Le Machine Learning est un domaine qui évolue très rapidement, à tel point que des prédictions sur son état dans 6 mois, 15 ou 20 ans s’avèrent difficiles. Néanmoins, il est possible de formuler des hypothèses sur la base d’éléments actuels.

Nous sommes encore loin de l’intelligence artificielle forte.

Les systèmes de Machine Learning (ML) de la génération actuelle sont encore très éloignés de ce que l’on pourrait véritablement qualifier d’ « intelligence » artificielle. Les systèmes dont nous disposons actuellement sont performants en ce qui concerne la reconnaissance de modèles à partir d’un ensemble de données. Même les systèmes d’apprentissage par renforcement sont surtout basés sur la mémorisation et la reconnaissance de modèles qui ont bien fonctionné pendant la formation. C’est certainement une étape nécessaire, mais elle est très éloignée d’un système intelligent. En comparaison à la cognition humaine, les résultats que nous avons maintenant sont semblables aux processus subconscients qui permettent l’activation en une fraction de seconde du système nerveux sympathique lorsque la vision périphérique détecte un prédateur ou une personne indésirable. En d’autres termes, des décisions semi-automatiques et basées sur des modèles que notre cerveau prend par association. Actuellement il n’existe rien qui ressemble à une pensée intentionnelle et il est peu probable que nous y parvenions avec les systèmes de génération actuelle.

La programmation traditionnelle ne disparaîtra pas.

Beaucoup pensent aujourd’hui que la plupart des programmes traditionnels seront remplacés par des systèmes de machine learning. C’est là une affirmation à prendre avec pragmatisme, notamment parce que le ML n’est pas nécessaire pour la grande majorité des tâches. Celui-ci excelle notamment lorsqu’on est confronté au désordre du monde réel, où il y a beaucoup de données disponibles et où aucun modèle fondamental n’est disponible. Si aucun de ces cas n’est vrai, le ML n’est pas nécessaire et les alternatives de programmations traditionnelles restent supérieures. Une façon amusante d’y penser est que les humains sont l’intelligence artificielle forte la plus avancée qui soit, mais nous avons inventé les ordinateurs pour accomplir certaines tâches spécialisées que nous sommes trop lents à effectuer. Pourquoi devrions-nous nous attendre à ce que l’intelligence artificielle soit différente ?

Le Machine Learning augmentera la plupart des tâches traditionnelles.

Chaque interaction entre les systèmes de programmation traditionnelle et les humains représente une possibilité d’augmentation basée sur le Machine Learning. Par exemple, un programmeur qui examine les messages d’erreur pourrait utiliser un système de Machine Learning qui examinerait les messages d’erreur et suggèrerait un plan d’action. Les ordinateurs sont beaucoup plus patients que les humains. En outre, les systèmes de Machine Learning peuvent apprendre très rapidement et à l’échelle mondiale à partir de quantités massives de données. Et si le système de machine learning a déjà rencontré un ensemble particulier de circonstances, celui-ci peut presque instantanément partager cette connaissance au niveau mondial, sans être limité à la vitesse de la communication humaine. Il est fort probable que nous n’appréciions le véritable impact du machine learning que dans 5 à 10 ans.

Nous apprendrons mieux à partir de données plus petites et plus nombreuses. 

Pour l’instant, les systèmes de machine learning nécessitent le plus souvent de grandes quantités d’ensembles de données relativement propres et organisées. Il existe diverses approches prometteuses pour assouplir cette exigence dans l’une ou l’autre direction.

Les systèmes de Machine Learning seront associés aux approches traditionnelles.

En ce moment, il semble assez courant de voir des systèmes de Machine Learning qui sont entièrement constitués de réseaux de neurones chargés de résoudre des problèmes de bout en bout. Cela fonctionne souvent bien parce que vous pouvez récupérer de nombreuses techniques traditionnelles de traitement du signal à partir de ces blocs de construction, mais les versions apprises de ces transformations peuvent être beaucoup plus coûteuses sur le plan informatique que l’approche sous-jacente. Parmi les approches prometteuses, on compte l’association du Machine Leaning à la physique où l’on combine un réseau neuronal avec la connaissance d’un modèle physique sous-jacent (par exemple, les équations différentielles régissant un certain processus) afin de surpasser à la fois les approches de Machine Learning pure et les approches reposant uniquement sur le processus physique (par exemple des simulations).