Éléments de compréhension IA, Santé et Éthique

Quelques éléments de compréhension de l’Intelligence artificielle sont présentés par Véronique Pelletier le 15 mai 2023, autour d’un verre, lors d’une conférence débat au café de la mairie à Paris.

Des exemples d’utilisation, dans le domaine de la santé et quelques définitions sont proposés.

L’application de l’éthique dans ces domaines est-elle une nécessité ?

Citations

“Our future is a race between the growing power of technology and the wisdom with which we use it.”​ Stephan Hawking

« Notre avenir est une course entre la puissance croissante de la technologie et la sagesse avec laquelle nous l’utilisons. »​

 

Image de Stephan Hawking générée par DallE2

« Les algorithmes s’imposent à nous comme des lois que nous n’avons pas votées » — Michèle Sebag​

Michèle Sebag est intervenue lors de notre séminaire de Cabourg « À la recherche du temps futur », en 2018, pour nous parler des biais cognitifs (pour les 40 ans d’ADELI).

Brève histoire de l’IA

L’Intelligence Artificielle (IA) est une discipline universitaire ainsi qu’un ensemble de technologies. L’IA est une branche des mathématiques, en particulier de la logique mathématique.

• En 1931, les théorèmes d’incomplétude de Gödel, mathématicien et logicien.

• En 1936, Alan Turing, mathématicien et cryptologue, pose les base de la « machine universelle ». Elle est virtuelle, elle répond au problème posé par le mathématicien David Hilbert de la décision et du formalisme.
• Pendant la Seconde Guerre mondiale, Alan Turing a décrypté le code allemand de chiffrement / déchiffrement de la machine Enigma
• En 1950, Alan Turing publie un article qui pose les fondations de l’intelligence artificielle : « computing machinery and intelligence». Il décrit dans son article le test de turing.
• En 1956, John Mc Carthy et Marvin Minski, lors du colloque de Dartmouth (USA) ont posé les bases de la machine pensante et du terme intelligence artificielle.
• 1954 – A. Newel : écrit un programme pour jouer aux échecs.
• Claude Shannon est le père de la théorie de l’information.
• 1956 – IPL1 Information Processing Language 1
• 1957 – Programme du jeu d’échec NSS (Newel, Shaw, Simon)
• 1960 – John Mac Carthy crée le langage LISP.
• Heuristiques : règle qui permet de faire un choix en l’absence de résultat théorique sûr.
• GPS – General Problem Solver.
• EPAM (Elementary Perceiving and Memorising Program) –Edward Feigenbaum – simulation psychologique
• Traduction automatique
• 1965 – J. Robinson : systématisation du raisonnement par l’absurde (formalisation et interprétation de nombreux problèmes – démontrer des théorèmes, vérifier des programmes, manipuler des objets)
• 1971 – Alain Colmerauer invente PROLOG, puissance de la logique du 1er ordre
• Autres langages : PLANNER, QA4, MACSYMA, REDUCE
• D’après Wikipédia, au XXe siècle, l’étude de la logique mathématique a fourni l’essentiel des avancées qui ont rendu plausible l’intelligence artificielle. Les bases ont été mises en place avec des œuvres telles que Les lois de la pensée de Boole et Idéographie de Frege. S’appuyant sur le système de Frege, Russell et Whitehead ont présenté un traitement formel des fondements des mathématiques dans leur chef-d’œuvre Principia Mathematica en 1913. Inspiré par le succès de Russell, David Hilbert a défié les mathématiciens des années 1920-1930 afin de répondre à la question fondamentale : « Le raisonnement mathématique peut-il être entièrement formalisé ? » On répondit à sa question par les théorèmes d’incomplétude de Gödel, la machine de Turing et le lambda-calcul de Church. Leur réponse était surprenante à plusieurs titres. Tout d’abord, ils prouvèrent qu’il y avait, en fait, des limitations dans ce que la logique mathématique pouvait accomplir.

En robotique

En robotique, les problématiques étaient les suivantes :

• le pilotage des systèmes fixes ou mobiles du monde réel ;
• les problèmes de capteurs ;
• la vision par caméra ;
• la détection des contours et d’objets cachés dans des univers complexes.

1968 – les chercheurs utilisent des micro-univers de travail (jeux, géométrie, calcul intégral, monde des blocs, phrases courtes sur petit vocabulaire.

Méthode retenue

La méthode retenue pour limiter l’explosion combinatoire est de couper des branches de l’arborescence afin :

• d’améliorer la combinatoire
  • on restreint l’énumération exhaustive à l’aide du bon sens, de fonctions d’évaluation numériques et d’heuristiques,
  • les performances des jeux rivalisent avec les nôtres (échecs, Dames, Othello, Bridge, Go),
• d’atteindre le niveau des experts.

