Comment corriger les biais du Machine Learning ?

Quels sont les grands défis aux­quels l’intelligence arti­fi­cielle est actuelle­ment confrontée ?

Dans mon domaine d’expertise, qui est le « machine learn­ing » (ML), les trois sujets qui me pas­sion­nent en ce moment, et que l’on pour­rait éventuelle­ment con­sid­ér­er comme de grands défis dans ce domaine, sont les biais et l’équité, les sig­naux faibles et l’apprentissage sur les réseaux. Mais ce n’est qu’une vue par­tielle des défis en IA, qui est un domaine très vaste et surtout inter­dis­ci­plinaire. L’IA est un ensem­ble d’outils, de méth­odes et de tech­nolo­gies qui per­me­t­tent à un sys­tème d’effectuer des tâch­es de façon qua­si autonome et il existe dif­férentes manières d’y parvenir.

Le ML con­siste pour la machine à appren­dre à par­tir d’exemples, à s’entraîner pour effectuer des tâch­es avec effi­cac­ité par la suite. Les grands suc­cès en la matière sont la vision par ordi­na­teur et l’écoute automa­tique, util­isées pour des appli­ca­tions en bio­métrie par exem­ple, ain­si que le traite­ment du lan­gage naturel. Une des ques­tions qui se posent actuelle­ment est celle de la con­fi­ance que l’on peut avoir dans les out­ils de ML, car l’apprentissage pro­fond requiert de très grands vol­umes de don­nées, lesquels provi­en­nent bien sou­vent du web.

Les don­nées du web ne s’acquièrent pas de façon « contrôlée ».

Copié !

Con­traire­ment aux jeux de don­nées qui étaient aupar­a­vant col­lec­tés par les chercheurs, les don­nées du web ne s’acquièrent pas de façon « con­trôlée ». Et le car­ac­tère mas­sif de ces don­nées peut par­fois con­duire à ignor­er les ques­tions méthodologiques que l’on devrait se pos­er pour exploiter l’information qu’elles con­ti­en­nent. Par exem­ple, entraîn­er un mod­èle de recon­nais­sance de vis­ages directe­ment à par­tir de don­nées du web peut con­duire à des biais, au sens où le mod­èle ne recon­naitrait pas tous les types de vis­ages avec la même effi­cac­ité. Dans ce cas, le biais peut être induit par un manque de représen­ta­tiv­ité des vis­ages util­isés pour l’apprentissage.

Si par exem­ple les don­nées cor­re­spon­dent majori­taire­ment à des vis­ages de type cau­casien, le sys­tème élaboré pour­rait recon­naître plus facile­ment les vis­ages cau­casiens que des vis­ages d’autres types. Toute­fois, les dis­par­ités de per­for­mance peu­vent aus­si tenir à la dif­fi­culté intrin­sèque du prob­lème de pré­dic­tion et/ou aux lim­ites des tech­niques actuelles de ML : il est notoire par exem­ple que le niveau de per­for­mance atteint pour la recon­nais­sance des vis­ages de nou­veaux-nés, par appren­tis­sage pro­fond, est beau­coup plus faible que pour des vis­ages d’adultes. Mais on n’a pas aujourd’hui d’éclairage théorique clair sur le lien entre la struc­ture du réseau de neu­rones pro­fond util­isé et les per­for­mances du mod­èle pour une tâche donnée.

Vous dites « aujourd’hui ». Cela sig­ni­fie que ces biais pour­raient un jour être sup­primés ou que leur effet pour­rait diminuer ?

Il y a dif­férents types de biais. Ils peu­vent être relat­ifs aux don­nées, il y a les biais dits « de sélec­tion », liés au manque de représen­ta­tiv­ité, « d’omission », dus à l’endogénéité, etc. Des biais sont aus­si inhérents au choix du mod­èle de réseaux de neu­rones, de la méth­ode de ML, choix inévitable­ment restreint à l’état de l’art et lim­ité par la tech­nolo­gie actuelle. Demain, nous utilis­erons peut-être d’autres représen­ta­tions de l’information, plus effi­caces, moins gour­man­des en cal­cul, que l’on pour­rait déploy­er plus facile­ment, qui dimin­ueront ou sup­primeront peut-être ces biais, mais pour l’instant, ils existent !

Quel est le rôle de la qual­ité des jeux de don­nées, util­isés pour les appren­tis­sages, dans ces biais ?

