Fiche à trous · Terminale · Enseignement scientifique

De la machine de Turing à l'intelligence artificielle

Complétez de mémoire, puis vérifiez avec la page de corrigé.

En 1936, bien avant le premier ordinateur, Turing décrit une machine imaginaire : un ruban, une tête qui lit et écrit, une table de règles. Elle ne sert à rien pratiquement. Elle sert à définir ce que « calculer » veut dire — et à montrer qu'il existe des problèmes qu'aucune machine ne résoudra jamais. Tout ce chapitre part de là.

Calculer : ce que la machine de Turing définit

Définition — Machine de Turing :

Le résultat le plus important attaché à ce modèle est négatif : certains problèmes n'admettent aucun algorithme, quelle que soit la puissance de la machine. Il y a donc une limite qui ne tient ni au matériel ni au temps disponible. C'est un point utile à garder contre l'idée qu'un ordinateur assez gros finirait par tout résoudre.

De la règle écrite à l'apprentissage

Propriété

Règle

Piège

Conclure d'une bonne performance globale qu'un système est fiable pour tous les cas.

Demander la performance par catégorie, jamais seulement le score moyen.

Ce qu'un système ne fait pas

Propriété

Le mot intelligence artificielle recouvre donc des choses très différentes, du programme à règles au système entraîné sur d'immenses corpus. Le seul critère utile en classe n'est pas de savoir si la machine « pense », question qui n'avance à rien : c'est de savoir d'où vient son comportement — d'une règle qu'on peut lire, ou de données qu'il faut examiner.

Examiner une sortie d'algorithme

Ai-je dit à quoi sert la machine de Turing — définir le calculable ?
Ai-je mentionné qu'il existe des problèmes sans algorithme ?
Ai-je distingué règle écrite et apprentissage ?
Ai-je expliqué qu'un biais vient des données ?
Ai-je séparé corrélation et cause ?
Ai-je dit que ce qui est optimisé résulte d'un choix ?

Corrigé · à détacher

De la machine de Turing à l'intelligence artificielle

1. La machine de Turing est un modèle abstrait : un ruban de cases, une tête qui lit un symbole, l'efface ou le remplace, et se déplace selon une table de règles finie. Son intérêt n'est pas l'efficacité mais la définition : est calculable ce qu'une telle machine peut produire. Elle donne ainsi un sens précis au mot algorithme — une suite finie d'instructions non ambiguës.
2. Deux façons de faire agir une machine doivent être distinguées. Dans la première, un humain écrit les règles : le programme applique ce qui a été prévu. Dans la seconde — l'apprentissage —, on fournit des données et le système ajuste ses paramètres pour reproduire au mieux les régularités qu'elles contiennent. Personne n'écrit alors la règle appliquée, et personne ne peut toujours l'énoncer après coup.
3. Un système qui apprend ne connaît du monde que ce que ses données en montrent : il reproduit leurs biais sans savoir qu'il en a. Ce qui manque à l'entraînement manque au système, et rien dans son fonctionnement ne le signale — il répond avec la même assurance sur ce qu'il maîtrise et sur ce qu'il n'a jamais vu.
4. $d o nn \overset{e}{ˊ} es d^{'} e n t r a \overset{ı}{^} n e m e n t \to r \overset{e}{ˊ} g u l a r i t \overset{e}{ˊ} s a pp r i ses \to biai sr e p r o d u i t s$
5. Deux limites à retenir. La première : un système d'apprentissage trouve des corrélations ; il n'établit pas de causes, et prédire n'est pas expliquer. La seconde : ce qu'il optimise a été choisi par quelqu'un — maximiser le nombre de bonnes réponses ou minimiser les erreurs les plus graves ne donne pas le même système. Ce choix se fait dans un fichier de configuration ; il n'en est pas moins un arbitrage.
6. Déterminer si le système suit des règles écrites ou apprend sur des données.
7. Demander sur quelles données il a été entraîné, et ce qui y est sous-représenté.
8. Regarder la performance par catégorie, et non le score global.
9. Vérifier si le lien exploité est une corrélation ou une cause établie.
10. Nommer ce que le système optimise, et qui l'a choisi.