Comment représenter la connaissance ?

Les problématiques qui se sont posées au départ étaient importantes. Comment représenter la connaissance ?

• 1970 – L’expérience est la connaissance accumulée au fil des années – mais comment donner cette connaissance à un programme ?
• Le programme doit acquérir des données de l’expert lui-même.
• Par opposition, un langage de programmation ne permet que d’exprimer des ordres exécutables contrairement à la représentation des connaissances.

Test de Turing

Le test de Turing est une proposition de test d’intelligence artificielle fondée sur la faculté d’une machine à imiter la conversation humaine. Décrit par Alan Turing en 1950 dans sa publication Computing Machinery and Intelligence, à mettre un humain en confrontation verbale à l’aveugle avec un ordinateur et un autre humain. Si la personne qui engage les conversations n’est pas capable de dire lequel de ses interlocuteurs est un ordinateur, on peut considérer que le logiciel de l’ordinateur a passé avec succès le test (Wikipédia).

Système expert

• DENDRAL un des 1ᵉʳˢ systèmes expert (SRI – Stanford)
• Joshua Lederberg – médecin – Prix Nobel de chimie
• Il déduit des formules chimiques développées de corps chimiques à partir de leur spectrographe de masse
• METADENDRAL analyse de familles chimiques mal connues et a permis la rédaction d’articles dans des revues internationales de Chimie.
• Un système expert se compose de 3 parties :
  • une base de faits ;
  • une base de règles ;
  • un moteur d’inférence.
• Le moteur d’inférence est capable d’utiliser faits et règles pour produire de nouveaux faits, jusqu’à parvenir à la réponse à la question experte posée.
• La plupart des systèmes experts existants reposent sur des mécanismes de logique formelle et utilisent le raisonnement déductif. Pour l’essentiel, ils utilisent des règles d’inférence de la forme suivante (syllogisme) : si P est vrai (fait ou prémisse) et si l’on sait que P implique Q (règle) alors, Q est vrai (nouveau fait ou conclusion).

Compréhension du langage naturel

• SHRDLU est l’un des premiers programmes informatiques de compréhension du langage naturel. Il a été développé par Terry Winograd du MIT à partir de 1968. Il était écrit en Micro Planner et en Lisp et implémenté sur un ordinateur PDP-6 de DEC équipé d’un terminal graphique DEC – un robot manipulateur de cubes en dialoguant. Il arrive à résoudre les métaphores, justifier son comportement, rendre compte de ses actions.

Les domaines de l’IA

• Perception et reconnaissance des formes
• Mathématiques et démonstration automatique des théorèmes
• Les jeux
• Résolution de problèmes
• Compréhension du langage naturel (LN)
• Traduction
• …

Interdisciplinarité

Une force de l’IA est l’interdisciplinarité :

• Psychologie
• Mathématique
• Logique
• Linguistique
• Biologie
• Informatique
• Médecine
• Didactique

Pédagogie…

Une définition de l’IA

L’intelligence artificielle rassemble toutes les techniques permettant à des ordinateurs de simuler et de reproduire l’intelligence humaine. … mais on peut considérer qu’elle existe depuis que l’ordinateur fait tourner des algorithmes qui ne sont que des reproductions du raisonnement humain. » Stéphane Roder

Quelques personnalités

Jean-Paul Haton

Jean-Paul Haton, un précurseur en France dans le domaine de l’IA en particulier en reconnaissance de la parole, au laboratoire Loria – Université de Lorraine.

Jacques Pitrat

Jacques Pitrat est un pionnier de l’IA.

La journée d’hommage de l’Afia à Jacques PITRAT, organisée le 6 Mars 2020 au CICSU Sorbonne Université :
https://afia.asso.fr/journee-hommage-j-pitrat/

Intervention de Henri Prade (CNRS Toulouse) et Jean-Paul Haton (U. Lorraine) : « Jacques Pitrat, son œuvre scientifique dans l’histoire de l’IA »

• https://www.actuia.com/dossiers/quelques-elements-concernant-lhistoire-de-lintelligence-artificielle-12/
• https://www.dailymotion.com/video/x7tkhcu

Jean-Louis Laurière

Les problématiques de l’IA des années 1985-1990 :

• Acquérir et représenter la connaissance ;
• Apprendre à comprendre ;
• Apprendre à résoudre des problèmes ;
• Apprendre à apprendre ;
• Raisonner ;
• Assimiler, analyser, transposer, généraliser, faire face à des situations concrètes et résoudre des problèmes ;
• La lecture d’un texte, écriture manuscrite, identification de visages humains, compréhension de textes, de paroles, démonstration de théorèmes, résolution de problèmes, le choix d’un coup au jeu d’échecs, la construction d’un emploi du temps, la réponse à un test de QI, la conception d’un plan en architecture, élaboration d’un diagnostic en médecine, l’analyse d’un article de journal.

