Les limites de l'Intelligence Artificielle

Bien que l’influence de l’IA conversationnelle soit déjà tangible dans notre société, ça n’en reste pas moins une technologie très jeune qui fait face à de nombreuses limites :

L’IA est “nulle en maths”

Le vrai résultat est 6 747 512

Toutes les personnes qui ont essayé de faire des calculs avec ChatGPT seront unanimes pour dire que ce modèle n’est pas fait pour ça, et cela limite fortement ses cas d’utilisation.

Par exemple, l’IA telle qu’on la connaît actuellement serait incapable de réaliser de la modélisation financière ou encore le lancement d’une fusée. Ce genre d’opération implique des calculs très complexes où la moindre erreur pourrait entraîner un désastre. C’est pourquoi ce genre de calculs nécessite toujours des interventions humaines.

L’IA conversationnelle peine à réaliser des calculs corrects avec des nombres entiers. Par conséquent, il n’y a pas de cas d’utilisation relatifs aux calculs qui soit digne d’intérêt pour le moment, et il faudra voir comment cela évoluera au fil des ans.

Intuition absente

https://www.voxco.com/fr/blog/raisonnement-inductif-vs-deductif-definition-et-exemples/

L’intelligence artificielle en général dispose d’un raisonnement déductif très efficace, c’est-à-dire qu’une information donnée aboutit à une conclusion donnée, ce qui explique pourquoi c’est un outil d’automatisation aussi puissant. Mais elle n’est pas encore capable d’avoir un raisonnement inductif.

Le raisonnement inductif est un processus où, à partir de certaines observations, on en extrapole un concept général qui va permettre d’aboutir à la conclusion qu’on recherche. D’une certaine façon, le raisonnement inductif est semblable à l’intuition, à l’instar de Newton qui découvre la gravitation universelle, ou encore Einstein qui a formulé la théorie de la relativité générale.

Bien que des recherches soient en cours dans ce domaine, cette capacité est minimale chez l’IA, ce qui fait qu’elle reste fortement dépendante de sa base de données. Par ailleurs, en parlant de dépendance :

Dépendance aux données d’entraînement

Les performances de l’IA sont étroitement liées à la qualité et à la quantité des données dont elles disposent. Si les données sont biaisées ou incomplètes, les résultats de l’IA peuvent être inexacts ou peu pertinents.

Pour résumer, une IA avec beaucoup de données qualitatives est efficace, et une IA avec peu de données qualitatives est limitée.

‍

{{ms-ia-large}}

Les défis de l'IA

Surpasser les limites actuelles de l’intelligence artificielle est un sujet de recherche à part entière, mais c’est loin d’être le seul. En effet, les coûts d'entraînement et le cadre réglementaire font partie des sujets brûlants de l’IA depuis ces derniers mois.

Coûts de fonctionnement

Si le coût d’apprentissage des modèles d’IA peut être important, ce sont les inférences quotidiennes des utilisateurs qui représentent la majeure partie des dépenses des sociétés pour faire fonctionner leur modèle d’IA. Selon un article d’Insider datant d’Avril 2023, les dépenses quotidiennes d’OpenAI pour l’inférence sont de 700 000 dollars par jour, soit 255 millions de dollars par an.

En réponse à ces coûts astronomiques, plusieurs solutions sont en voie d’exploration pour les réduire. Une solution est de proposer d’autres modèles d’IA, comme FrugalGPT qui cherche à conserver les performances de GPT-4 à moindre coût.

Cadre réglementaire

Il existe un manque de réglementation et de standards concernant l'utilisation et le déploiement de l'IA, ce qui peut conduire à une utilisation abusive ou négligente. Nous pouvons constater que les problèmes sont déjà là avec, entre autres, la prolifération de “deepfakes”, des contenus falsifiés difficiles à distinguer des contenus réels.

Bien qu’il y ait déjà eu des condamnations liées à des utilisations malveillantes de l’IA (fraude, diffamation, désinformation…), il y encore de nombreux standards à définir pour savoir quelle utilisation de l’IA est légale ou non.

Protection des données

Un autre enjeu crucial de l’IA sera la protection des données. La collecte et l'analyse de grandes quantités de données sont primordiales pour de nombreux systèmes d'IA. Pour savoir si ces données sont qualitatives pour les IAs, une certaine transparence est nécessaire. Mais qu’est-ce qui empêche les utilisateurs d’exploiter ces données pour révéler des données sensibles ?

On peut répondre à cet enjeu via des moyens juridiques. Le Règlement Général sur la Protection des Données (RGPD) en Europe a été mis en place pour encadrer la collecte et l'utilisation des données personnelles, y compris dans le contexte de l'IA.

Mais on peut aussi répondre à cet enjeu par la technologie, avec des pistes comme le chiffrement homomorphe ou les preuves à divulgation nulle de connaissance (Zero-Knowledge Proofs) pour permettre l'analyse des données sans compromettre la vie privée.

‍