Intelligence artificielle : Quelles différences entre le machine learning et l'approche déterministe ?

Depuis quelques temps, l’intelligence artificielle est devenue pour beaucoup synonyme de machine learning. Une série d’actions marketing bien menées y sont sans doute pour quelque chose. Pourtant, l’intelligence artificielle est un domaine bien plus vaste. En effet, le machine learning n’est qu’une des approches de cette matière, approche que l’on appelle également « approche statistique ». Dans le domaine de l’IA, il existe deux grandes familles : d’un côté l’approche statistique (parfois aussi appelée probabiliste), et de l’autre l’approche déterministe. Aucune de ces deux approches n’est supérieure à l’autre, elles font chacune appel à des procédés différents et sont simplement plus ou moins adaptées selon les différents cas d’usage. Fondamentalement, les systèmes d’intelligence artificielle ont en commun d’être conçus pour imiter des comportements propres aux humains. Nous allons prendre ici l’exemple d’une banque pour détailler les avantages et inconvénients de chacune des solutions.

Imiter le comportement humain

Imaginons donc que vous mettiez en place un tel système au sein d’une banque dans le but d’augmenter vos ventes. Le système pourrait ainsi être déployé sur des tablettes pour guider chaque conseiller bancaire dans sa tâche. L’objectif est de modéliser les meilleures pratiques spécifiques à la banque et de les implémenter dans le système. C’est dans ce processus de modélisation des meilleures pratiques que l’on peut comprendre la différence entre l’approche statistique et celle déterministe, et où l’on perçoit la valeur finale de telle ou telle approche.

L’approche statistique

Comme son nom l’indique, cette approche est basée sur des méthodes statistiques. Cela signifie que ce type d’IA établit une moyenne et apprend à partir de cette moyenne de façon autonome pour faire évoluer le système. Dans notre cas de la banque, comment cela fonctionnerait-il ? Le système automatiserait sur la base d’une moyenne ce que font les conseillers bancaires et ce dans tous les scénarios. Et en ce qui concerne la conformité, sujet capital dans le domaine bancaire, la machine automatiserait également la compréhension qu’un employé moyen en a.

Un tel système associe donc corrélation et causalité de façon aléatoire. Pour prendre un exemple simple, aux Etats-Unis, les cas de noyade dans les piscines corrèlent exactement avec le nombre de films dans lesquels Nicolas Cage est apparu. Un système d’IA probabiliste pourra potentiellement vous dire que la meilleure façon d’éviter le risque de noyade est d’empêcher Nicolas Cage d’apparaître dans des films ! Nous sommes pourtant tous d’accord pour convenir que ne plus avoir Nicolas Cage apparaitre dans des films n’aurait aucune incidence sur les risques de noyade. Ce que fait un système d’IA basé sur une approche statistique, c’est d’automatiser 100% d’une activité, mais avec seulement 70% de précision. Il sera toujours en mesure de vous fournir une réponse, mais 30% du temps, la réponse apportée sera fausse ou inexacte. Cette méthode ne peut donc pas convenir à la plupart des activités d’une banque, d’une assurance, ou encore de la grande distribution. Dans bon nombre d’activités de service, fournir 30% de réponses erronées aurait un impact majeur. En revanche, cette approche est très adaptée et utile dans d’autres domaines, tels que notamment les réseaux sociaux, la publicité, etc., où le machine learning peut obtenir des résultats très intéressants face à l’immense quantité de données analysées et où un taux de 30% d’erreurs reste relativement indolore.

L’approche déterministe

L’autre courant de l’IA est appelée « déterministe ». Cette technologie repose sur des moteurs d’inférence qui sont programmés en fonction des meilleures pratiques de l’entreprise. Cela correspond à ce qui existe en matière de pilotage automatique d’avion ou encore de robotique dans l’industrie automobile.  Ils automatisent 70% du processus et sont programmés par un expert dans le domaine. Ils sont également capables de prévenir les utilisateurs lorsqu’ils rencontrent un scénario pour lequel ils n’ont pas été programmés. Le principe de ces systèmes est d’automatiser les tâches répétitives et fastidieuses pour les humains et ainsi de pouvoir dégager du temps aux travailleurs pour d’autres tâches à plus forte valeur ajoutée.

Toujours dans le cas de la banque, comment pourrait-on utiliser cette approche déterministe dans un tel cas de figure ? De façon simple, vous souhaitez programmer ce système expert en vous basant sur vos meilleures pratiques. Le système prendrait alors en charge 70% du processus métier (l’automatisation de l’analyse d’actions en bourse par exemple) et il le ferait avec 100% de précision, allant même jusqu’à vous fournir une traçabilité grâce à « des pistes de vérification » pour toutes les conclusions fournies. Dans des secteurs d’activité comme la banque, l’assurance, la grande distribution et beaucoup d’autres, l’approche déterministe permet déjà de booster les ventes et d’améliorer les performances, tout en réduisant les coûts.

L’intelligence artificielle dépasse donc largement le machine learning. Ce dernier fait beaucoup parler de lui parce qu’il correspond aux fantasmes positifs et négatifs des Hommes par rapport à la machine : le rêve et la crainte d’une machine capable d’apprendre toute seule. L’IA déterministe est certes moins glamour, mais elle a déjà fait ses preuves et répond de manière très précise à bon nombre de besoins des entreprises.