IA générative

On en parle beaucoup, on en parle tellement… Les médias se sont emparés du sujet.

L’IA générative, telle que ChatGPT, est multimodale :

• elle permet la génération de textes ;
• donne des informations, fait des synthèses, écrit un poème, écrit une chanson…
• génère du code informatique ;
• génére des images ;
• génére des vidéos ;
• génére des sons ;
• elle est puissante ; elle imite la voix d’un animateur radio (radioGPT).

Quelques outils d’IA générative

• ChatGPT, DALL-E, Midjourney, DeepMind et prochainement Bard, les technologies dites IA génératives, pour Intelligence Artificielle générative, ont explosé ces derniers mois.
• ChatGPT utilise GPT 3. qui a 175 milliards de paramètres, mais, on ignore sur quelles données le modèle a été entraîné.
• Sur GPT 4, on ne sait pas.

Fonctionnalités de ChatGPT

• Générer de la musique, des images, des vidéos, des textes, des designs ;
• Répondre à des questions sur des sujets généraux, tels que l’histoire, la géographie, la science et la technologie ;
• Écrire des histoires, des poèmes, des nouvelles, des articles, des citations, des scénarios, des posts Instagram ou LinkedIn, etc. ;
• Traduire un texte d’une langue à une autre ;
• Faire la conversation sur n’importe quel sujet, comme si vous parliez à un ami, en choisissant un ton, voire un personnage ou un rôle ;
• Résumer des textes en quelques points clés, mais aussi des livres, des films ou des séries télévisées ;
• Faire des prédictions sur des sujets tels que la météo, les actions boursières et le sport ;
• Générer du code informatique à partir de spécifications…

• Suggérer des films, des livres et de la musique en fonction de vos préférences personnelles ;
• Analyser la tonalité d’un texte et le classer dans la catégorie « positif », « négatif » ou «neutre» ;
• Retranscrire de la voix en texte ;
• Planifier un itinéraire pour un voyage en voiture, en avion ou à pied, s’informer sur les sites et les musées à visiter, les activités qui peuvent vous intéresser durant votre voyage ;
• Donner des conseils de cuisine, comme des recettes, des substitutions d’ingrédients ou des astuces de préparation ;
• Comparer des produits, tels que des smartphones, des ordinateurs ou des appareils électroménagers, mais aussi des destinations de voyage.

Vous pouvez consulter cet article de Harward Business Revue.

Interrogation de ChatGPT

Le dialogue entre VE, l’auteur de cet article et GPT3, l’IA générative (mis en italique) est le suivant :

• VE : Combien de paramètres a GPT2
• GPT3 : Le modèle de traitement de langage naturel GPT-2 (Generative Pre-trained Transformer 2) de OpenAI a été publié en 2019. Il existe plusieurs tailles de modèles GPT-2 avec différents nombres de paramètres. Voici les chiffres approximatifs pour chaque taille de modèle :
• GPT-2 Small : 117 millions de paramètres
• GPT-2 Medium : 345 millions de paramètres
• GPT-2 Large : 774 millions de paramètres
• GPT-2 XL : 1,5 milliard de paramètres
• Il est important de noter que le nombre de paramètres n’est pas la seule mesure de la performance d’un modèle de traitement de langage naturel. D’autres facteurs tels que la qualité et la diversité des données d’entraînement, l’architecture du modèle et les techniques d’optimisation peuvent également avoir une grande influence sur les performances du modèle.

• VE : Combien de paramètres a GPT3
• GPT3 : GPT-3 (Generative Pre-trained Transformer 3) est le modèle de traitement de langage naturel le plus avancé développé par OpenAI. Il a été publié en 2020. Il existe également plusieurs tailles de modèles GPT-3 avec des nombres de paramètres différents. Voici les chiffres approximatifs pour chaque taille de modèle :
• GPT-3 Small : 125 millions de paramètres
• GPT-3 Medium : 345 millions de paramètres
• GPT-3 Large : 175 milliards de paramètres
• GPT-3 XL : 275 milliards de paramètres
• GPT-3 XXL : 13,5 billions de paramètres
• Le modèle GPT-3 Large est déjà très performant dans de nombreuses tâches de traitement de langage naturel, et les modèles encore plus grands, tels que GPT-3 XL et GPT-3 XXL, sont capables d’effectuer des tâches encore plus complexes. Cependant, les modèles de grande taille nécessitent des ressources informatiques importantes pour être entraînés et utilisés efficacement.

