Intelligence artificielle : Un train peut en cacher un autre... - Actu IA https://www.actuia.com/contribution/nikolajfunartech-com/intelligenc...

Intelligence artificielle : Un train peut en

cacher un autre... - Actu IA

Nikolaj Van OmmeTtulaire d’un MSc en mathématiques pures, d’un MSc en

informatique théorique et d&#

Depuis quelques années, on parle énormément d’Intelligence artificielle (IA),

essentiellement d’Apprentissage automatique (AA, ou Machine Learning, ML).
Et pourtant l’AA puise ses racines (entre autres) dans une discipline
relativement méconnue du grand public, mais aussi bien souvent des experts en
IA : la recherche opérationnelle (RO).

Un regain d’intérêt pour l’intelligence

artificielle
Depuis 2010, l’intelligence artificielle (IA) est le nouvel enfant terrible. Pas
n’importe quelle technologie d’IA, mais l’apprentissage automatique (AA) en
particulier.

La raison de ce regain d’intérêt est essentiellement due à l’émergence du Deep

Learning (DL, réseau de neurones profond ou apprentissage profond), une
technique déjà développée dans les années 1960. Elle a connu des hauts et des
bas, mais à partir des années 1990, les résultats ont commencé à être
significatifs. En particulier, le développement et l’utilisation de l’algorithme de
rétropropagation (voir un historique détaillé de cet algorithme ici et ici) ont
permis de former des réseaux de neurones plus importants. Et puis bien sûr,
l’avènement des GPUs, etc.

Déplaçons-nous vers les années 2010 et 2020 et il semble maintenant que le ML

et le DL en particulier vont tout résoudre (voir la belle affirmation de Hinton ici).
Et en effet, les grandes entreprises et les états versent littéralement des milliards
de dollars dans le développement de l’IA, ou plus précisément dans le ML.

Un train en IA peut en cacher un autre…

La plupart des gens ont cette image en tête lorsqu’ils parlent de science des
données, de big data et d’intelligence artificielle : Il y a au moins un acteur
important qui manque ici: la recherche opérationnelle (RO). Une image
beaucoup plus réaliste serait :

En effet, tous ces domaines sont en quelque sorte basés sur la RO. Mais qu’est-ce
que la recherche opérationnelle ?

La recherche opérationnelle est un domaine des mathématiques appliquées qui

peut être décrit comme une (la?) science de l’optimisation (et en fait est
beaucoup plus que cela). Si vous êtes intéressé (et si vous vous considérez
comme un datascientist sérieux, vous devriez vraiment l’être!), jetez un œil à la
page Wikipédia.

En fait, si vous pensez à optimiser, vous devriez vraiment penser à la RO. Nous y

1 sur 2 17/01/2023, 11:51

Intelligence artificielle : Un train peut en cacher un autre... - Actu IA https://www.actuia.com/contribution/nikolajfunartech-com/intelligenc...

reviendrons plus tard, dans un autre billet. Mais il n’est pas surprenant que
l’optimisation mathématique joue un rôle important dans toutes les approches
analytiques.

Maintenant, il y a … un troisième train en IA qui arrive ! Il ne fait pas abstraction

de l’AA ou de la RO, il les combine ! Il combine les forces de ces deux domaines
et peut compenser les faiblesses de l’une par les forces de l’autre. Chez
Funartech, pionnier mondial dans cette combinaison, elle est appelée
“hybridation du ML et du OR” . De plus en plus de personnes, d’entreprises et
d’organisations explorent cette voie. Au Québec, IVADO l’appelle Intelligence
numérique (IN). Nous avons parcouru un long chemin. Je me souviens qu’il y a 5
ou 6 ans, lorsque j’ai commencé à plaider pour la combinaison des deux, très peu
de personnes que je rencontrais pouvaient saisir ce que cela signifiait vraiment.
Aujourd’hui encore, de nombreuses personnes qui ne comprennent pas ou ne
réalisent pas que la combinaison n’a pas seulement du sens, mais qu’elle est en
fait l’approche la plus solide dont nous disposons aujourd’hui (aujourd’hui, mais
pas forcément demain ! Une idée à retenir cependant est celle de l’hybridation.
Utiliser plusieurs domaines ensemble, peu importe lesquels, peu importe la
problématique, permet vraiment d’aller plus loin !) pour résoudre des problèmes
(industriels) complexes. Il y a pourtant de plus en plus de cas probants pour le
démontrer sans compter que cette combinaison (en fait il y a au moins 4 types de
combinaisons ML/OR) permet de faire des choses impossibles en ML ou OR
seulement.

La recherche opérationnelle, un nouveau

venu, vraiment ?
Si la RO est si importante, comment se fait-il que si peu de gens en ont entendu
parler ? Comment cela peut-il être possible ?

Il y a quelques années, le ML était considéré comme un sous-domaine de la RO.

En effet, le ML utilise la RO pour optimiser ses prédictions. Il y a 5-10 ans, ce
n’était même pas un débat et (pratiquement) tout le monde acceptait cette
filiation. C’est pourquoi par exemple, le Pr. Yoshua Bengio est professeur au …
DIRO, le département d’informatique et de recherche opérationnelle de
l’Université de Montréal.

Personnellement, je vois toujours les choses de cette façon. Je ne veux pas

réduire le ML à l’utilisation de la RO pour optimiser ses prédictions, car le ML
est bien plus que cela, mais l’idée principale de développer des algorithmes qui
trouvent par eux-mêmes quoi faire (c’est-à-dire qui ne suivent pas les règles if-
then-else (même si in fine, tout le monde code les algorithmes avec les mêmes
langages informatiques…)) provient de la RO et n’est en aucun cas spécifique au
ML ou même à la RO.

La RO est un domaine bien établi qui a connu de grands succès depuis la

Seconde Guerre mondiale. Il est encore aujourd’hui inégalé (pas même par
l’informatique quantique, voir par exemple Conquering the challenge of
quantum optimization) lorsqu’il s’agit d’optimisation. Dans un autre billet,
j’expliquerai pourquoi le ML est vraiment mauvais pour l’optimisation en
général. Le ML peut être considéré comme un succès issu de la RO et
certainement une indication que l’optimisation est un moteur puissant pour
trouver des solutions à des problèmes complexes.

2 sur 2 17/01/2023, 11:51