Ce que j'aime montrer, c'est comment l'intelligence artificielle peut travailler sur les structures cachées du monde qui nous entoure. Presque tout est quantifiable et peut donc être décrit par des relations statistiques - si X, alors Y. Ce qui se passe actuellement - le boom de l'IA - est la conséquence de données plus facilement disponibles (et plus fiables) grâce à l'internet, d'une puissance de calcul accrue et, enfin, d'une décennie de développement d'algorithmes d'analyse de données intelligents et efficaces. Rien de plus, rien de moins.

10 janvier 2024

Intelligence artificielle et horlogerie - Introduction  

    Marcus Siems @siemswatches
    Collectionneur, auteur, analyste de données

---

  

Intelligence artificielle et horlogerie :

- Introduction - Interview ChatGPT - Perspectives de la communauté -

  

L'intelligence artificielle est un phénomène qui intéresse de plus en plus chacun d'entre nous. Elle passe de plus en plus du monde professionnel abstrait à notre expérience et à nos routines quotidiennes. Et nous trouvons de plus en plus souvent des rapports sur le sujet dans le monde de l'horlogerie (par exemple [ici], [ici], [ici], ou [ici]). Tous ces développements suscitent généralement beaucoup d'intérêt et d'enthousiasme... probablement pour deux raisons principales :

Tout d'abord, le fait qu'une industrie aussi traditionnelle et établie de longue date que l'horlogerie commence à utiliser l'IA à plus grande échelle semble surréaliste, alors qu'elle semble avoir traversé le temps sans être altérée pendant des siècles. Ensuite, parce que 99,9 % d'entre nous (moi y compris) ne savent pas vraiment ce qui se passe lorsque nous tapons une requête sur ChatGPT et autres.

 

Image générée par l'IA (DeepAI) d'une intelligence artificielle travaillant dans l'horlogerie.

 

Même si l'intelligence artificielle est l'une de nos technologies les plus avancées, elle s'accompagne d'un aspect mythique. C'est probablement ce que les gens ont dû ressentir lorsqu'ils ont découvert pour la première fois que notre monde était entièrement constitué de particules miniatures ou que notre cerveau (et donc nous-mêmes) fonctionnait grâce à des circuits électrochimiques. Nous devons d'abord croire les scientifiques individuellement avant de pouvoir les comprendre en tant que société.

Toutefois, tant que l'IA restera dans le domaine des créatures mythiques, nous ne serons pas en mesure d'évaluer si une nouvelle application horlogère - qu'il s'agisse d'un site web, d'un design ou d'un outil - est réellement nouvelle et potentiellement utile ou s'il s'agit simplement d'un jouet. Nous serions comme Dorothée suivant la route des briques de l'IA vers n'importe quel magicien qui nous promettrait ce que nous voulons. Mais montrez-nous les chaussures rouges ! Essayons plutôt de nous atteler à cette tâche et de mieux comprendre ce qu'est l l'intelligence artificielle et à quoi elle peut servir.

 

"Machine Learning Captcha" par Randall Munroe (xkcd).

 

1) Intelligence artificielle - Signification

Je pense qu'une grande partie du pouvoir qui nous frappe d'admiration réside déjà dans le nom. L'intelligence est probablement l'une des caractéristiques les plus étroitement liées à nous-mêmes en tant qu'êtres humains et qui nous distingue du reste du règne animal^[1]. C'est un mot qui a beaucoup de poids. Mais ce que nous attribuons à ce mot et ce qui se fait réellement dans la recherche et les applications de l'IA peuvent être fortement dissociés. 

Parce que, pragmatiquement parlant, ce qui intelligence artificielle consiste à prédire un résultat sur la base de données sur lesquelles elle a été entraînée (voir ci-dessous). En d'autres termes, il s'agit d'une méthode statistique permettant d'identifier et de quantifier des modèles. Rien de plus, rien de moins. En ce sens, il peut en effet fonctionner comme le cerveau humain. Nous aussi, nous cherchons à trouver des modèles dans le monde qui nous entoure et, une fois que nous les avons trouvés, nous avons du mal à ne plus les voir. Prenez l'exemple suivant d'un dalmatien :

 

Éclaboussures de noir et de blanc - pouvez-vous repérer le dalmatien ? Photo avec l'aimable autorisation du Base de données Michael Bach.