• VE : Quels types de ressources utilise le modèle ?
• GPT3 : Le modèle GPT-3 est très sophistiqué et utilise une grande variété de ressources pour fonctionner efficacement. Voici quelques-unes des principales ressources utilisées par le modèle :
  • Données : Le modèle GPT-3 est entraîné sur une quantité massive de données de texte provenant d’une grande variété de sources, notamment des livres, des articles de journaux, des sites web, des discussions en ligne et bien plus encore.
  • Calcul intensif : le modèle GPT-3 utilise des réseaux de neurones profonds, qui nécessitent des calculs informatiques très intensifs pour fonctionner. Le modèle est entraîné sur des superordinateurs dotés de milliers de processeurs graphiques (GPU) pour accélérer les calculs.
  • Stockage : Le modèle GPT-3 est extrêmement volumineux et nécessite des centaines de gigaoctets d’espace de stockage pour être stocké et utilisé efficacement.
  • Infrastructures de serveurs : les modèles de langage naturel comme GPT-3 nécessitent une infrastructure de serveurs massive pour pouvoir être utilisés de manière efficace. Les infrastructures de serveurs sont utilisées pour héberger le modèle et pour traiter les demandes des utilisateurs.
  • Algorithmes d’apprentissage automatique : le modèle GPT-3 utilise une variété d’algorithmes d’apprentissage automatique pour entraîner le modèle et pour adapter son comportement en fonction des entrées qu’il reçoit.
  • En somme, le modèle GPT-3 est un système complexe et sophistiqué qui utilise une grande variété de ressources pour fonctionner efficacement.

• VE : Qu’est-ce qu’un superordinateur ?
• GPT3 : Un superordinateur est un type d’ordinateur hautement performant conçu pour effectuer des calculs très intensifs à grande échelle. Les superordinateurs sont souvent utilisés pour effectuer des simulations scientifiques et des modélisations complexes, telles que la simulation de la propagation de maladies, la prévision météorologique, la conception de médicaments et bien plus encore.
• Les superordinateurs sont capables d’effectuer des millions, voire des milliards de calculs par seconde, ce qui en fait des outils indispensables pour de nombreuses disciplines scientifiques et techniques. Ils utilisent souvent des architectures de traitement parallèle et des systèmes de mémoire haute performance pour maximiser leur efficacité de calcul.
• Les superordinateurs sont généralement constitués de milliers de processeurs, de grandes quantités de mémoire et de stockage de données, ainsi que de réseaux de communication à haute vitesse. Ils nécessitent également des systèmes de refroidissement sophistiqués pour éviter la surchauffe des processeurs.
• Les superordinateurs sont souvent utilisés par les gouvernements, les universités, les entreprises de haute technologie et les centres de recherche pour effectuer des calculs scientifiques et des simulations complexes. Ils sont également utilisés dans des domaines tels que la finance, la production de films et la conception de produits pour accélérer les processus de calcul intensif.

Robots

Voici quelques exemples de robots impressionnants :

• Démonstration de Atlas de Boston Dynamics ;
• Exemple de technologie de robots chirurgicaux au CHU de Rouen, en Normandie ;
• Robot humanoïde pour apporter du réconfort.

Les fonctions de l’intelligence humaine

Les fonctions de l’intelligence humaine identifiées sont les suivantes :

• la capacité de perception (vue, ouïe, toucher…) ;
• la mémoire, l’apprentissage et la représentation de la connaissance ;
• le calcul sur les représentations, la pensée ;
• les capacités de communication expressives ;
• les capacités exécutives…

Ces fonctions ont tenté d’être imitées, simulées par l’intelligence artificielle depuis toujours.

Business Intelligence – BI

La BI (informatique décisionnelle) est un précurseur de l’IA moderne.

Des outils d’analyse et découverte de données telles que Cognos, français (la France a été très en avance dans le domaine de fouilles de données) ou Business Object – BO sont des outils de BI. Ils donnent la possibilité à un humain de voir ses données. Ils ont cet avantage par rapport aux outils statistiques de révéler des informations dont on n’avait pas forcément idée.

Les métiers de la data vont évoluer vers la modélisation.

Un moteur de règles n’apprend pas. Son savoir est statique. Il est déterministe, car le savoir est limité aux règles, contrairement au machine learning qui apprend à partir d’exemples et construit un savoir statistique.

