Le Deep Learning, qui fait appel à la fois aux connaissances en neurosciences, aux mathématiques et aux progrès technologiques, est aujourd’hui plébiscité comme une véritable révolution dans le domaine de l’intelligence artificielle. Il a déjà permis d’immenses progrès et de multiples applications dans les domaines de la reconnaissance faciale et vocale, de l’étiquetage d’images, du traitement automatisé du langage ou encore de la vision par ordinateur.

“Les cerveaux humain et animal sont ”profonds", dans le sens où chaque action est le résultat d’une longue chaîne de communications synaptiques (de nombreuses couches de traitement). Nous recherchons des algorithmes d’apprentissage correspondants à ces “architectures profondes". Nous pensons que comprendre l’apprentissage profond ne nous servira pas uniquement à construire des machines plus intelligentes, mais nous aidera également à mieux comprendre l’intelligence humaine et ses mécanismes d’apprentissages", estime Yann LeCun.

Le Deep learning fait l’objet d’importants investissements privés, notamment de la part des grands acteurs du net, mais aussi publics. “De plus en plus d’entreprises ont des masses de données gigantesques à exploiter, trier, indexer, et cela demande des ressources considérables. L’intelligence artificielle et le Deep learning peuvent aider à le faire de façon automatisée et plus efficace”, confirme Yann LeCun qui reste prudent quant aux fantasmes que suscitent ces développements. “De grands progrès ont été fais notamment en matière de reconnaissance visuelle et vocale - dans la reconnaissance automatique d’images, des réseaux neuronaux artificiels ont produit des algorithmes meilleurs que ceux conçus par des ingénieurs humains – mais nous sommes très loin de ce qu’un cerveau peut faire et nous n’en avons pas la prétention. Les animaux et les humains peuvent apprendre à voir, percevoir, agir et communiquer avec une efficacité qu’aucune machine ne peut approcher. D’autre part, il s’agit pour l’instant d’un apprentissage purement supervisé : on entraîne la machine à reconnaître l’image d’une voiture par exemple en lui montrant des milliers d’images et en la corrigeant quand elle fait erreur. Les humains découvrent le monde de façon non supervisée. L’apprentissage non supervisé est le défi scientifique auquel nous nous attelons. Tant que nous n’y serons pas parvenus, nous serons incapables de construire des systèmes intelligents”.

De la reconnaissance des tumeurs cancéreuses à la sécurité routière, les développements de l’intelligence artificielle et du Deep learning ouvrent de larges horizons que Yann LeCun expose ici. Quant aux craintes générées par ces nouveaux domaines, il les comprend mais les modère, “Même si un jour on construit des systèmes par certains aspects plus complexes ou performants que les humains, ils vont être construits pour des tâches spécifiques. On associe trop souvent l’intelligence artificielle aux qualités et aux défauts humains. Il n’y a aucune raison que les machines que l’homme concevra aient comme lui des désirs, des pulsions et des défauts !”

Biographie

Yann LeCun est un chercheur en intelligence artificielle, apprentissage machine, vision artificielle et robotique, diplômé de l’École supérieure d’ingénieurs en électronique et électrotechnique (ESIEE) de Paris et de l’Université Pierre-et-Marie-Curie. Il devient chercheur aux Bell Laboratories en 1988 et est nommé directeur de département aux laboratoires AT&T en 1996.

Il travaille depuis 30 ans sur “l’apprentissage automatique” (Machine Learning) et “l’apprentissage profond ” (Deep Learning) : à savoir la capacité d’un ordinateur à reconnaître des représentations (images, textes, vidéos, sons) à force de les lui montrer de très nombreuses fois. Il a aussi contribué au développement de méthodes de compression d'image avec le format d'archivage DjVu.

Il a publié près de 200 articles et documents sur l’apprentissage automatique, les réseaux neuronaux et la reconnaissance d’images, domaines dans lesquels il est considéré comme l’un des pionniers. Yann LeCun est professeur à l’Université de New York et directeur de Facebook AI Research (FAIR), le nouveau centre de recherche européen de Facebook basé à Paris et dédié à l’intelligence artificielle. Il est lauréat du prix Turing 2018.