Intelligence arti cielle (IA) + politique publique: Mars …...sociaux et déterminer les signes...

Intelligence articielle (IA) + politique publique eacutetude des reacutepercussions M

ars

2018

1

Introduction agrave la petite histoire de lrsquoIA 2

Interventions de lrsquoEacutetat en IA 3

IA 101 4

Types drsquoIA 4

Hieacuterarchies 4

Donneacutees de formation 5

Techniques 5

IA Technologies + applications 6

Analyses preacutedictives 6

Traitement automatique de la langue naturelle 6

Reconnaissance drsquoimage + vision artificielle 7

Robotique 7

Application de la technologie les veacutehicules autonomes 8

Deacutefis sectoriels drsquoIA 9

Eacutethique 9

Biais 9

Seacutecuriteacute 11

Protection de la vie priveacutee 11

Explicabiliteacute 12

Responsabiliteacutes 13

Glossaire 14

Notes finales 17

TABLE DES MATIEgraveRES

2

INTRODUCTION Agrave LA PETITE HISTOIRE DE LrsquoIA

Lrsquointelligence artificielle (IA) a tireacute profit de certains progregraves technologiques reacutecents de lrsquoaugmentation de la puissance de traitement jusqursquoagrave la baisse du coucirct des piles et lrsquoexplosion de la quantiteacute de donneacutees accessibles Au-delagrave de la recherche technique et des possibiliteacutes commerciales cette technologie transformatrice a le potentiel de changer notre socieacuteteacute de maniegravere fondamentale accompagneacutee drsquoeacutenormes conseacutequences La vitesse actuelle du deacuteveloppement et de lrsquointeacutegration de lrsquoIA preacutesente des deacutefis pour les deacutecideurs qui cherchent agrave creacuteer des reacuteglementations agrave utiliser les applications de lrsquoIA pour ameacuteliorer les activiteacutes gouvernementales et la prestation de services publics et agrave mieux saisir les reacutepercussions socio-eacuteconomiques et intervenir en conseacutequence Des innovations telles que les veacutehicules autonomes remettent deacutejagrave en question les reacutegimes de reacuteglementation traditionnels et la planification du transport en commun des infrastructures et de la seacutecuriteacute publique Le traitement automatique de la langue naturelle et les algorithmes preacutedictifs sont deacutejagrave inteacutegreacutes agrave des technologies couramment utiliseacutees tant agrave la maison qursquoau travailJusqursquoagrave preacutesent lrsquoattention politique et les investissements au Canada ont surtout porteacute sur le deacuteveloppement des talents ainsi que sur lrsquoappui agrave la recherche et au deacuteveloppement drsquoapplications commerciales de lrsquointelligence artificielle Cependant lrsquoIA connaicirct un regain drsquointeacuterecirct dans la conscience et la vie collective ce qui exige des mesures politiques allant au-delagrave de celles axeacutees sur la recherche et lrsquoinnovation LrsquoIA existait depuis des siegravecles dans la culture populaire bien avant sa faisabiliteacute technique ou lrsquoinvention mecircme du terme en 1956 Apregraves lrsquoexplosion des premiegraveres deacutecouvertes en matiegravere de capaciteacutes mateacuterielles au milieu du XXe siegravecle les Eacutetats du monde entier ont commandeacute des recherches sur le sujet agrave des universitaires et agrave des instituts de recherche reconnaissant la porteacutee prometteuse de lrsquoIA pour faciliter les opeacuterations militaires et drsquoautres initiatives gouvernementales

La baisse relative des tensions politiques et les limites coiumlncidentes des progregraves techniques ont entraicircneacute un retrait important de lrsquoattention de lrsquoEacutetat et de son financement au cours des anneacutees 1980 Ce changement a ouvert la voie agrave des entreprises du secteur priveacute qui ont relanceacute lrsquoinvestissement et la recherche en reacutepertoriant des applications commerciales potentielles Alimenteacutee par des cycles de tendances appeleacutes laquo eacuteteacutes raquo de progregraves rapides et laquo hivers raquo drsquoinactiviteacute relative cette seacuterie de perceacutees et de bouleversements a privileacutegieacute certains deacuteveloppements technologiques par rapport agrave drsquoautres Le deacuteveloppement de lrsquoIA et son utilisation relegravevent en grande partie des milieux universitaires et industriels avec une participation croissante des intervenants des instances civiles Mais lrsquoefficaciteacute de la reacuteglementation et de la planification exiger une connaissance pratique des technologies et une vision claire des travaux des chercheurs des entrepreneurs et des entreprises de premiegravere ligne en matiegravere drsquoinnovation Il sera essentiel de cerner ces changements et drsquoy reacuteagir au fur et agrave mesure que nous eacutevoluerons dans un monde de plus en plus influenceacute par les progregraves de ces technologiesLe Brookfield Institute for Innovation + Entrepreneurship de concert avec le Centre pour lrsquoinnovation en matiegravere de politiques de la province de lrsquoOntario vous invitent agrave une confeacuterence drsquoune journeacutee portant sur les reacutepercussions de lrsquoIA sur les politiques publiques le 23 mars 2018 agrave Toronto Ontario Cet eacuteveacutenement est lrsquoune des premiegraveres initiatives au Canada visant agrave mobiliser les deacutecideurs politiques ainsi que les participants dans lrsquoeacuteconomie de lrsquoIA (experts techniques praticiens universitaires et entrepreneurs) La confeacuterence vise les objectifs suivants

+ Fournir aux deacutecideurs une perspective directe du secteur de lrsquoIA les mythes lrsquoengouement lrsquoeacutevolution des progregraves technologiques et les applications possibles

+ Deacuteterminer les champs politiques qui doivent faire lrsquoobjet drsquoune exploration plus pousseacutee y compris les questions de politique horizontale et les domaines qui relegravevent de plusieurs instances

+ Renforcer les liens entre les experts en matiegravere de politiques drsquoIA et entre le secteur public le secteur priveacute et les milieux universitaires

3

En ce moment lrsquoOntario est une plaque tournante reconnue en matiegravere drsquointelligence artificielle tant au Canada qursquoagrave lrsquoeacutechelle internationale Des universitaires de renom dans le corridor Toronto-Waterloo et des reacuteseaux comme lrsquoInstitut Vecteur font la promotion du Canada en tant que chef de file dans le deacuteveloppement de lrsquoIA Les eacutetablissements universitaires de lrsquoOntario deacutecernent des diplocircmes aux meilleurs talents en ce domaine Des multinationales ont implanteacute leurs activiteacutes de recherche et de deacuteveloppement en IA dans la reacutegion (p ex Uber Thomson Reuters) et le Creative Destruction Lab de lrsquoUniversiteacute de Toronto affirme qursquoil compte la plus grande cohorte de jeunes entreprises en intelligence artificielle drsquoAmeacuterique du Nord La province de lrsquoOntario a effectueacute des investissements strateacutegiques dans la recherche et lrsquoeacuteducation 50 millions de dollars agrave lrsquoInstitut Vecteur 30 millions de dollars pour augmenter le nombre de diplocircmeacutes en IA dans le cadre de ses efforts pour attirer les investissements eacutetrangers et les entreprises internationales et pour stimuler la creacuteation drsquoemplois et 80 millions de dollars pour eacutetablir un projet de Reacuteseau drsquoinnovation pour les veacutehicules autonomes1 y compris un Projet pilote portant sur les veacutehicules autonomes2 qui a eacuteteacute lanceacute au mois de janvier 2016 LrsquoOntario a la chance drsquoecirctre un chef de file national dans le domaine de lrsquoIA suivant le rythme de cette technologie en pleine eacutevolution pour preacutevoir et reacutepondre aux applications futures dans les principaux secteurs strateacutegiques y compris le secteur public lui-mecircme

Les autoriteacutes feacutedeacuterales se sont engageacutees agrave fournir un soutien financier important y compris les 125 millions de dollars pour la Strateacutegie pancanadienne sur lrsquointelligence artificielle3 (2017) dirigeacutee par lrsquoInstitut canadien de recherche avanceacutee en partenariat avec lrsquoAlberta Machine Intelligence Institute lrsquoInstitut Vecteur lrsquoInstitut des algorithmes drsquoapprentissage de Montreacuteal et plus reacutecemment les supergrappes drsquoinnovation SCALEAI4 Un petit nombre mais sans cesse grandissant drsquoeacutetudes pilotes sont meneacutees au Canada y compris une eacutetude pilote sur la deacutetection des risques de suicide5 meneacutee par lrsquoAgence de la santeacute publique du Canada qui vise agrave utiliser lrsquoexploration de donneacutees et lrsquoapprentissage machine pour recueillir et analyser les donneacutees des meacutedias sociaux et deacuteterminer les signes annonciateurs de suicide ainsi que les risques associeacutes Le Comiteacute seacutenatorial permanent des affaires sociales des sciences et de la technologie a eacutegalement eacutetudieacute les rocircles de lrsquoIA et de la robotique dans le systegraveme de santeacute6