IA moderne

Cognitivisme ou connexionnisme ?

Deux courants sont en opposition :

• le cognitivisme : traitement symbolique de la pensée – évaluation d’expressions symboliques = moteur d’inférences, systèmes experts ;
• le connexionnisme : neurone formel (premier modèle mathématique du neurone en 1943 par Warren McCulloch et Walter Pitts – neurologues) généralisé par Marvin Minsky du neurone formel au réseau de neurones dans sa thèse à Princeton.

L’intelligence artificielle moderne est liée au machine learning.

• En 1990, Yann Le Cun a créé un lecteur de code postal manuscrit, puis il a inventé le deep learning.
• En 2012, lors de la compétition ImageNet de reconnaissance d’objets, Geoffrey Hinton passe de 25 à 16 % d’erreurs, ce qui est un progrès considérable. C’est une révolution !
• En 2016, l’entreprise DeepMind, rachetée par Google, programme Alpha Go qui bat le champion du monde du jeu de Go, Lee Sedol.

Apprentissage automatique ou machine learning

Définition de l’apprentissage automatique

La définition de l’apprentissage automatique selon Wikipédia (octobre 2022) est la suivante :

« L’apprentissage automatique (en anglais machine learning, littéralement « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d’étude de l’intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d’ « apprendre » à partir de données, c’est-à-dire d’améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l’analyse, l’optimisation, le développement et l’implémentation de telles méthodes. On parle d’apprentissage statistique car l’apprentissage consiste à créer un modèle dont l’erreur statistique moyenne est la plus faible possible. »

Régression linéaire

La régression linéaire est une méthode statistique utilisée pour examiner la relation entre deux variables continues : une variable indépendante et une variable dépendante. L’objectif de la régression linéaire est de trouver la droite la mieux ajustée à travers un ensemble de points de données, qui peut ensuite être utilisée pour faire des prédictions sur les observations futures.

Source : Medium.com

(l’image ne correspondrait pas à une régression linéaire)

Deep learning

Neurone formel

Le neurone formel a été imaginé à partir du neurone biologique (modèle de neurone formel).

Chaque entrée a un poids. Les entrées sont sommées et, en fonction d’un seuil, la valeur de sortie est obtenue. C’est un mécanisme simple.

Deep learning – Apprentissage profond

Le deep learning est fondé sur des réseaux de neurone répartis en plusieurs couches. Plus il y a de couches, plus l’apprentissage est profond. Les informations passent d’une couche à une autre. Il est capable d’analyser des données non structurées, un peu comme un cerveau humain.

À partir d’une image de chien et de chat, décider automatiquement de quel animal il s’agit (datascientist.com – source medium.com).

Le deep learning est plus performant si l’on a entrainé le modèle avec beaucoup de data.

Source : medium.com

Au fil des années, avec l’émergence du big data et de composants informatiques de plus en plus puissants, les algorithmes de Deep Learning gourmands en puissance et en données ont dépassé la plupart des autres méthodes. Ils semblent être prêts à résoudre bien des problèmes : reconnaître des visages, vaincre des joueurs de go ou de poker, permettre la conduite de voitures autonomes ou encore la recherche de cellules cancéreuses…

Cours d’initiation à l’IA Deep learning

Voici le lien vers un cours qui aide à comprendre l’apprentissage en IA, de l’université de Picardie : U-Picardie_Apprentissage_artificiel.

Vous pouvez trouver également un cours gratuit et en français sur le deep learning chez OpenClassroom (je ne l’ai pas regardé).

IA et Santé

Domaine de la santé

Le domaine de la santé est un des domaines les plus complexes.

L’intelligence artificielle (IA), en santé permet de répondre à des problématiques particulières. C’est un soutien mais c’est aussi une formidable technologie pour améliorer la santé.

De très nombreuses données ont été accumulées ces quarante dernières années. La puissance de calcul des ordinateurs a explosée. L’IA permet d’analyser les données et de les convertir en informations exploitables, d’améliorer les résultats obtenus, de prendre des décisions éclairées. Les millions d’images analysées par les IA permettent de détecter des cancers.

Le numérique, d’une part, l’IA, d’autre part, permettent les téléconsultations, les prises de rendez-vous, la gestion du dossier patient, les prescriptions médicales numériques, la gestion des annuaires des professionnels de santé, la médecine préventive, la gestion des hôpitaux et de toutes les interactions qu’ils entretiennent avec les différents acteurs (consultations, chirurgie, plateaux techniques, pharmacie, lingerie, gestion des repas, gestion du personnel, gestion des services médicaux, logistique, achats…). Les hôpitaux et la recherche, les hôpitaux entre eux, les hôpitaux et la médecine ambulatoire de ville, les hôpitaux et l’assurance maladie, les ARS, les services numériques sont autant de relations nécessaires et importantes.

