Intelligence artificielle : des solutions aux difficultés en matière de données
L’intelligence artificielle (IA) est la simulation du processus de l’intelligence humaine par des machines, et plus précisément par des systèmes informatiques.
Dans son résumé de l’histoire de l’intelligence artificielle, SAS nous apprend que le terme a fait son apparition en 1956, mais que « le concept s’est surtout fait connaître suite à l’augmentation des volumes de données, aux algorithmes avancés et aux progrès en matière de puissance de traitement et de stockage ».
L’IA est un outil puissant : elle automatise l’apprentissage et la découverte par répétition au moyen de données, ajoute de l’intelligence, s’adapte grâce à des algorithmes d’apprentissage progressif, analyse des données de plus en plus nombreuses et précises, atteint un incroyable degré d’exactitude, et exploite les données au maximum.
Une nouvelle approche en matière d’intelligence artificielle
Rafid Mahmood, professeur adjoint à l’École de gestion Telfer, a reçu une subvention à la découverte du Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG). Dans son projet de recherche sur l’IA, il propose une nouvelle approche pour l’élaboration d’un cadre de recherche opérationnelle balisant le développement de l’IA basée sur des données.
Le professeur combinera des méthodes d’apprentissage automatique (p. ex., l’apprentissage actif et l’estimation des incertitudes) utilisées pour évaluer les données à des modèles de recherche opérationnelle (p. ex., l’optimisation, la mise en file d’attente et la simulation) pour générer des algorithmes qui serviront à la prise de décisions concernant la gestion de la collecte de données, de l’annotation et de l’entraînement du modèle.
L’apprentissage automatique est une forme d’intelligence artificielle qui permet aux ordinateurs d’acquérir des connaissances et des aptitudes, de les améliorer et de les perfectionner automatiquement. La recherche sur l’apprentissage automatique s’est intéressée aux données qui pouvaient accroître l’exactitude en aval d’un modèle. Toutefois, bien peu de travaux ont été réalisés sur la manière de gérer les activités d’approvisionnement en données nécessaires pour mener à bien les grands projets d’apprentissage automatique.
Retombées de la recherche
Rafid Mahmood espère que ses travaux de recherche profiteront à quiconque souhaite mettre en œuvre un système d’IA. Ils pourraient améliorer le taux de réussite du déploiement de l’IA au sein d’entreprises qui possèdent un bagage limité de connaissances en apprentissage automatique. Les entreprises de technologies spécialisées en IA pourraient aussi les utiliser pour réduire leurs coûts d’annotation et les ralentissements dans le processus attribuables à la nécessité de régler les problèmes d’approvisionnement en données en milieu de projet. Enfin, les jeunes entreprises de collecte et d’annotation de données pourraient s’en inspirer pour optimiser leurs processus actuels de gestion des données.