Agrave lrsquoeacutechelle internationale certains Eacutetats ont adopteacute des approches proactives pour reacuteagir agrave lrsquoIA et la reacuteglementer Le Royaume-Uni a creacuteeacute un Groupe parlementaire multipartite portant sur lrsquointelligence artificielle7 agrave la Chambre des communes ainsi qursquoun Comiteacute particulier sur lrsquointelligence artificielle8 au sein de la Chambre des lords Le Regraveglement geacuteneacuteral sur la protection des donneacutees de lrsquoUE9 (en vigueur depuis mai 2018) imposera certaines restrictions lorsque des deacutecisions ayant un effet juridique sur la population peuvent ecirctre prises par le biais drsquoun processus automatiseacute seulement sans intervention ou surveillance humaines Sous lrsquoadministration Obama les Eacutetats-Unis ont eacutelaboreacute une Strateacutegie nationale de recherche et de deacuteveloppement de lrsquointelligence artificielle10 qui tient compte aussi bien des aspects eacuteconomiques que sociaux Le conseil de la ville de New York a reacutecemment adopteacute le laquo projet de loi sur la responsabiliteacute en matiegravere drsquoalgorithmes raquo11 qui preacutevoit la creacuteation drsquoun groupe de travail chargeacute de veacuterifier et de superviser les systegravemes de prise de deacutecisions algorithmiques destineacutes au public

INTERVENTIONS DE LrsquoEacuteTAT EN IA

4

AI est un terme utiliseacute pour deacutesigner agrave la fois le domaine de la recherche et les capaciteacutes logicielles Alors que le domaine de lrsquoIA englobe un large eacuteventail de techniques remontant aux anneacutees 1950 lrsquoeacutetat actuel de la technique utilise lrsquoapprentissage machine lrsquoapprentissage en profondeur et lrsquoapprentissage par renforcement pour deacuteceler des structures produire des ideacutees ameacuteliorer les tacircches baseacutees sur les connaissances et automatiser les tacircches routiniegraveres

Les progregraves reacutecents de lrsquoIA nous ont permis de traiter et drsquoanalyser une quantiteacute croissante de donneacutees geacuteneacutereacutees par les actions et les comportements des agents humains Ils ont consideacuterablement ameacutelioreacute notre capaciteacute agrave deacutegager les tendances et agrave geacuteneacuterer des ideacutees en plus drsquoautomatiser des tacircches secondaires rudimentaires ou dangereuses tant dans la production que dans la vie courante

TYPES Drsquo IA

IA restreinte Intelligence artificielle geacuteneacuterale

De nos jours toute IA est consideacutereacutee comme une IA restreinte aussi appeleacutee IA appliqueacutee ou IA faible parce qursquoelle est capable de faciliter les tacircches individuelles et reacutepeacutetitives en apprenant des structures deacuteceleacutees dans les donneacutees

Lrsquointelligence geacuteneacuterale artificielle un concept theacuteorique qui nrsquoa pas encore eacuteteacute deacuteveloppeacute dans la reacutealiteacute se reacutefegravere agrave un systegraveme unique laquo capable drsquoaccomplir toutes les tacircches intellectuelles qursquoun cerveau humain peut accomplir raquo12 On parle ici du raisonnement de lrsquoapprentissage et de la reacutesolution de problegravemes dans ces environnements complexes et en constante eacutevolution

Superintelligence artificielle

La superintelligence artificielle est un type drsquointelligence artificielle hypotheacutetique laquo qui surpasse lrsquointellect et les capaciteacutes humaines dans presque tous les domaines raquo13

INTELLIGENCE ARTIFICIELLE

APPRENTISSAGEMACHINE

APPRENTISSAGE EN

PROFONDEUR

LrsquoIA srsquoappuie sur une varieacuteteacute de meacutethodes et de techniques pour apprendre et fonctionner Il peut srsquoagir de meacutethodes drsquoapprentissage comme lrsquoapprentissage machine ou lrsquoapprentissage en profondeur ainsi que des approches drsquoapprentissage assisteacute allant de lrsquoapprentissage superviseacute agrave lrsquoapprentissage non superviseacute

LrsquoAPPRENTISSAGE MACHINE est une technique qui permet aux systegravemes informatiques drsquoapprendre et de faire des preacutedictions baseacutees sur des donneacutees historiques Le processus drsquoapprentissage machine est alimenteacute par un algorithme drsquoapprentissage machine une fonction capable drsquoameacuteliorer ses performances dans le temps en srsquoentraicircnant lui-mecircme agrave lrsquoaide de meacutethodes drsquoanalyse de donneacutees et de modeacutelisation analytique Lrsquoapprentissage machine peut ecirctre superviseacute semi-superviseacute ou non superviseacute

LrsquoAPPRENTISSAGE EN PROFONDEUR est un sous-domaine de lrsquoapprentissage machine qui est composeacute de multiples couches en cascade modeacuteliseacutees drsquoapregraves le systegraveme nerveux humain (une pratique appeleacutee codage neuronal) connu sous le nom de reacuteseau de neurones formels Les architectures drsquoapprentissage en profondeur permeent agrave un systegraveme informatique de srsquoentraicircner agrave lrsquoaide de donneacutees historiques en y reconnaissant des structures et en faisant des infeacuterences probabilistes

HIEacuteRARCHIES

AI 101

5

DONNEacuteES DrsquoAPPRENTISSAGE

TECHNIQUES

Les modegraveles drsquoapprentissage machine et drsquoapprentissage en profondeur srsquoappuient sur les donneacutees drsquoapprentissage pour comprendre les relations accroicirctre lrsquoefficaciteacute du modegravele et ameacuteliorer sa capaciteacute drsquoobtenir le reacutesultat souhaiteacute Les donneacutees drsquoapprentissage font reacutefeacuterence agrave un ensemble de donneacutees qui a eacuteteacute recueilli preacutepareacute et fourni au modegravele agrave des fins drsquoenseignement avant le deacuteploiement effectif La qualiteacute la quantiteacute la structure et le contenu des donneacutees drsquoapprentissage deacuteterminent la faccedilon dont les modegraveles drsquoapprentissage machine et drsquoapprentissage en profondeur fonctionneront en contexte reacuteel

Apprentissage superviseacute

Apprentissage par renforcement

Apprentissage non superviseacute

Lrsquoapprentissage superviseacute consiste agrave enseigner un algorithme agrave lrsquoapprentissage machine en fournissant un ensemble de donneacutees drsquoapprentissage eacutetiqueteacutees deacuteterminant les caracteacuteristiques des donneacutees drsquoentreacutee qui correspondront aux fonctions apprises et en produisant un exemple de reacutesultats approprieacutes

Lrsquoapprentissage par renforcement implique lrsquoutilisation de laquo reacutecompenses raquo et de laquo punitions raquo sous forme de fonctions Les programmeurs reacutecompenseront un programme lorsqursquoil apprend une fonction ou obtient le bon reacutesultat de maniegravere efficace Lrsquoapprentissage par renforcement diffegravere de lrsquoapprentissage superviseacute et semi-superviseacute dans la mesure ougrave les donneacutees entreacutees et les reacutesultats laquo corrects raquo ne sont jamais indiqueacutes au systegraveme Lrsquoapprentissage par renforcement est souvent utiliseacute lorsqursquoun systegraveme fonctionne dans un environnement dynamique et changeant ougrave les systegravemes doivent emprunter plusieurs voies pour atteindre le mecircme reacutesultat ou dans les cas ougrave lrsquoefficaciteacute est privileacutegieacutee plutocirct que la structure

Lrsquoapprentissage non superviseacute consiste agrave fournir des donneacutees drsquoentreacutee non eacutetiqueteacutees agrave partir desquelles un algorithme drsquoapprentissage machine doit structurer les donneacutees deacuteceler des structures classer des entreacutees apprendre des fonctions et produire des sorties sans validation ou soutien externe Lrsquoapprentissage non superviseacute peut ecirctre utiliseacute pour deacutecouvrir des structures dissimuleacutees dans les donneacutees geacuteneacuteralement celles qui sont non reconnaissables ou difficiles agrave percevoir par les humains

