Vision artificielle, entretien avec un chercheur

La vision arti­fi­cielle a été une des pre­mières appli­ca­tions de l’in­tel­li­gence arti­fi­cielle et s’est consi­dé­ra­ble­ment déve­lop­pée au fil des ans, avec en 2012, un bond de per­for­mance per­mis par l’utilisation de réseaux de neu­rones. Il ne s’a­git pas sim­ple­ment de voir, mais de recon­naître les formes et de défi­nir les objets figu­rants sur l’image. 

Pouvez-vous nous présenter vos travaux en lien avec l’intelligence artificielle ?

Le but de la vision arti­fi­cielle est d’interpréter auto­ma­ti­que­ment une image (que ce soit une pho­to, une vidéo ou une image de pro­fon­deur obte­nue grâce à des cap­teurs spé­cia­li­sés) en déve­lop­pant des modèles dont l’apprentissage néces­site le moins de super­vi­sion possible. 

En effet, c’est le tra­vail d’étiquetage des don­nées qui est le plus coû­teux, et plus la machine est auto­nome dans sa recon­nais­sance et son inter­pré­ta­tion d’images, meilleur est le modèle. 

Il s’agit donc (entre autres) d’essayer de com­prendre les connexions et les struc­tures impli­cites entre des images : qu’est-ce qui fait qu’au-delà de la diver­si­té entre les tailles, réso­lu­tions, fonds de l’image, etc., on peut regrou­per l’ensemble des images de castors ? 

Y a‑t-il eu des progrès continus en vision artificielle ?
Quels sont les espoirs pour cette discipline dans les années à venir et les obstacles sur lesquels vous butez ?

Il y a eu en effet des pro­grès conti­nus en vision arti­fi­cielle, contrai­re­ment à d’autres champs de l’intelligence arti­fi­cielle qui ont connu des phases d’accélération puis de ralentissement. 

Depuis la fin des années 1990, de gros pro­grès ont été accom­plis en recon­nais­sance visuelle (notam­ment par Cor­de­lia Schmid et son équipe à Gre­noble) : celle-ci ne se limite plus à des images très simples, mais conti­nue à « mar­cher » avec des géo­mé­tries et des fonds com­plexes par exemple. 

“ Il y a eu des progrès continus en vision artificielle, contrairement à d’autres champs de l’IA ”

En paral­lèle, les appa­reils pho­tos détectent les visages au moment de la prise de vue, ce qui per­met une plus grande net­te­té de l’image.

En 2012, un bond de per­for­mance a été per­mis par l’utilisation de réseaux de neu­rones pour la recon­nais­sance visuelle (cf. les tra­vaux de Geof­frey Hin­ton à Toron­to). Cette tech­no­lo­gie exis­tait depuis les années 1990 mais était sur­tout uti­li­sée pour la recon­nais­sance d’écriture manus­crite par exemple et avait été peu exploi­tée dans le cadre du trai­te­ment de photographies. 

Cette tech­no­lo­gie a per­mis des pro­grès impor­tants dans ce cadre mais des pro­blèmes demeurent pour la vidéo où elle ne donne pas des résul­tats fran­che­ment meilleurs que les méthodes clas­siques, notam­ment à cause de la varia­bi­li­té tem­po­relle des images (on arrive à bien recon­naître un visage ou un chien sur une image fixe, mais le pro­blème se com­plexi­fie quand les images se déforment avec le mouvement). 

Un autre pro­blème que l’on ren­contre actuel­le­ment dans notre dis­ci­pline est le manque de séman­tique dans les éti­que­tages manuels qui sont un point clef des méthodes d’apprentissage.

Qu’est-ce que je carac­té­rise comme une action par exemple ? Com­ment uti­li­ser une séman­tique com­mune d’une base de don­nées à l’autre ?

Quels sont les progrès actuels liés au deep learning ?
Se rapproche-t-on de machines qui s’autonomisent par rapport aux humains ?

Le deep lear­ning est très à la mode, mais il faut rela­ti­vi­ser ses pro­grès, en tout cas dans le domaine de la vision arti­fi­cielle : la tech­no­lo­gie n’est pas très dif­fé­rente de celle des années 1990 (alors que celle-ci était davan­tage en rup­ture avec la tech­no­lo­gie des décen­nies précédentes). 

“ Nous ne sommes pas plus près aujourd’hui qu’il y a vingt ans d’une « machine intelligente » qui détrônerait l’humanité ”

Pour moi, nous ne sommes pas plus près aujourd’hui qu’il y a vingt ans d’une « machine intel­li­gente » qui détrô­ne­rait l’humanité. Je sais que des per­sonnes très com­pé­tentes comme Elon Musk, Bill Gates, Ste­phen Haw­king ont lan­cé un appel à la pru­dence vis-à-vis des machines intel­li­gentes qui pour­raient mena­cer à terme l’humanité en l’absence de régu­la­tion, mais je consi­dère actuel­le­ment cette crainte comme dénuée de fondement. 