 

Lorsque l'on voit l'image pour la première fois, tout ressemble à des taches aléatoires de noir et de blanc. À un moment donné, des structures apparaissent, comme un arbre à l'arrière-plan, une route et potentiellement des feuilles. Le chien (un dalmatien) est assez difficile à trouver, mais une fois que vous l'avez vu, vous ne pouvez plus le quitter des yeux. Cependant, c'est votre cerveau qui met de l'ordre dans l'espace vide entre les taches noires... à proprement parler, il n'y a pas de chien.

Cette identification de modèles - même à un niveau abstrait - n'est pas de l'intelligence, c'est une association. Qu'il s'agisse de l'association entre des points et un chien, entre le soleil et une sensation de chaleur, entre le marché de l'horlogerie et l'augmentation des prix de détail, entre la taille et le poids d'un être humain, etc. Il s'agit donc d'un apprentissage - ou, selon le terme plus courant désignant les méthodes utilisées pour générer l'IA, d'un apprentissage automatique (machine learning). apprentissage automatique. Je trouve que cette formulation permet de mieux saisir l'essentiel. Il n'est pas nécessaire d'avoir un organisme (ou une machine) hautement développé pour établir des associations et apprendre... il s'agit simplement d'une relation statistique entre deux choses.

 

Pour rester dans le domaine des chiens... même des stimuli totalement aléatoires peuvent être associés les uns aux autres. Nous avons tous (espérons-le) appris au lycée ce qu'est le conditionnement classique, et Ivan Pavlov a décrit cette forme d'apprentissage statistique dès 1897. Avec l'aimable autorisation de Théorie de la communication.

 

2) Intelligence artificielle - Notions de base

Comment une machine peut-elle "apprendre" et que faut-il faire pour créer votre propre intelligence artificielle ? Intelligence Artificielle^[2]? Selon moi, tout se résume à trois ingrédients et étapes principaux :

- données de formation

- une variable à prédire

- un modèle qui relie les deux

En décomposant les choses de la sorte, on ne dirait plus que c'est de la magie, n'est-ce pas ? Mais rendons un peu plus explicite ce que j'entends par ces trois ingrédients et jouons à un jeu de... Combien vaut ma montre ?

 

Nous vous couvrons également si vous n'êtes pas seulement théoriquement intéressé par cette question... "4 conseils pour évaluer votre Montre Vintage: Guide du débutant" - Une vidéo sur l'heuristique par Felix Goldammer.

 

Tout d'abord, la prédiction... elle peut porter sur n'importe quelle inconnue que vous souhaitez décrire : quel coup jouer aux échecs, la personne en face de vous est-elle malade ou non, quelle est la bonne réponse à votre question, le nouveau design de cette montre sera-t-il un succès ? Ou, comme dans notre petit exemple : Combien vaut ma montre ? La seule chose importante ici est que la question sémantique que vous posez peut avoir des réponses quantifiables (ici : prix en euros).

Deuxièmement, pour prédire le résultat, vous avez besoin d'informations pertinentes. Par exemple, la valeur d'une Montre Vintage dépend de son état, de sa rareté, des complications, de la réputation de la marque, etc. etc. Il est important de noter que vous ne pouvez pas prendre n'importe quel type d'information... par exemple, la couleur du bracelet ou le nom de jeune fille de la mère du créateur ne devraient pas avoir d'importance ici.

Troisièmement, une connexion entre les informations d'entrée et la prédiction de sortie. Cette troisième partie est l'opération statistique que nous appelons classiquement apprentissage automatique et donc l'aspect central de l'IA. Cette connexion (ou modèle) doit être entraînée sur les informations d'entrée - dans notre exemple - de plusieurs montres et de leurs prix connus respectifs. Nous pourrions donc constater que - en moyenne( !) - les montres en meilleur état ont une valeur plus élevée. certaines marques sont plus en vogue et ajoutent une prime aux prix, les complications coûtent généralement un peu plus cher, etc.

 

Si vous demandez à Eric Wind de Le vent, c'est du vintage ce qui est important dans l'évaluation d'une montre : "L'état, l'état, état !". Photo avec l'aimable autorisation de Esquire.

 

Il s'agit d'une description sémantique d'une interaction quantifiable, apprise par une machine, entre des facteurs de marché et le prix des montres. Il s'agit d'une description très simplifiée de ce qui se passe, par exemple, chez OpenAI et ChatGPT ou dans les IA génératrices d'images, mais c'est aussi ce qui se passe à la base*. Mais nous reviendrons sur ces applications dans un instant.