Apprentissage semi-superviseacute

Lrsquoapprentissage semi-superviseacute est une meacutethode de formation drsquoalgorithmes qui combine des donneacutees eacutetiqueteacutees et non eacutetiqueteacutees Lrsquoapprentissage semi-superviseacute est composeacute de deux meacutethodes lrsquoapprentissage transductif et lrsquoapprentissage inductif Lrsquoapprentissage transductif fait reacutefeacuterence agrave la capaciteacute du systegraveme agrave deacuteduire des eacutetiquettes sur les donneacutees non eacutetiqueteacutees en apprenant agrave partir des donneacutees eacutetiqueteacutees qui lui ont eacuteteacute fournies Lrsquoapprentissage inductif fait reacutefeacuterence agrave la capaciteacute du systegraveme drsquoatteindre le reacutesultat souhaiteacute sans eacutetiqueter les donneacutees

6

IA TECHNOLOGIES + APPLICATIONS

ANALYSES PREacuteDICTIVES

Qursquoest-ce que crsquoest

Exemple

Lrsquoanalyse preacutedictive est lrsquoutilisation de lrsquoanalyse des donneacutees pour preacutedire les tendances les comportements et les reacutesultats

De nos jours lrsquoanalyse preacutedictive est couramment utiliseacutee dans le secteur des entreprises pour optimiser les processus drsquoaffaires deacutecouvrir des tendances statistiques deacuteterminer des cibles marketing en fonction des marqueurs preacutedictifs des ventes anteacuterieures et preacutevoir et ameacuteliorer le rendement des employeacutes entre autres applications Dans le secteur public lrsquoanalyse preacutedictive est utiliseacutee avec plus ou moins de succegraves pour preacutedire la reacutecidive et le risque de reacuteadmission agrave lrsquohocircpital reacuteduire le risque drsquoaccidents du travail preacuteautoriser les personnes pour les programmes de prestations sociales reacuteduire lrsquoeacutecart fiscal en deacutetectant les demandes de remboursement potentiellement frauduleuses pour les enquecircter et repeacuterer les enfants pris en charge qui pourraient ecirctre exposeacutes agrave un risque de violence

Comment ccedila fonctionne

Lrsquoanalyse preacutedictive combine lrsquoexploration de donneacutees la modeacutelisation et lrsquoanalyse matheacutematique pour produire des visualisations de tendances agrave partir de grands ensembles de donneacutees Alors que lrsquoanalyse descriptive analyse ce qui srsquoest deacutejagrave produit lrsquoanalyse preacutedictive srsquoappuie sur lrsquoanalyse historique et donne un aperccedilu des sceacutenarios futurs probables Lrsquoanalyse preacutedictive a eacuteteacute rendue possible gracircce aux progregraves de la puissance de calcul et de la collecte de donneacutees plus preacuteciseacutement la capaciteacute de recueillir de stocker et drsquoanalyser des meacutegadonneacutees Le volume lrsquoeacutechelle la vitesse et la preacutecision des modegraveles drsquoanalyse preacutedictive drsquoaujourdrsquohui deacutepassent largement ceux des geacuteneacuterations preacuteceacutedentes

TRAITEMENT AUTOMATIQUE DE LA LANGUE NATURELLE


Example

Le Traitement automatique de la langue naturelle (TALN) est une fonctionnaliteacute qui permet aux machines de traiter comprendre ou produire des messages audio ou texte

Aujourdrsquohui le TALN est deacuteployeacute sous forme drsquoassistants drsquoIA actuellement sur le marcheacute (p ex Google Home Alexa drsquoAmazon Siri drsquoApple) qui proposent des interactions agrave commande vocale avec les ordinateurs domestiques et drsquoautres technologies Dans les secteurs commercial et public le TALN est actuellement utiliseacute pour la prestation de services y compris le service agrave la clientegravele automatiseacute la traduction de langues les filtres antipourriel textuels et le dialogue interactif Le TALN a eacutegalement eacuteteacute utiliseacute pour eacutevaluer les opinions sur les meacutedias sociaux afin de deacuteclencher des transactions boursiegraveres et de cibler la publiciteacute avec plus de preacutecision


Le TALN utilise lrsquoapprentissage en profondeur pour analyser les textes eacutecrits et parleacutes afin de geacuteneacuterer des reacuteponses en langage naturel ou sous forme drsquoactions Les progregraves de lrsquoapprentissage machine et les capaciteacutes drsquoapprentissage en profondeur ont permis aux systegravemes de TALN de distinguer diffeacuterentes voix et drsquoapprendre agrave deacutetecter des structures dans de grands ensembles de donneacutees afin de mieux

comprendre le langage naturel Les deacutefis techniques actuels comprennent la reconnaissance de la diversiteacute des dialectes des gammes vocales et des accents

en matiegravere drsquoanalyse de donneacutees Neacuteanmoins la collecte le nettoyage lrsquoeacutetiquetage et la normalisation des donneacutees ainsi que lrsquoeacutelaboration de modegraveles preacutedictifs plus preacutecis demeurent un deacutefi

7

RECONNAISSANCE Drsquo IMAGES + VIS ION ARTIF ICIELLE

Qursquoest-ce que crsquoest Exemple

La reconnaissance drsquoimages est un systegraveme qui permet drsquoidentifier les traits particuliers des images et des videacuteos numeacuteriques La vision artificielle faisant appel agrave lrsquoordinateur est lrsquoextraction lrsquoanalyse et la compreacutehension drsquoinformations utiles agrave partir drsquoune seule image ou drsquoune seacutequence drsquoimages afin drsquoobtenir une saisie automatiseacutee de donneacutees visuelles

La reconnaissance drsquoimages est utiliseacutee pour la deacutetection des fraudes la reconnaissance faciale et lrsquoidentification des contenus numeacuteriques illeacutegaux ou explicites La vision artificielle faisant appel agrave lrsquoordinateur est actuellement utiliseacutee pour lrsquoinspection automatique dans le domaine de la fabrication pour aider les humains agrave identifier des tacircches (p ex identification des espegraveces) pour la videacuteosurveillance et la deacutetection du mouvement (p ex feux de circulation laquo intelligents raquo) pour modeacuteliser les objections ou les environnements et comme eacuteleacutement central de la navigation robotique ou autonome des veacutehicules Les capaciteacutes de reconnaissance drsquoimages et de vision artificielle faisant appel agrave lrsquoordinateur ont consideacuterablement augmenteacute ces derniegraveres anneacutees ce qui permet aux ordinateurs de reconnaicirctre les images plus facilement que les humains dans certains cas14


La reconnaissance drsquoimages utilise lrsquoapprentissage machine et lrsquoapprentissage en profondeur pour identifier et classer les caracteacuteristiques drsquoune image La vision artificielle faisant appel agrave lrsquoordinateur utilise les donneacutees de la reconnaissance drsquoimages pour classifier lrsquoinformation faire des infeacuterences et prendre des mesures Lrsquointroduction de lrsquoapprentissage en profondeur (en particulier les reacuteseaux neuronaux convolutionnels profonds) agrave la reconnaissance drsquoimages a permis le deacuteveloppement de modegraveles drsquoapprentissage avanceacutes qui utilisent des meacutegadonneacutees et ameacuteliorent la preacutecision de la classification

ROBOTIQUE


Exemple

La robotique deacutesigne la conception la construction et lrsquoexploitation de robots ainsi que de machines qui integravegrent des logiciels et qui sont capables drsquoexeacutecuter des tacircches speacutecifiques de maniegravere autonome

Les robots drsquoaujourdrsquohui sont scindeacutes entre ceux qui effectuent des tacircches domestiques et ceux qui exeacutecutent des tacircches de type industriel Les robots domestiques affecteacutes agrave des tacircches speacutecifiques comportent des fonctionnaliteacutes leur permettant drsquoeffectuer des tacircches meacutenagegraveres comme le nettoyage (p ex le Roomba un robot aspirateur) Les robots industriels speacutecialiseacutes agrave des fonctions qui leur permettent de contribuer agrave des processus comme la fabrication ou la production en chaicircne de montage


Les robots sont doteacutes de fonctions sensorielles qui recueillent et analysent les donneacutees ambiantes qui servent ensuite agrave geacuteneacuterer des reacuteactions en fonction des paramegravetres programmeacutes et codeacutes dans le logiciel du robot La robotique est en constante eacutevolution afin drsquoeffectuer des apprentissages agrave partir de donneacutees drsquoentraicircnement et des donneacutees ambiantes dans le but drsquoameacuteliorer leur reacuteactiviteacute La robotique a connu une croissance acceacuteleacutereacutee ces derniegraveres anneacutees gracircce aux progregraves de la vision artificielle aux capteurs agrave lrsquoanalyse preacutedictive et

aux structures meacutecaniques ainsi qursquoagrave la reacuteduction du coucirct et de la taille des piles Les progregraves futurs vont vraisemblablement faire eacutevoluer la forme et la conception des robots afin de permettre une plus grande diversiteacute et une complexiteacute croissante des tacircches