On entrevoit la complexité des relations entre les différents acteurs.

Afin que tout fonctionne, un minimum de spécifications, d’architectures, de plateformes, d’urbanisation, d’interopérabilité doivent respecter les standards et les bonnes pratiques admises et préconisées par la profession.

L’éthique doit être prise en compte dès la conception des solutions d’IA. Dans la mesure du possible, l’explicabilité aussi.

La médecine est humaniste et sa déontologie s’applique.

La sécurité est un enjeu très important aujourd’hui ainsi que le respect des données du patient.

L’IA permet plus de performances.

Le patient, citoyen, usager du système de santé doit pouvoir être acteur de sa santé.

Pharmacie

Comment l’intelligence artificielle permet d’adapter les médicaments aux patients : « Nous pouvons caractériser le bon médicament pour chaque patient dès la première fois », ajoute le Dr Cohen Solal.

Déterminer l’origine d’un cancer

L’institut Curie a mis au point une intelligence artificielle capable d’identifier des cancers indétectables par les moyens traditionnels. Dans le cas de Wilfried, un patient d’une cinquantaine d’années, c’est une IA qui a détecté l’origine de son cancer en dépit des examens médicaux réalisés.

Comment l’intelligence artificielle est utilisée pour retrouver l’origine d’un cancer

Prédiction des cas de mort subite

« L’intelligence artificielle est déjà utilisée dans la médecine, mais celle-ci se révèle être un outil particulièrement efficace notamment dans un projet de prédiction de cas de mort subite, qui concerne plus de 40 000 personnes en France chaque année. »

L’utilisation de l’intelligence artificielle (IA) dans la médecine commence à émerger avec des solutions de pointe.

Neuro-puce implantable pour détecter et atténuer les symptômes de maladies neurologiques

« Une équipe de l’EPFL composée notamment de Mahsa Shoaran du Laboratoire de neurotechnologies intégré de l’École d’ingénierie et de Stéphanie Lacour du Laboratoire d’interfaces bioélectroniques souples a développé un système de neuromodulation en boucle fermée sur puce qui peut détecter et soulager les symptômes de l’épilepsie et de la maladie de Parkinson : NeuralTree. »

Grossesse extra-utérine (GEU)

Vers des systèmes d’aide à la décision basés sur l’ontologie pour le diagnostic échographique complexe en obstétrique et gynécologie

« Nous avons développé un nouveau système intelligent de base de connaissances pour l’imagerie échographique en obstétrique et gynécologie, fondé sur une ontologie et une collection d’images de référence. »

Robots chirurgiens

Rien qu’en Australie, des technologies de pointe, y compris la robotique, sont déjà utilisées dans près de 50 % de toutes les interventions du genou – un marché avec environ 57 000 arthroplasties du genou et 3 700 interventions unicompartimentales par an.

CORI Surgical System

Le système chirurgical CORI a été lancé pour la première fois aux États-Unis en 2020 et s’est étendu à d’autres marchés mondiaux pour les applications d’arthroplastie totale et unicompartimentale du genou.

Diagnostic génétique

« La technologie d’IA de Clinithink a aidé à diagnostiquer une maladie rare chez un nouveau-né, lui sauvant ainsi la vie. »

Amélioration du diagnostic

• Pour la maladie d’Alzheimer, en collaboration avec l’hôpital Broca
• Repérer des dégradations de l’écriture manuscrite, de la voix et de la marche basées sur des modèles de « deep learning séquentiel ». Ce travail a été l’objet d’une thèse menée par Maxime de Bois de l’Université Paris-Saclay.
• Demain les IA permettrons la détection de maladies grâce à la biométrie.

Guérir le vieillissement

« Ne plus traiter chaque maladie séparément et considérer la vieillesse comme une maladie à l’origine de nombreuses autres. Des hypothèses au cœur du travail du chercheur Jean-Marc Lemaitre. »

Éthique de l’IA

Prix Turing

Le prix Turing ou ACM Turing Award 2018 a été décerné conjointement à Yoshua Bengio, Geoffrey Hinton et Yann Le Cun. Ces trois personnes forment le trio que plusieurs appellent les pères de la révolution de l’apprentissage profond. Ils ont été récompensés par le prix pour leurs travaux menés depuis les années 1980 et ayant permis de faire évoluer les concepts d’apprentissage profond et des réseaux neuronaux.