 

3) Intelligence artificielle - Différents modèles

Maintenant, plongeons rapidement dans la partie centrale - le modèle d'apprentissage automatique et ses hypothèses. Il existe de nombreuses façons de déduire le résultat d'un ensemble d'informations. La plus simpliste est la relation monotone (parfois linéaire), par exemple : Plus la montre est en bon état, plus son prix est élevé :

 

Figure 1. (Toy-)Exemples de scénarios où apprentissage automatique peuvent être appliqués. Les points colorés représentent des montres individuelles, la ligne en pointillé implique la prédiction de l'algorithme. Une prédiction graduelle du prix basée sur l'état de la montre (à gauche) et une limite pour prédire la conservation ou la vente d'une montre basée sur l'attachement émotionnel et le temps passé au poignet pour chaque pièce (à droite). Les données représentées sont fictives et ont pour seul but d'aider à la mise en contexte.

 

La ligne en pointillé de la figure décrit la prédiction du modèle. Par exemple, il peut s'agir d'une relation linéaire de 1 à 1 et d'un prix = condition * constante. Il se peut que certains effets dépassent la linéarité et que notre relation soit plutôt exponentielle - si vous augmentez légèrement la condition à l'extrémité supérieure, le prix augmente considérablement... Cette relation exacte entre le prix et la condition est ce qui peut être appris au cours du processus... à partir d'une machine**...

 

4) Intelligence artificielle - Algorithmes modernes

Toutes ces méthodes simples que je viens de présenter sont vieilles d'un siècle et constituent le fondement de notre expérience moderne de l'IA. Charles Spearman a introduit l'analyse factorielle pour simplifier un grand nombre de questions et de tâches psychologiques et a défini - fait intéressant - un paramètre général pour l'intelligence^[3]. Cette première quantification de l'intelligence a ensuite été utilisée pour évaluer les soldats britanniques et trouver des officiers appropriés dans leurs rangs au-delà de l'ancien système aristocratique, toujours en vigueur.

 

Vous pouvez trouver "Une brève histoire de l'intelligence artificielle"couvrant les 70 dernières années de développements majeurs par BootstrapLabs ici.

 

Dans les années 1970 et 1980, des applications utilisant une légère modification de ces méthodes ont été introduites - les réseaux neuronaux artificiels***. Ici, un objet d'entrée avec toutes ses caractéristiques est pondéré (modèle) pour prédire une réaction. Par exemple, nous avons une montre qui présente plusieurs caractéristiques - taille, âge, matériau, état, marque, etc. - que nous appelons ensemble une couche. En pondérant ces caractéristiques, nous pourrions (dans un monde optimisé) estimer son meilleur prix de vente. Il s'agit donc d'une extension de l'estimation linéaire décrite ci-dessus.

 

Figure 2. Schéma de l'architecture d'un réseau neuronal artificiel à une couche. L'architecture ne sert qu'à illustrer une intuition et les "noms des couches" en bas sont des aides-mémoire et non des contraintes ou des résultats de modélisation réels.

 

Cette "architecture" très simple peut établir une relation entre l'entrée (une montre) et la sortie (son prix)... Encore une fois, cette relation est apprise sur des milliers et des milliers de montres dont les prix sont connus avant de pouvoir être appliquée pour prédire le prix d'une montre qui n'est pas déjà dans la base de données. En outre, elle comportera toujours une part d'erreur, c'est-à-dire des paramètres inconnus comme, par exemple, l'humeur des enchérisseurs.

Imaginez maintenant que vous n'ayez pas qu'une seule couche qui vous donne directement un résultat, mais que cette couche alimente en informations une autre couche, plus "profonde". La couche la plus profonde définit les relations entre les caractéristiques, et une autre couche plus profonde après cela les caractéristiques des caractéristiques et une autre après cela et après cela... chacune résumant et abstrayant son entrée à travers les relations des caractéristiques de la couche précédente...

 

Figure 3. Schéma de l'architecture d'un réseau neuronal artificiel avec plusieurs couches "cachées". L'architecture ne sert qu'à illustrer une intuition et les "noms des couches" en bas sont des aides-mémoire et non des contraintes ou des résultats de modélisation réels.

 

Vous pouvez également considérer chaque couche et chaque abstraction dans le sens du langage (Grands modèles linguistiques). La première couche décrit les lettres, la deuxième la relation entre les lettres, c'est-à-dire les "syllabes". La troisième couche porte sur la relation entre les syllabes et les mots, la quatrième sur les mots et les phrases, puis sur les paragraphes et le sens ^abstrait*4. Ces abstractions - qui peuvent également être apprises de l'algorithme sans le contraindre - constituent le principal avantage de ces "réseaux neuronaux profonds" par rapport à tout ce qui se fait dans le domaine de l l'intelligence artificielle qui l'a précédé.