8

Un veacutehicule autonome aussi connu sous le nom de veacutehicule sans conducteur est un veacutehicule capable de deacutetecter son environnement et de naviguer aiseacutement avec peu ou pas drsquointervention humaine Cette technologie peut inclure lrsquoassistance au conducteur sous forme de stationnement parallegravele autonome et de systegraveme de guidage sur la route jusqursquoagrave la conduite entiegraverement autonome Les veacutehicules autonomes utilisent la vision artificielle agrave des capteurs et agrave lrsquoanalyse preacutedictive afin de geacuteneacuterer une compreacutehension de leur environnement et ainsi preacutedire les trajets possibles pour guider les deacutecisions des automobilistes Bien que les veacutehicules autonomes de pointe ne soient pas encore accessibles pour un usage commercial et public ceux-ci ont le potentiel drsquoecirctre adopteacutes comme voitures familiales pour les particuliers de servir de transport public (p ex les autobus urbains) et de transport commercial (p ex le transport interurbain par camion et les services drsquoUber) La reconnaissance de ces technologies par les consommateurs deacutependra du deacuteveloppement de la mise en œuvre et de la seacutecuriteacute des applications de la technologie de conduite autonome ainsi que des progregraves dans les systegravemes de vision et les technologies consideacutereacutees comme ameacuteliorant la seacutecuriteacute humaine

APPLICATION DE LA TECHNOLOGIE LES VEacuteHICULES AUTONOMES

9

DEacuteFIS TRANSVERSAUX EN MATIEgraveRE DrsquoIA

EacuteTHIQUE

Lrsquoeacutethique dans le contexte de lrsquoIA fait reacutefeacuterence aux questions de savoir si quand et comment les machines devraient prendre des deacutecisions et quelles valeurs devraient guider ces deacutecisions Les valeurs inteacutegreacutees dans les systegravemes drsquoIA deacutetermineront si et comment ces systegravemes agiront dans des situations de nature morale En raison de la confiance croissante dans les systegravemes automatiseacutes dans des contextes qui peuvent les obliger agrave prendre des deacutecisions impliquant la morale les utilisateurs devraient se demander si les valeurs incorporeacutees dans le code reflegravetent les leurs Pour lrsquoEacutetat le deacutefi consiste agrave srsquoassurer que la prise de deacutecisions au moyen de la machine reflegravete non seulement les valeurs et lrsquoeacutethique de la fonction publique des regraveglements et des lois mais aussi des normes sociales et morales dans un contexte plus large Les consideacuterations eacutethiques sous-tendent toutes les implications transversales eacutenumeacutereacutees ici Les deacutebats actuels concernant les veacutehicules autonomes tournent autour de la neacutecessiteacute de savoir si et comment ils doivent deacutecider entre les vies humaines en cas de collision ineacutevitable Srsquoils sont conccedilus pour ecirctre en mesure de faire un choix quelles valeurs devraient ecirctre inteacutegreacutees agrave leurs programmes afin de les guider dans leurs prises de deacutecision

+ Lrsquoutilisation de drones lors drsquoopeacuterations militaires est de plus en plus courante dans les conflits outre-mer et dans les reacutegions eacuteloigneacutees Ces systegravemes utilisent la vision par ordinateur lrsquoimagerie infrarouge et des capteurs pour deacutetecter les cibles eacutevaluer une seacuterie drsquointerventions preacuteprogrammeacutees et frapper en conseacutequence Bien que la technologie existe les drones militaires autonomes15 posent drsquoimportants deacutefis eacutethiques et juridiques eacutetant donneacutee la faciliteacute avec laquelle ils peuvent mettre fin agrave la vie humaine en plus de la difficulteacute de construire des systegravemes de prise de deacutecision qui peuvent imiter le sens moral des ecirctres humains ou le surpasser

Exemple

BIAIS

Un biais se produit lorsque les biais du monde reacuteel sont codeacutes et transmis aux systegravemes drsquoIA Les donneacutees de formation utiliseacutees pour enseigner agrave deacutetecter des structures systeacutemiques des tendances ou des solutions exactes peuvent introduire un biais si elles sont incomplegravetes fausseacutees srsquoappuient sur des ensembles de donneacutees non repreacutesentatives excluent des informations importantes ou veacutehiculent des preacutejugeacutes sociaux existants en raison de la faccedilon dont elles ont eacuteteacute recueillies ou eacutetiqueteacutees Les hypothegraveses de conception relatives aux besoins et aux contextes potentiels des utilisateurs peuvent eacutegalement introduire un biais en mettant lrsquoaccent sur certaines caracteacuteristiques plutocirct que sur drsquoautres Le biais lorsqursquoil est encodeacute en algorithmes est une forme de laquo discrimination rationnelle raquo selon Oscar Gandy16 Eacuteloigneacutee des luttes de classes ou raciales la discrimination rationnelle17 fait abstraction des preacutejugeacutes socieacutetaux existants et ne les corrige pas18 Par conseacutequent le biais algorithmique peut introduire ou renforcer les dispariteacutes dans la socieacuteteacute en influant sur lrsquoaccegraves des individus aux ressources et aux services le niveau de surveillance qursquoils subissent la faccedilon dont ils sont traiteacutes par la police et lrsquoEacutetat et mecircme leur capaciteacute drsquoecirctre vus ou entendus dans un environnement agrave forte composante technologique Lorsqursquoils sont bien conccedilus et implanteacutes des outils de haute technologie pourraient ecirctre utiliseacutes pour ameacuteliorer la participation lrsquoaccegraves aux programmes et ses reacutepercussions et pour surveiller analyser partager lrsquoinformation et preacutedire les besoins et lrsquoadmissibiliteacute des utilisateurs Lorsqursquoils sont mal utiliseacutes ils peuvent faire office de gardiens automatiseacutes perpeacutetuant les preacutejugeacutes dans le monde reacuteel

10

+ Un laquo systegraveme de pronostic en matiegravere de criminaliteacute raquo19 nommeacute PredPol20 utiliseacute par certains des plus grands services de police des Eacutetats-Unis a recours aux donneacutees historiques des corps policiers pour faire la preacutediction des laquo zones sensibles de la criminaliteacute raquo et les reacutepertorier les preacutesumeacutes agresseurs et les victimes probables En raison de la tendance historique agrave effectuer des controcircles disproportionneacutes sur les communauteacutes agrave faible revenu et composeacutees de minoriteacutes visibles et de la partialiteacute en matiegravere drsquoarrestation PredPol est fondeacute sur des donneacutees racialiseacutees injustement biaiseacutees21 Lorsqursquoelles sont inteacutegreacutees aux algorithmes ces donneacutees renforcent les biais existants preacutedisent un nombre disproportionneacute de crimes qui se produiront dans ces communauteacutes historiquement cibleacutees et accroissent ainsi la preacutesence policiegravere Des groupes de deacutefense des droits ont eacutegalement exprimeacute la crainte que lrsquoutilisation de PredPol puisse inciter les policiers agrave traiter les personnes qui correspondent au profil PredPol comme des criminels et ce sans preuves

+ Un chercheur de lrsquoUniversiteacute de Virginie a constateacute que les donneacutees photographiques utiliseacutees pour former les systegravemes de reconnaissance drsquoimages preacutesentaient un fort preacutejugeacute sexiste22 Deux importantes collections drsquoimages de recherche (dont une recevant les appuis financiers de Microsoft et Facebook) preacutesentaient des preacutejugeacutes sexistes dans leur repreacutesentation drsquoactiviteacutes telles que la cuisine et le sport avec des images de magasinage et de lessive lieacutees aux femmes et des images drsquoentraicircnement et de chasse lieacutees aux hommes23 Les logiciels drsquoapprentissage machine formeacutes sur ces ensembles de donneacutees ne refleacutetaient pas seulement ces biais mdash ils les amplifiaient renforccedilant lrsquoassociation entre le genre et les activiteacutes sexistes