Problèmes éthiques

• Examiner les trois principaux problèmes éthiques et juridiques qui entourent les algorithmes : les biais algorithmiques, l’explicabilité et la responsabilité.
• Identifier les enjeux sociétaux tels que l’impact de l’intelligence artificielle sur l’emploi et la démocratie.
• Examiner les questions et les solutions techniques, de gouvernance et de régulation qui encadreront l’IA dans différents cas d’usage (santé, transport, finance, justice, défense, administration publique).
• Distinguer les risques et les mesures de protection pour participer à l’élaboration d’une étude d’impact IA éthique.

OMS – Organisation Mondiale de la Santé

L’intelligence artificielle (IA) est très prometteuse pour améliorer les prestations de soins en santé et en médecine dans le monde, mais seulement si l’éthique et les droits de l’homme sont au cœur de sa conception, de son déploiement et de son utilisation, selon l’Organisation mondiale de la Santé (OMS).

Le rapport de l’OMS, Éthique et gouvernance de l’intelligence artificielle pour la santé, est le résultat de deux ans de consultations menées par un panel d’experts internationaux nommés par l’OMS. Il est sorti en juin 2021.

Suspendre l’apprentissage de l’IA

Elon Musk, Yoshua Bengio et des centaines d’experts appellent à suspendre temporairement la formation de systèmes d’IA plus puissants que GPT-4.

Lettre pétition signée par 6 000 personnes

« …Par conséquent, nous appelons tous les laboratoires d’IA à suspendre immédiatement pendant au moins 6 mois la formation des systèmes d’IA plus puissants que GPT-4. Cette pause doit être publique et vérifiable, et inclure tous les acteurs clés. Si une telle pause ne peut pas être décrétée rapidement, les gouvernements devraient intervenir et instituer un moratoire. Les laboratoires d’IA et les experts indépendants devraient profiter de cette pause pour développer et mettre en œuvre conjointement un ensemble de protocoles de sécurité partagés pour la conception et le développement avancés d’IA qui sont rigoureusement audités et supervisés par des experts externes indépendants. Ces protocoles devraient garantir que les systèmes qui y adhèrent sont sûrs au-delà de tout doute raisonnable.[4] Cela ne signifie pas une pause dans le développement de l’IA en général, mais simplement un recul par rapport à la course dangereuse vers des modèles de boîtes noires imprévisibles toujours plus grands avec des capacités émergentes. La recherche et le développement de l’IA devraient être recentrés sur la fabrication des systèmes puissants et à la pointe de la technologie d’aujourd’hui plus précis, sûrs, interprétables, transparents, robustes, alignés, dignes de confiance et loyaux… »

Signé par Elon Musk et Joeffrey Hinton

« En parallèle, les développeurs d’IA doivent travailler avec les décideurs politiques pour accélérer considérablement le développement de systèmes de gouvernance de l’IA robustes. Celles-ci devraient au minimum inclure : de nouvelles autorités de réglementation compétentes dédiées à l’IA ; la surveillance et le suivi de systèmes d’IA hautement performants et de vastes pools de capacités de calcul ; des systèmes de provenance et de filigrane pour aider à distinguer le réel du synthétique et à suivre les fuites de modèles ; un solide écosystème d’audit et de certification ; responsabilité pour les dommages causés par l’IA ; un financement public solide pour la recherche technique sur la sécurité de l’IA ; et des institutions bien dotées en ressources pour faire face aux perturbations économiques et politiques dramatiques (en particulier pour la démocratie) que l’IA entraînera. L’humanité peut profiter d’un avenir florissant avec l’IA. Après avoir réussi à créer de puissants systèmes d’IA, nous pouvons maintenant profiter d’un « été de l’IA » dans lequel nous récoltons les fruits, concevons ces systèmes pour le bénéfice de tous et donnons à la société une chance de s’adapter. La société a fait une pause sur d’autres technologies avec des effets potentiellement catastrophiques sur la société. Nous pouvons le faire ici. Profitons d’un long été d’IA, ne nous précipitons pas sans préparation dans une chute. »

Elon Musk et sa bande, que l’on peut qualifier de pompier pyromane, a été co fondateur de Open AI à l’origine de ChatGPT. Sans doute vexé du succès de Sam Altman, il le dénigre maintenant et a créé TruthGPT pour lui faire concurrence.

Est-ce éthique ?