En revanche, il est vrai que nous allons vers une intel­li­gence arti­fi­cielle plus inté­grée : alors que les dif­fé­rents domaines de l’IA s’étaient sépa­rés dans les années 1980, les pro­grès effec­tués dans cha­cune de ces sous-branches (comme la robo­tique, le trai­te­ment du lan­gage natu­rel, la vision arti­fi­cielle, etc.) per­mettent actuel­le­ment d’aller vers plus d’intégration de leurs outils. 

La robo­tique notam­ment se doit d’intégrer plu­sieurs couches « d’intelligence » : un robot doit maî­tri­ser la per­cep­tion, apprendre par expé­rience, com­mu­ni­quer, etc. Cepen­dant, atten­tion, plus on empile les modules, plus le sys­tème est com­pli­qué et plus il y a de risque quant à sa fiabilité. 

Par exemple, il est dif­fi­cile d’identifier ce qui a cau­sé l’accident mor­tel pro­vo­qué par une voi­ture Tes­la. Est-ce le sys­tème de cap­tage des infor­ma­tions, de leur ana­lyse, de la prise de déci­sion qui était défaillant ? 

C’est pour­quoi l’intégration des dif­fé­rents modules revêt une impor­tance toute par­ti­cu­lière, même si nous sommes encore loin du moment où cela sera le seul pro­blème, cha­cun des modules ayant encore de gros pro­grès à accomplir. 

Vous avez été longtemps chercheur aux États-Unis, comment se situent la France et l’Europe dans la compétition avec les autres pays (États-Unis, Chine notamment) ?
Comment s’articulent les liens entre recherche académique et industrielle ?

Les condi­tions de recherche en France ou en Europe sont très favo­rables, notam­ment grâce à l’ERC (Euro­pean Research Coun­cil) qui octroie des fonds géné­reux pour des pro­grammes de recherche. Lorsque j’étais cher­cheur aux États- Unis, je pas­sais beau­coup plus de temps à recher­cher des contrats que main­te­nant. De plus, en France, beau­coup d’étudiants ont des bourses, que ce soit par les grandes écoles comme l’ENS ou Poly­tech­nique ou des bourses de thèse, ce qui sou­lage finan­ciè­re­ment les labo­ra­toires qui les emploient. 

“ Pour ce qui est de la vision artificielle, la France compte parmi les meilleurs mondiaux ! ”

Pour ce qui est des rela­tions entre labo­ra­toires aca­dé­miques et indus­triels, les pre­miers sont très appré­ciés de l’industrie qui embauche les étu­diants qui en sont issus, donnent des fonds sans contre­par­tie, etc. 

Les rela­tions sont donc bonnes, et la recherche aca­dé­mique conti­nue d’avoir un rôle impor­tant à jouer (les indus­tries sont moins inté­res­sées main­te­nant par les bre­vets ou pro­duits clés en main que par le fait d’avoir accès à des cer­veaux bien formés). 

Les labo­ra­toires aca­dé­miques ont moins de don­nées que ceux des GAFA par exemple, mais les labo­ra­toires de ces der­niers se heurtent à la pro­tec­tion de la vie pri­vée, ce qui limite consi­dé­ra­ble­ment l’usage qu’ils peuvent faire de ces données. 

De plus, l’objectif de la recherche en vision arti­fi­cielle est de tra­vailler avec le moins d’annotation pos­sible donc le fait de ne pas avoir accès à tous les « tags » des pho­tos que peuvent col­lec­ter les entre­prises n’est pas tou­jours préjudiciable. 

Enfin, on a sou­vent ten­dance à ne pen­ser qu’aux géants de l’internet, mais l’IA pro­gresse éga­le­ment grâce à d’autres indus­tries qui ont énor­mé­ment de don­nées (on peut pen­ser aux banques ou à la méde­cine par exemple), domaines dans les­quels l’Europe a aus­si des champions. 

Pour ce qui est de la vision arti­fi­cielle, la France compte par­mi les meilleurs mondiaux !
 

Beau­coup d’étudiants ont des bourses que ce soit par les grandes écoles comme Poly­tech­nique ou des bourses de thèse.
© ÉCOLE POLYTECHNIQUE – J. BARANDE

---

Articles similaires :

Démys­ti­fier, maî­tri­ser et rendre utile l’intelligence artificielle La trans­for­ma­tion des métiers de la santé L’apprentissage pro­fond entre mythes et réalités L’urgente néces­si­té d’une réap­pro­pria­tion publique de la régu­la­tion de l’IA L’intelligence arti­fi­cielle oblige à repen­ser les fon­de­ments de notre capitalisme