Il est très impor­tant. Comme je l’ai dit, étant don­né la volumétrie néces­saire, les don­nées provi­en­nent sou­vent du web et ne sont donc pas acquis­es de façon suff­isam­ment con­trôlée pour en assur­er la représen­ta­tiv­ité. Mais il y a aus­si le fait que ces don­nées peu­vent être « con­t­a­m­inées », de manière malveil­lante. La ques­tion se pose actuelle­ment pour les solu­tions de vision par ordi­na­teur qui équiper­ont les véhicules autonomes. On peut tromper le véhicule en manip­u­lant les infor­ma­tions en entrée. Il est pos­si­ble de mod­i­fi­er l’image pix­elisée, d’un pan­neau de sig­nal­i­sa­tion par exem­ple, de façon à ce que l’œil humain ne perçoive aucune dif­férence, mais que le réseau de neu­rones y « voit » quelque chose d’autre que le pan­neau de signalisation.

Le ML repose sur un principe fréquen­tiste et la ques­tion de la représen­ta­tiv­ité des don­nées en phase d’apprentissage est un enjeu majeur. Pour repren­dre l’exemple de la con­duite autonome, nous voyons aujourd’hui cir­culer de nom­breux véhicules sur le plateau de Saclay, équipés de cap­teurs pour emma­gasin­er le plus d’expériences pos­si­ble. Cela dit, il est dif­fi­cile de dire dans com­bi­en de temps nous aurons vu suff­isam­ment de sit­u­a­tions pour pou­voir déploy­er un sys­tème assez intel­li­gent et fiable dans ce domaine, per­me­t­tant de faire face à toutes les sit­u­a­tions futures.

Il y a certes des appli­ca­tions pour lesquelles les don­nées disponibles aujourd’hui per­me­t­tent de met­tre en œuvre le ML de façon sat­is­faisante. C’est le cas par exem­ple pour la recon­nais­sance de l’écriture man­u­scrite, pour laque­lle des réseaux de neu­rones sont par­faite­ment au point. Pour d’autres prob­lèmes, en plus des don­nées expéri­men­tales, on aura aus­si recours à des mod­èles générat­ifs, pro­duisant des don­nées arti­fi­cielles ren­dant compte de sit­u­a­tions advers­es, mais sans pou­voir pré­ten­dre à l’exhaustivité. C’est le cas pour les appli­ca­tions du ML en cyber­sécu­rité, afin de ten­ter de détecter automa­tique­ment les intru­sions malveil­lantes dans un réseau par exemple.

D’une manière générale, il existe de nom­breux prob­lèmes pour lesquels les don­nées dont on dis­pose sont trop rares pour pou­voir met­tre en œuvre le ML de façon sim­ple. On par­le alors de « sig­naux faibles », c’est sou­vent le cas en détec­tion d’anomalie, pour la main­te­nance pré­dic­tive de sys­tèmes com­plex­es en par­ti­c­uli­er. Dans cer­tains cas, l’hybridation des tech­niques ML et sym­bol­iques en IA pour­rait apporter des solu­tions. Ces pistes sont explorées dans le domaine aérien, civ­il ou mil­i­taire, ain­si qu’en imagerie médi­cale. Au-delà de leur effi­cac­ité, de telles approches peu­vent per­me­t­tre aus­si aux machines de pren­dre des déci­sions plus faciles à expli­quer et interpréter.

Qu’est-ce qui fait évoluer l’IA aujourd’hui ?

Le domaine des math­é­ma­tiques apporte beau­coup, notam­ment en ce qui con­cerne la représen­ta­tion effi­cace de l’information et l’algorithmie. Mais c’est aus­si le pro­grès tech­nologique qui fait avancer l’IA. Le con­cept math­é­ma­tique de réseau de neu­rones existe depuis de nom­breuses décen­nies. Les pro­grès tech­niques récem­ment réal­isés, en par­ti­c­uli­er dans le domaine de la mémoire, ont per­mis de met­tre en œuvre les mod­èles de réseaux de neu­rones pro­fonds, avec le suc­cès que l’on con­nait. De même, les archi­tec­tures de cal­cul dis­tribué et les frame­works de pro­gram­ma­tion dédiés ont ren­du pos­si­ble le pas­sage à l’échelle pour l’apprentissage sur de grands vol­umes de don­nées. Reste à con­cevoir des approches plus fru­gales, de façon à dimin­uer l’empreinte car­bone des cal­culs, un sujet d’actualité !