Des implants cérébraux ont été  été développés par la startup Neuralink. Cette startup a été fondée par Elon Musk et son équipe : Ben Rapoport, Dongjin Seo, Max Hodak, Paul Merolla, Philip Sabes, Tim Gardner, Tim Hanson, Vanessa Tolosa, en 2016. Les implants sont en interface avec les neurones.

Ils sont contrôlables à distance !

Cela permettrait à un tétraplégique de communiquer directement par la pensée.

Information sensible

Des employés de Samsung Semiconductor divulguent des informations sensibles via ChatGPT.

Quelques chiffres

• 142 zettaoctets  ; Le volume de données produit dans le monde devrait passer de 33 zettaoctets en 2018 à 175 en 2025 (1 zettaoctet représente un billion de gigaoctets ou 10 ²¹ octets)
• 11 % – 37 %  ; Estimation de l’augmentation de la productivité du travail liée à l’IA, d’ici à 2035 (EP Think Tank 2020)
• 1,5 % – 4 %  ; Estimation de combien l’IA pourrait aider à réduire les émissions mondiales de gaz à effet de serre d’ici à 2030 (EP Think Tank 2020)
• 14 %  ; des emplois au sein des pays de l’OCDE sont susceptibles d’être automatisés et 32 % supplémentaires pourraient subir de grands changements (estimation, EP Think Tank 2020). – European Parliament

Cadre juridique européen

L’importance juridique de l’IA a été confirmée.

La Commission européenne a dévoilé le premier cadre juridique sur l’intelligence artificielle (IA), en 2021, au sein de l’Union européenne. L’objectif est d’asseoir une vision européenne de l’IA fondée sur l’éthique en prévenant les risques inhérents à ces technologies par un règlement commun permettant d’éviter certaines dérives.

Sur les lois européennes est sorti en mai 2023 l’IA Act  sous l’impulsion de Thierry Breton qui fixe les règles et interdit, par exemple, en particulier la reconnaissance faciale.

Risques IA

Les risques liés à l’IA sont nombreux. En voici une liste, loin d’être exhaustive :

• sous-exploitation et surexploitation de l’IA ;
• responsabilité en cas de dégâts causés par l’IA ?
• risques par rapport aux droits fondamentaux et à la démocratie ;
• influence de l’IA sur l’emploi ;
• concurrence ;
• risques sécuritaires ;
• défis du point de vue de la transparence…

Geoffrey Hinton a quitté son emploi chez Google

• Geoffrey Hinton a quitté son emploi chez Google, qu’il occupait depuis 10 ans, et a déclaré au New York Times qu’il regrettait son rôle de pionnier de l’IA.
• Il s’est dit préoccupé par le fait que la technologie diffuserait de fausses informations et éliminerait des emplois.
• Il a déclaré qu’il avait démissionné afin de pouvoir avertir des risques de l’IA sans se soucier de l’impact sur Google.

RGPD

• Le sigle RGPD signifie « Règlement Général sur la Protection des Données» (en anglais « General Data Protection Regulation» ou GDPR). Le RGPD encadre le traitement des données personnelles sur le territoire de l’Union européenne.
• Le contexte juridique s’adapte pour suivre les évolutions des technologies et de nos sociétés (usages accrus du numérique, développement du commerce en ligne…).
• Ce nouveau règlement européen s’inscrit dans la continuité de la Loi française Informatique et Libertés de 1978 et renforce le contrôle par les citoyens de l’utilisation qui peut être faite des données les concernant.
• Qu’est-ce que le RGPD ?
• Il harmonise les règles en Europe en offrant un cadre juridique unique aux professionnels. Il permet de développer leurs activités numériques au sein de l’UE en se fondant sur la confiance des utilisateurs.

Conclusion

Yann LeCun : « L’intelligence artificielle sera très différente de l’intelligence humaine ».

« L’histoire de l’intelligence artificielle nous raconte donc la capacité qu’a eu l’homme à réaliser l’analyse physiologique du fonctionnement du cerveau, l’analyse de son fonctionnement symbolique et les différentes modélisations mathématiques qui en ont découlé. » — Stéphane Roder

Mais attention : l’IA doit être régulée au niveau européen et mondial afin de limiter les abus, permettre les progrès et servir l’humanité. Transparence, responsabilité, respect de l’homme et de ses données…

Références

• Sorbonne Université – Paris 6 – Jussieu – Jean-Louis Laurière
• LORIA – Nancy
• Leçon inaugurale Yann Le Cun 2015 au Collège de France
• Leçon inaugurale de Stéphane Mallat 2018 au Collège de France
• Wikipédia
• ActuIA
• MIT, IBM
• ENS – PSL
• Polytechniques Insights
• Harward Business revue