+ Les logiciels de reconnaissance faciale continuent de peiner agrave laquo voir raquo les personnes dont la peau est plus fonceacutee en raison drsquoun manque de donneacutees de formation diversifieacutees et drsquoun manque de diversiteacute dans les eacutequipes qui deacuteveloppent le logiciel Deux ensembles de donneacutees de reacutefeacuterence communs utiliseacutes pour tester les systegravemes de reconnaissance faciale (IJB-A et Adience) sont constitueacutes agrave 796 et 862 de visages agrave peau claire ce qui signifie qursquoils ne mesurent pas avec la mecircme rigueur lrsquoexactitude des algorithmes pour les visages agrave peau plus fonceacutee24 Reacutecemment une eacutetude du MIT et de lrsquoUniversiteacute Stanford a reacuteveacuteleacute que le logiciel de reconnaissance faciale produit par trois grandes entreprises technologiques eacutetait nettement moins efficace dans la deacutetermination du sexe des personnes de couleur25

Exemples

10

11

SEacuteCURITEacute

Dans le contexte de lrsquoIA la seacutecuriteacute fait reacutefeacuterence agrave la capaciteacute des systegravemes drsquointelligence artificielle de fonctionner sans poser de risques ou causer des dommages aux humains Comme les systegravemes drsquoIA sont de plus en plus inteacutegreacutes dans nos vies de faccedilon visible et invisible le souci de la seacutecuriteacute devient plus important Drsquoune part la seacutecuriteacute peut ecirctre compromise en raison de bogues ou drsquoerreurs techniques dans le systegraveme de donneacutees biaiseacutees drsquoun entretien neacutegligeacute drsquoun manque de confidentialiteacute drsquoune utilisation dans des contextes non intentionnels ou si lrsquoIA apprend un comportement dangereux une fois en exploitation Drsquoautre part lrsquoIA peut aider agrave creacuteer des paramegravetres de seacutecuriteacute et agrave les appliquer en codifiant un ensemble de comportements connus qui encouragent des pratiques sucircres Cet argumentaire suppose que ces comportements peuvent ecirctre expliqueacutes en termes sur lesquels les humains peuvent srsquoentendre et codeacutes dans le fonctionnement du programme drsquoIA

+ Une voiture Tesla 2015 modegravele S a eacuteteacute impliqueacutee dans un accident mortel alors que le pilote automatique de la voiture nrsquoa pas deacutetecteacute ni reacuteagi agrave lrsquoarriveacutee drsquoun camion de transport qui tournait agrave gauche sur sa trajectoire26 La fonction de pilote automatique de Tesla commande numeacuteriquement la direction et la vitesse sous la supervision du conducteur Ceci est possible gracircce agrave une cameacutera orienteacutee vers lrsquoavant qui peut lire les panneaux de limitation de vitesse et les signalisations horizontales ainsi qursquoagrave de nombreux capteurs qui assurent une surveillance en temps reacuteel dans un rayon de 15 megravetres sous des conditions de bonne visibiliteacute Ni le conducteur ni la voiture nrsquoont deacutetecteacute assez rapidement le camion en sens inverse pour eacuteviter lrsquoaccident

+ Le systegraveme Enterprise Immune System de Darktrace27 un systegraveme de cyberseacutecuriteacute de lrsquoIA deacuteveloppeacute par des matheacutematiciens et drsquoanciens espions britanniques de lrsquoUniversiteacute de Cambridge deacutetecte et reacuteagit automatiquement aux cyberattaques en utilisant un apprentissage machine non superviseacute pour distinguer entre un comportement normal et un comportement inhabituel et ce en temps reacuteel Le systegraveme agit en observant les comportements normaux et en identifiant et neutralisant les anomalies qui ne srsquoinscrivent pas dans la tendance Ce faisant il peut repeacuterer des tendances eacutemergentes qui auraient pu passer inaperccedilues et srsquoadapter rapidement agrave de nouvelles formes de menaces Darktrace est utiliseacute par un nombre croissant drsquoentreprises canadiennes dont Energy+ Pizza Pizza et DynaLIFE28

Exemples

PROTECTION DE LA VIE PRIVEacuteE

La protection de la vie priveacutee fait reacutefeacuterence agrave lrsquoeacutetat de ne pas ecirctre observeacute et agrave la confidentialiteacute des donneacutees personnelles et comportementales drsquoune personne ou drsquoun groupe La collecte lrsquoanalyse la transmission et lrsquoutilisation des donneacutees personnelles deviennent une caracteacuteristique de plus en plus importante en matiegravere de systegravemes drsquoIA Les donneacutees personnelles sont souvent recueillies utiliseacutees et communiqueacutees sous forme de renonciation ou sans possibiliteacute de consentement La faciliteacute croissante avec laquelle les systegravemes intelligents recueillent et analysent les donneacutees personnelles ainsi que la capaciteacute des entreprises agrave transmettre cette information ont eacuteteacute critiqueacutees comme laquo remettant en question la compreacutehension actuelle de la protection de la vie priveacutee et des lois et regraveglements que nous avons mis en place pour proteacuteger les renseignements personnels raquo29

12

+ DeepMind Technologies une filiale drsquoAlphabet a reccedilu 16 million de dossiers de patients du National Health Service (NHS) du Royaume-Uni destineacutes agrave une application utiliseacutee pour la surveillance et le diagnostic des insuffisances reacutenales aigueumls30 Ces informations ont eacuteteacute partageacutees sans le consentement des patients et DeepMind et le NHS ont eacuteteacute confronteacutes agrave des reacuteactions publiques hostiles en raison de la communication de donneacutees personnelles sur la santeacute agrave des fins autres que celles pour lesquelles elles avaient eacuteteacute recueillies agrave lrsquoorigine

+ Strava une application populaire de suivi de la condition physique qui creacutee une thermographie geacuteographique de lrsquoactiviteacute drsquoun utilisateur a accidentellement divulgueacute les localisations confidentielles de plusieurs bases militaires des Eacutetats-Unis31 Strava anonymise et regroupe automatiquement les donneacutees de la thermographie pour les diffuser publiquement comme moyen pour les utilisateurs de deacutecouvrir de nouveaux itineacuteraires pour faire de la course agrave pied ou trouver des partenaires drsquoexercice Bien qursquoil soit possible drsquoutiliser lrsquoapplication en priveacute les cartes ont permis drsquoidentifier ce qui semble ecirctre des bases militaires et les donneacutees ont pu ecirctre restructureacutees de maniegravere agrave identifier le personnel militaire par leurs noms

+ La plupart des grandes agences drsquoeacutevaluation du creacutedit utilisent maintenant lrsquoapprentissage machine pour aider agrave deacuteterminer les cotes de creacutedit en approfondissant la science actuarielle et les modegraveles statistiques existants et en appliquant des algorithmes pour repeacuterer des segments de donneacutees historiques des remboursements et les donneacutees deacutemographiques des clients afin de deacutevelopper leurs modegraveles et la faccedilon de les pondeacuterer Le deacutefi pour ce secteur est de savoir comment adapter les modegraveles et les deacutecisions qursquoils prennent agrave des fins reacuteglementaires et srsquoassurer que les donneacutees dont ils se servent ne sont pas biaiseacutees

+ Plusieurs Eacutetats ameacutericains dont la Californie le New Jersey33 et le Wisconsin ont inteacutegreacute des algorithmes drsquoeacutevaluation des risques dans leurs systegravemes judiciaires pour faciliter la deacutetermination de la peine des accuseacutes et lrsquoeacutetablissement de la libeacuteration conditionnelle Ces algorithmes analysent des donneacutees sur le preacutevenu comme lrsquoacircge le sexe et les anteacuteceacutedents judiciaires afin de deacuteterminer srsquoil est susceptible de commettre un autre acte criminel ou srsquoil se preacutesentera agrave la date de sa comparution devant le tribunal Les algorithmes sont geacuteneacuteralement acheteacutes aupregraves drsquoentreprises priveacutees et ne sont pas conccedilus en interne par des analystes du secteur public Dans lrsquoaffaire Wisconsin c Loomis lrsquoaccuseacute Eric Loomis a eacuteteacute reconnu coupable pour son rocircle dans une fusillade au volant34 Le juge de premiegravere instance a utiliseacute COMPAS un outil drsquoeacutevaluation des risques baseacute sur des algorithmes pour lrsquoaider agrave deacuteterminer la dureacutee de sa peine

Example

Exemples

EXPLICABIL ITEacute

Lrsquoexplicabiliteacute fait reacutefeacuterence agrave la capaciteacute des humains agrave interpreacuteter les raisons pour lesquelles une certaine deacutecision ou action a eacuteteacute prise par un algorithme ou une seacuterie drsquoalgorithmes Sur le plan theacuteorique lrsquoexplicabiliteacute peut ecirctre obtenue en comprenant quelles donneacutees sont utiliseacutees pour produire certains reacutesultats et de quelle faccedilon Les techniques actuelles dans le domaine de lrsquoIA agrave savoir lrsquoapprentissage machine et lrsquoapprentissage en profondeur appliquent de grandes quantiteacutes de donneacutees agrave des modegraveles non lineacuteaires hors de porteacutee de la capaciteacute et de la compreacutehension humaine ce qui peut rendre les systegravemes opaques et difficiles agrave comprendre32 Dans les cas ougrave des systegravemes autonomes ou intelligents sont utiliseacutes pour faciliter ou prendre des deacutecisions qui ont des conseacutequences reacuteelles pour des personnes ou des groupes lrsquoimportance de comprendre pourquoi et comment une deacutecision a eacuteteacute prise est essentielle pour assurer la responsabiliteacute la confiance et la transparence