 

L'intrigue du film "Inception" de Christopher Nolan, sorti en 2010, constitue une bonne analogie de la structure en couches profondes de l'intelligence artificielle. Chaque couche plus bas est comme un autre rêve dans un rêve... Chaque rêve devient plus absurde et plus surréaliste. Photo d'une structure de l'intrigue du film dessinée à la main par Christopher Nolan lui-même.

 

Bien entendu, ces étiquettes pour les différentes couches sont purement schématiques. Les mots, les phrases et les paragraphes sont des entités que nous pouvons saisir à partir de notre expérience quotidienne. Mais un modèle statistique construira une représentation très abstraite qui ne suivra pas notre compréhension limitée. Néanmoins, ces couches profondes d'abstraction sont la raison pour laquelle nous pouvons avoir une conversation avec ChatGPT et des algorithmes similaires^[4]. Cela signifie que l'algorithme n'a pas besoin d'avoir vu un paragraphe, une phrase ou une question particulière auparavant pour en comprendre le sens, car il peut trouver des méta-relations à partir d'autres extraits de texte.

Cependant, comme vous pouvez l'imaginer, pour en arriver là, vous avez besoin de BEAUCOUP de puissance de traitement et de données textuelles pour que l'algorithme apprenne et fonctionne. Par exemple, ChatGPT 3.5 (version gratuite) a été entraîné pendant des semaines et des mois sur des milliers de GPU avec des textes écrits, des livres et des sites Web et a finalement intégré les commentaires de milliers d'opérateurs humains.

 

5) Intelligence artificielle - Conclusion sur son essence

Je suppose donc que tout le monde soupire de soulagement maintenant que nous avons franchi ce chapitre plutôt intense de la méthodologie. Cependant, j'espère que j'ai pu faire comprendre que l l'intelligence artificielle et l'apprentissage automatique 1) ne sont pas nouveaux, 2) sont à la base de "simples" modèles de prédiction, et 3) ne sont pas un outil magique offert par les robots pour nous distraire en nous donnant des résumés de livres et en générant des images steampunk de nos animaux de compagnie.

 

Une image générée par l'IA (DeepAI) de "Plusieurs trains d'engrenages de montres travaillant avec des circuits informatiques".

 

Plutôt l'intelligence artificielle travaille sur les structures cachées et latentes du monde qui nous entoure. Presque tout est quantifiable et peut donc être décrit par des relations statistiques - si X, alors Y. Ce qui se passe actuellement - le boom de l'IA - est la conséquence de données plus facilement accessibles grâce à l'internet, d'une puissance de calcul accrue et, enfin, de décennies de développement d'algorithmes d'analyse de données intelligents et efficaces. Rien de plus, rien de moins.

 

Dans la prochaine partie, je souhaite aborder en détail ce que l'IA moderne peut et ne peut pas faire dans notre monde horloger bien-aimé. Pour faciliter cette discussion - largement spéculative - je me suis également entretenu avec plusieurs experts dans le domaine de l'horlogerie qui ont tous eu des contacts avec le monde de la technologie dans le passé. Voilà qui va être amusant !

 

 

* Je vous prie de m'excuser pour cette simplification excessive.

** Par une approche d'analyse intelligente mais pas vraiment d'intelligence^[1].

*** Il existe plusieurs différences empiriques entre les cerveaux de carbone et de silicium, mais n'entrons pas dans ce domaine. Les ANN peuvent (au mieux) être considérés comme un modèle simplifié de la fonction biologique.

*Vous pouvez penser à des couches d'abstraction similaires dans le sens du traitement visuel/image. La première couche est constituée des bords clairs/sombres confinés à un certain endroit, la couche suivante peut être constituée d'angles, les couches suivantes de formes de plus en plus complexes que l'on peut trouver n'importe où dans la scène et les dernières couches sont les identités des objets, qui peuvent même être indépendantes de l'angle de présentation, etc.

 

 

Références et lectures recommandées

[^1] [Recommandation] On Intelligence; Jeff Hawkins & Sandra Blakeslee, St. Martins Griffin Publishing, New York ;

[^2] [SciFi recommandé] Trilogie de la Fondation (1942-53) ; Isaac Asimov, Gnome Press ;

[^3] La preuve et la mesure de l'association entre deux choses (1904) ; Charles Spearman, Am. J. Psychol ;

[^4] [Recommandation] The Most Human Human - What Artificial Intelligence Teaches Us About Being Alive ; Brian Christian (2011), Anchor ;

 

Tous les droits sur le texte et les graphiques sont réservés à l'auteur.