donner des résultats faux ou être induite en erreur, sans que l’on comprenne pourquoi.  

Le recours à l’IA basée sur les modèles et lois physiques, peut alors extrêmement utile. 

L’une des grandes forces de Thales est précisément de maîtriser ces deux types d’algorithmes complémentaires. Une maîtrise encore renforcée par l’expertise que possède le Groupe sur l’ensemble des technologies du numérique : connectivité, Internet des objets et cybersécurité. Cette dernière constitue un autre atout majeur du Groupe, pour garantir la collecte, l’analyse et la transmission de données fiables et protégées dans des marchés où la sécurité ne peut souffrir d’aucune faille. 

Le défi énergétique

Autre défi dont on parle moins : la consommation énergétique.  

L’IA grand public se nourrit, on l’a dit, de quantités phénoménale de données (Big Data), dont beaucoup, sont totalement inutiles.  

Ces données sont stockées et traitées dans des clouds, généralement dans de gigantesques centres installés de préférence dans des zones climatiques froides du fait de l’énorme quantité d’énergie qu’ils nécessitent.  

Thales a été parmi les premiers à défendre le Smart Data, qui consiste, contrairement au Big Data, à collecter seulement les données dont on a besoin. 

Dans le cas des marchés sur lesquels Thales opère, la contrainte énergétique est de plus en plus prégnante, tout particulièrement pour les systèmes embarqués.  

Il suffit d’imaginer le défi que représente, par exemple, l’intégration de systèmes d’IA dans un avion de chasse ! 

Relever ce défi énergétique est crucial pour l’avenir. L’internet consomme aujourd’hui déjà davantage d’énergie que le trafic aérien si souvent pointé du doigt. Et un système d’IA entre 10 000 et 1 million de fois de plus que les neurones d’un cerveau humain !