13

+ RADAR un service de nouvelles automatiseacute utilise le traitement du langage naturel pour eacutecrire des articles drsquoactualiteacute de faccedilon autonome35 Cette forme de laquo robot-journalisme raquo introduit des questions relatives agrave la responsabiliteacute par exemple si un article eacutecrit par ce systegraveme eacutetait jugeacute diffamatoire qui (ou quoi) serait tenu responsable

+ Les compagnies drsquoassurance meacutedicale adoptent des modegraveles drsquoapprentissage automatique pour mieux preacutedire les primes drsquoassurance en utilisant les donneacutees personnelles drsquoun beacuteneacuteficiaire36 Cela soulegraveve des preacuteoccupations quant agrave la responsabiliteacute en cas de calcul erroneacute des primes ou de refus drsquoassurance qui pourraient entraicircner des difficulteacutes meacutedicales et financiegraveres

+ Les entreprises (p ex les fabricants drsquoautomobiles) beacuteneacuteficient actuellement de protections juridiques diffeacuterentes de celles des particuliers Si une personne eacutetait happeacutee par un veacutehicule autonome qui serait tenu responsable et par quel meacutecanisme juridique (p ex poursuites amendes peacutenaliteacutes) Ce sceacutenario serait actuellement traiteacute bien diffeacuteremment si la victime eacutetait heurteacutee par une voiture conduite par une personne

Exemples

RESPONSABIL ITEacute

La responsabiliteacute en matiegravere drsquoIA concerne qui ou quoi est tenu responsable lorsque les systegravemes drsquoIA prennent des deacutecisions qui ont une incidence sur les droits de la personne les liberteacutes civiles et le bien-ecirctre De nombreux processus juridiques contemporains attribuent la notion de responsabiliteacute agrave des personnes physiques et morales Cependant ces cadres peuvent avoir une compreacutehension insuffisante de lrsquoautonomie artificielle et des relations entre les concepteurs les systegravemes et les utilisateurs ce qui pourrait empecirccher les individus de chercher un recours pour les preacutejudices causeacutes par lrsquoIA Pour les autoriteacutes judiciaires lrsquoadoption de lrsquoIA dans la prestation de services et les activiteacutes soulegraveve des questions concernant la responsabiliteacute ministeacuterielle et le respect des engagements en matiegravere de normes de service et de transparence gouvernementale

+ Loomis a contesteacute sa sentence sous preacutetexte qursquoil nrsquoeacutetait pas autoriseacute agrave eacutevaluer lrsquoalgorithme mais la Cour suprecircme de lrsquoEacutetat a jugeacute que la divulgation des reacutesultats de lrsquoalgorithme eacutetait suffisamment claire pour le deacutefendeur

14

GLOSSAIRE

Agentiviteacute

La capaciteacute drsquoun systegraveme artificiel agrave prendre des deacutecisions geacuteneacuteralement dans un contexte preacutecis sans intervention humaine

Agent conversationnel

Un systegraveme artificiel conccedilu pour fonctionner en tant que participant agrave des conversations textuelles sur Internet

Algorithme

Une seacutequence drsquoinstructions de regravegles et de calculs exeacutecuteacutes par un ordinateur dans un ordre particulier pour obtenir un reacutesultat geacuteneacuteralement une reacuteponse agrave un problegraveme speacutecifique Les algorithmes peuvent ecirctre utiliseacutes en combinaison avec drsquoautres algorithmes pour reacutesoudre des problegravemes complexes

Analyse de donneacutees

Lrsquoanalyse de donneacutees volumineuses ou agrave grande vitesse agrave lrsquoaide de techniques analytiques avanceacutees4243

Analyse des eacutemotions

Lrsquoutilisation de la technologie de lrsquoIA pour recueillir quantifier et analyser des donneacutees en ligne afin de deacuteterminer lrsquoeacutetat affectif et eacutemotionnel des personnes

Analyses preacutedictives

Lrsquoutilisation de lrsquoanalyse des donneacutees et de lrsquoapprentissage machine pour extraire lrsquoinformation et deacuteceler des structures agrave partir des donneacutees afin de deacutecouvrir les eacuteveacutenements passeacutes preacutesents et futurs

Apprentissage en profondeur

laquo Un type drsquoapprentissage machine qui entraicircne un ordinateur agrave effectuer des tacircches semblables agrave celles de lrsquohomme raquo en eacutetablissant des paramegravetres de base sur les donneacutees Il laquo apprend agrave lrsquoordinateur agrave se former lui-mecircme en reconnaissant les structures dans les donneacutees agrave lrsquoaide de nombreuses couches de traitement raquo44

Apprentissage machine

Une technique qui permet aux systegravemes informatiques drsquoapprendre et de faire des preacutedictions baseacutees sur des donneacutees historiques


Processus drsquoapprentissage drsquoun algorithme par lrsquoutilisation de donneacutees drsquoapprentissage non eacutetiqueteacutees Les donneacutees non eacutetiqueteacutees sont des donneacutees brutes (non classeacutees) Cela oblige lrsquoalgorithme agrave apprendre en creacuteant ses propres cateacutegories pour les donneacutees qui lui sont fournies


Un type drsquoapprentissage machine qui laquo permet aux machines et aux agents logiciels de deacuteterminer automatiquement le comportement ideacuteal dans un contexte donneacute afin drsquooptimiser ses reacutesultats raquo46 Les humains supervisent et fournissent une reacutetroaction de reacutecompense lorsque lrsquoagent se comporte correctement


Processus drsquoapprentissage drsquoun algorithme par lrsquoutilisation de donneacutees drsquoapprentissage eacutetiqueteacutees Les donneacutees eacutetiqueteacutees deacutesignent des donneacutees qui ont deacutejagrave eacuteteacute cateacutegoriseacutees eacutetiqueteacutees ou pondeacutereacuteesAutonome

Un agent artificiel qui a la capaciteacute drsquoapprendre ou de fonctionner sans intervention exteacuterieure

15

GLOSSAIRE

Avec intervention humaine (Human-in-the-loop)

Lrsquoexistence ou lrsquoexigence drsquoune approbation drsquoune assistance ou drsquoune intervention humaine pour qursquoun systegraveme puisse accomplir une tacircche preacutecise De nombreux algorithmes deacutependent encore de la preacutesence drsquoun humain dans le processus

Cas drsquoutilisation

Lrsquoapplication drsquoune technologie pour reacutepondre agrave un besoin speacutecifique dans un contexte particulier

Donneacutees drsquoapprentissage

Donneacutees utiliseacutees pour former lrsquoapprentissage machine et les algorithmes drsquoapprentissage en profondeur Les donneacutees drsquoapprentissage peuvent ecirctre structureacutees semi-structureacutees ou non structureacutees

Donneacutees non structureacutees

Donneacutees preacutesenteacutees sans modegravele preacutedeacutefini ni norme organisationnelle Contient des donneacutees de diffeacuterents types (textuelles chiffreacutees qualitatives quantitatives) et est souvent difficile agrave consulter ou agrave analyser

Donneacutees semi-structureacutees

Donneacutees qui ne sont pas conformes aux normes de donneacutees formelles ou aux modegraveles associeacutes aux bases de donneacutees relationnelles mais qui contiennent tout de mecircme des balises seacutemantiqueslexicales ou des marqueurs pour faire respecter lrsquoordre

Donneacutees structureacutees

Donneacutees preacutesenteacutees et classeacutees dans un format normaliseacute ce qui facilite lrsquoorganisation la recherche et lrsquoanalyse

IA deacutesincarneacutee (disembodied AI)

Logiciel de renseignement invisible inteacutegreacute dans une multitude de plates-formes

IA incarneacutee mdash eacutegalement appeleacutee IA cyberphysique ou robotique (embodied AI)

Logiciel de renseignement inteacutegreacute au mateacuteriel physique

Intelligence artificielle (IA)

LrsquoIA en tant que technologie programmes informatiques capables drsquoadopter un comportement qui neacutecessite geacuteneacuteralement de lrsquointelligence38

AI en tant que domaine ou discipline lrsquoeacutetude et le deacuteveloppement de systegravemes artificiellement intelligents

Intelligence artificielle appliqueacutee

laquo Lrsquoutilisation de lrsquoIA pour ameacuteliorer et eacutetendre raquo les capaciteacutes des applications logicielles37

Intelligence artificielle geacuteneacuterale (IAG)

Un systegraveme drsquoIA capable de fonctionner au-delagrave des solutions propres agrave un problegraveme ou agrave une tacircche en fonction du domaine vers des systegravemes agrave usage geacuteneacuteral comparables agrave lrsquointelligence humaine (y compris mais sans srsquoy limiter la reacutesolution de problegravemes lrsquoachegravevement des tacircches les connaissances propres au contexte les modes drsquoenquecircte etc) LrsquoIAG est un concept theacuteorique car ces fonctionnaliteacutes ne peuvent pas ecirctre prises en charge par les logiciels actuels ou les capaciteacutes combineacutees de logiciels et de mateacuteriel

16

GLOSSAIRE

Intelligence artificielle restreinte aussi appeleacutee intelligence artificielle faible

En ce moment toute IA est une IA restreinte ce qui signifie qursquoelle ne peut faire que ce pour quoi elle a eacuteteacute conccedilue LrsquoIA restreinte

a) est adapteacutee agrave un domaine preacutecis et est conccedilue pour apporter des solutions speacutecifiques agrave un problegraveme ou agrave une tacircche

b) |Ce mode drsquointelligence artificielle implique qursquoelle nrsquoa aucune conscience drsquoelle-mecircme

Meacutegadonneacutees

Un ensemble de donneacutees dont la taille deacutepasse la capaciteacute de traitement drsquoune base de donneacutees typique aux fins de la saisie du stockage de la gestion et de lrsquoanalyse des donneacutees41

Reacutealiteacute virtuelle

laquo la simulation par ordinateur drsquoune image ou drsquoun environnement tridimensionnel avec lequel une personne utilisant un appareil eacutelectronique speacutecialiseacute comme un casque avec un eacutecran agrave lrsquointeacuterieur ou des gants munis de capteurs peut interagir drsquoune maniegravere apparemment reacuteelle ou physique raquo47

Robotique

Lrsquoutilisation de mateacuteriel et de logiciels pour faire une tacircche novatrice


Un systegraveme drsquoIA theacuteorique ayant une capaciteacute intellectuelle supeacuterieure aux laquo meilleurs cerveaux humains dans pratiquement tous les domaines y compris la creacuteativiteacute scientifique la sagesse geacuteneacuterale et les compeacutetences sociales raquo40

Traitement du langage naturel

laquo Permet aux machines de traiter et de comprendre les donneacutees audio et textuelles raquo La fonction peut inclure laquo des tacircches comme la traduction le dialogue interactif et lrsquoanalyse des eacutemotions raquo45

Reacuteseau de neurones formels (RNF)

Un dispositif de traitement (algorithmes ou mateacuteriel reacuteel) modeacuteliseacute drsquoapregraves la structure neuronale du cortex ceacutereacutebral dans le cerveau des mammifegraveres mais agrave des eacutechelles consideacuterablement plus petites39

Vision artificielle

La vision artificielle applique lrsquoapprentissage machine pour extraire analyser et comprendre automatiquement des donneacutees agrave nombre dimensions eacuteleveacutees agrave partir drsquoune image drsquoune videacuteo ou drsquoune seacutequence drsquoimages afin de deacutecrire ou de prendre des deacutecisions

17

NOTES F INALES

1 AVIN (2017) Reacuteseau drsquoinnovation pour les veacutehicules autonomes (RIVA) Extrait de httpswwwavinhubcafr

2 Ministegravere des Transports de lrsquoOntario (2015) Les veacutehicules automatiseacutes mdash Un moteur drsquoinnovation en Ontario Extrait de httpwwwmtogovoncafrenchvehiclesautomated-vehiclesshtml

3 ICRA (2017) Survol de la Strateacutegie pancanadienne en matiegravere drsquointelligence artificielle Extrait de httpswwwicracaassetssurvol-de-la-strategie-pancanadienne-en-matiere-dintelligence-artificielle

4 Newswireca (2018) SCALEAI the AI-Powered Supply Chain Supercluster to Receive Funding from Innovation Superclusters Initiative Extrait de wwwnewswirecanews-releasesscaleai-the-ai-powered-supply-chain-supercluster-to-receive-funding-from-innovation-superclusters-initiative-674185353html

5 Achatsetventesgcca (2017) Projet pilote drsquointelligence artificielle (IA) sur la surveillance des comportements suicidaires au moyen des meacutedias sociaux (Preacuteavis drsquoadjudication de contrat) Extrait de httpsbuyandsellgccacdspublic201801038414b9a6fe689f469d381e7dc34e0a721000196416_ai_acan_frenchpdf

6 Seacutenat du Canada (2017) Le systegraveme de soins de santeacute du Canada doit se preacuteparer agrave une reacutevolution technologique Extrait de httpssencanadacafrsalle-de-nouvellessoci-defi-en-vue

7 APPG (2018) APPG AI | Party Parliamentary Group on AI Extrait de httpwwwappg-aiorg

8 wwwparliamentuk (2018) Select Committee on Artificial Intelligence Extrait de

9 Regraveglement europeacuteen sur la protection des donneacutees (sd) Regraveglement geacuteneacuteral sur la protection des donneacutees Article 22 Extrait de httpwwwprivacy-regulationeufr22htm

10 Networking and Information Technology Research and Development Program (2016) The National Artificial Intelligence Research And Development Strategic Plan Extrait de httpswwwnitrdgovnewsnational_ai_rd_strategic_planaspx

11 New York City Council (2017) Automated decision systems used by agencies Law 2018049 Extrait de http legistarcouncilnycgovLegislationDetailaspxID=3137815ampGUID=437A6A6D-62E1-47E2-9C42-461253F9C6D0

12 Centre for Public Impact (2017) Destination unknown Exploring the impact of Artificial Intelligence on Government Artificial Intelligence and the future of government Extrait de httpspublicimpactblobcorewindowsnetproduction201709Destination-Unknown-AI-and-governmentpdf


14 Johnson R (2015) Microsoft Google Beat Humans at Image Recognition EE Times Extrait de httpswwweetimescomdocumentaspdoc_id=1325712

15 Organisation du traiteacute de lrsquoAtlantique Nord (2017) Drones militaires autonomes ce nrsquoest plus de la science-fiction Extrait de httpswwwnatointdocureview2017Also-in-2017autonomous-military-drones-no-longer-science-fictionFRindexhtm

16 Gandy O (2009) Coming to Terms with Chance Engaging Rational Discrimination and Cumulative Disadvantage 1st ed Oxon Routledge

18


18 Eubanks V (2018) Automating Inequality How High Tech Tools Profile Punish and Profile the Poor St Martinrsquos Press

19 Tashea J (2017) Courts Are Using AI to Sentence Criminals That Must Stop Now WIRED Extrait de httpswwwwiredcom201704courts-using-ai-sentence-criminals-must-stop-now

20 PredPol (2017) Predictive Policing Software Extrait de httpwwwpredpolcom

21 Lum K and Isaac W (2016) To predict and serve Significance 13 (5) pp14-19

22 Simonite T (2017) Machines taught by photos learn a sexist view of women WIRED Extrait de httpswwwwiredcomstorymachines-taught-by-photos-learn-a-sexist-view-of-women

23 Zhao J Wang T Yatskar M Ordonez V and Chang K (2017) Men Also Like Shopping Reducing Gender Bias Amplification using Corpus-level Constraints University of Washington Extrait de httpsarxivorgabs170709457

24 Buolamwini J and Gebru T (2018) Gender Shades Intersectional Accuracy Disparities in Commercial Gender Classification Conference on Fairness Accountability and Transparency Proceedings of Machine Learning Research pp1-15

25 Tucker I (2017) lsquoA white mask worked betterrsquo why algorithms are not colour blind [en ligne] The Guardian Extrait de wwwtheguardiancomtechnology2017may28joy-buolamwini-when-algorithms-are-racist-facial-recognition-bias

26 Fung B (2016) The technology behind the Tesla crash explained Washington Post Accessible sur wwwwashingtonpostcomnewsthe-switchwp20160701the-technology-behind-the-tesla-crash-explainedutm term=e9616b217e54

27 Darktrace (2018) Darktrace Extrait de httpswwwdarktracecom

28 The IT Nerd (2018) Darktrace Safeguards Data For Heritage Education Funds Extrait de httpsitnerdblog20180206darktrace-safeguards-data-for-heritage-education-funds

29 Campolo A Sanfilippo M Whittaker M and Crawford K (2017) AI Now 2017 Report AI Now Extrait de httpsassetscontentfulcom8wprhhvnpfc01A9c3ZTCZa2KEYM64Wsc2a8636557c5fb14f2b74b2be64c3ce0c78_AI_Now_Institute_2017_Report_pdf

30 McGoogan C (2017) NHS illegally handed Google firm 16m patient records UK data watchdog finds [en ligne] The Telegraph Accessible sur httpswwwtelegraphcouktechnology20170703googles-deepmind-nhs-misused-patient-data-trial-watchdog-says

31 Russell J (2018) Fitness app Strava exposes the location of military bases TechCrunch Extrait de httpstechcrunchcom20180128strava-exposes-military-bases

32 Gunning D (2016) Explainable Artificial Intelligence DARPA Extrait de httpswwwccgatechedu~alanwagsDLAI2016(Gunning)20IJCAI-1620DLAI20WSpdf

33 Lapowsky I (2018) Crime-Predicting Algorithms May Not Beat Untrained Humans WIRED Extrait de httpswwwwiredcomstorycrime-predicting-algorithms-may-not-outperform-untrained-humans

19


35 Ponsford D (2017) First robot-written stories from Press Association make it into print in lsquoworld-firstrsquo for journalism industry Press Gazette Extrait de httpwwwpressgazettecoukfirst-robot-written-stories-from-press-association-make-it-into-print-in-world-first-for-journalism-industry

36 OrsquoNeil C (2017) Big Data Is Coming to Take Your Health Insurance Bloomberg Extrait de httpswwwbloombergcomviewarticles2017-08-04big-data-is-coming-to-take-your-health-insurance

37 Georgian Partners (2017) An Overview of Applied Artificial Intelligence Extrait de httpsgeorgianpartnerscom investment-thesis-areasapplied-artificial-intelligence

38 National Science and Technology Council (2016) Preparing for the Future of Artificial Intelligence Committee on Technology Executive Office of the President Extrait de httpsobamawhitehousearchivesgovblog20161012administrations-report-future-artificial-intelligence

39 University of Wisconsin-Madison (sd) A Basic Introduction To Neural Networks Extrait de httppagescswiscedu~boloshipyardneurallocalhtml

40 Bostrom N (2013) Superintelligence Paths Dangers Strategies Oxford University Press

41 Manyika J Chui M Brown B Bughin J Dobbs R Roxburgh C and Hung Byers A (2011) Big data The next frontier for innovation competition and productivity McKinsey Global Institute Extrait de httpswwwmckinseycombusiness-functionsdigital-mckinseyour-insightsbig-data-the-next-frontier-for-innovation

42 Informatica (2018) What is Data Analytics Informatica Canada Extrait de httpswwwinformaticacomcaservices-and-trainingglossary-of-termsdata-analytics-definitionhtmlfbid=sHMgUo4CDEj

43 IBM (2018) Big Data Analytics [en ligne] Accessible sur httpswwwibmcomanalyticshadoopbig-data-analytics

44 SAS (sd) Deep Learning What it is and why it matters Extrait de httpwwwsascomen_usinsightsl

45 Centre for Public Impact (2017) Destination unknown Exploring the impact of Artificial Intelligence on Government Artificial Intelligence and the future of government Extrait de httpspublicimpactblobcorewindowsnet production201709Destination-Unknown-AI-and-governmentpdf

46 Reinforcement Learning Warehouse (sd) Reinforcement Learning Extrait de httpreinforcementlearning

47 Oxford Dictionaries (2018) Virtual reality Extrait de httpsenoxforddictionariescomdefinitionvirtual_reality

2020

PREacuteSENTEacute PAR

EN PARTENARIAT AVEC

1

Introduction agrave la petite histoire de lrsquoIA 2

Interventions de lrsquoEacutetat en IA 3

IA 101 4

Types drsquoIA 4

Hieacuterarchies 4

Donneacutees de formation 5

Techniques 5

IA Technologies + applications 6

Analyses preacutedictives 6

Traitement automatique de la langue naturelle 6

Reconnaissance drsquoimage + vision artificielle 7

Robotique 7

Application de la technologie les veacutehicules autonomes 8

Deacutefis sectoriels drsquoIA 9

Eacutethique 9

Biais 9

Seacutecuriteacute 11

Protection de la vie priveacutee 11

Explicabiliteacute 12

Responsabiliteacutes 13

Glossaire 14

Notes finales 17

TABLE DES MATIEgraveRES

2







3





4



TYPES Drsquo IA








APPRENTISSAGE EN

PROFONDEUR




HIEacuteRARCHIES

AI 101

5


TECHNIQUES










6




Exemple







Example







7







ROBOTIQUE


Exemple






8



9


EacuteTHIQUE



Exemple

BIAIS


10




Exemples

10

11

SEacuteCURITEacute




Exemples



12





Example

Exemples

EXPLICABIL ITEacute


13




Exemples




14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

2







3





4



TYPES Drsquo IA








APPRENTISSAGE EN

PROFONDEUR




HIEacuteRARCHIES

AI 101

5


TECHNIQUES










6




Exemple







Example







7







ROBOTIQUE


Exemple






8



9


EacuteTHIQUE



Exemple

BIAIS


10




Exemples

10

11

SEacuteCURITEacute




Exemples



12





Example

Exemples

EXPLICABIL ITEacute


13




Exemples




14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

3





4



TYPES Drsquo IA








APPRENTISSAGE EN

PROFONDEUR




HIEacuteRARCHIES

AI 101

5


TECHNIQUES










6




Exemple







Example







7







ROBOTIQUE


Exemple






8



9


EacuteTHIQUE



Exemple

BIAIS


10




Exemples

10

11

SEacuteCURITEacute




Exemples



12





Example

Exemples

EXPLICABIL ITEacute


13




Exemples




14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

4



TYPES Drsquo IA








APPRENTISSAGE EN

PROFONDEUR




HIEacuteRARCHIES

AI 101

5


TECHNIQUES










6




Exemple







Example







7







ROBOTIQUE


Exemple






8



9


EacuteTHIQUE



Exemple

BIAIS


10




Exemples

10

11

SEacuteCURITEacute




Exemples



12





Example

Exemples

EXPLICABIL ITEacute


13




Exemples




14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

5


TECHNIQUES










6




Exemple







Example







7







ROBOTIQUE


Exemple






8



9


EacuteTHIQUE



Exemple

BIAIS


10




Exemples

10

11

SEacuteCURITEacute




Exemples



12





Example

Exemples

EXPLICABIL ITEacute


13




Exemples




14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

6




Exemple







Example







7







ROBOTIQUE


Exemple






8



9


EacuteTHIQUE



Exemple

BIAIS


10




Exemples

10

11

SEacuteCURITEacute




Exemples



12





Example

Exemples

EXPLICABIL ITEacute


13




Exemples




14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

7







ROBOTIQUE


Exemple






8



9


EacuteTHIQUE



Exemple

BIAIS


10




Exemples

10

11

SEacuteCURITEacute




Exemples



12





Example

Exemples

EXPLICABIL ITEacute


13




Exemples




14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

8



9


EacuteTHIQUE



Exemple

BIAIS


10




Exemples

10

11

SEacuteCURITEacute




Exemples



12





Example

Exemples

EXPLICABIL ITEacute


13




Exemples




14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

9


EacuteTHIQUE



Exemple

BIAIS


10




Exemples

10

11

SEacuteCURITEacute




Exemples



12





Example

Exemples

EXPLICABIL ITEacute


13




Exemples




14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

10




Exemples

10

11

SEacuteCURITEacute




Exemples



12





Example

Exemples

EXPLICABIL ITEacute


13




Exemples




14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

11

SEacuteCURITEacute




Exemples



12





Example

Exemples

EXPLICABIL ITEacute


13




Exemples




14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

12





Example

Exemples

EXPLICABIL ITEacute


13




Exemples




14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

13




Exemples




14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

14

GLOSSAIRE

Agentiviteacute




Algorithme



















15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

15

GLOSSAIRE
























16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

16

GLOSSAIRE









Robotique








Vision artificielle


17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

17

NOTES F INALES

















18


















19















2020


EN PARTENARIAT AVEC

18


















19















2020


EN PARTENARIAT AVEC

19















2020


EN PARTENARIAT AVEC

2020


EN PARTENARIAT AVEC

Intelligence arti cielle (IA) + politique publique: Mars …...sociaux et déterminer les signes...

Documents

Transcript of Intelligence arti cielle (IA) + politique publique: Mars …...sociaux et déterminer les signes...