naar top
Menu
Logo Print
05/01/2018 - RORY MOERMAN

machine learning

MACHINE LEARNING: A QUOI (NE) PEUT-ON (PAS ENCORE) S'ATTENDRE?

“Il y a plein de choses qui sont deja possibles et bien plus qui ne le sont pas encore"

Dans les sciences informatiques, les choses évoluent à un rythme effréné. Il est déjà possible d'utiliser l'IoT et d'obtenir des informations personnalisées sur notre smartphone … ou d'automatiser une grande partie de la maintenance. Cette dernière avancée est possible grâce au machine learning, une technique grâce à laquelle tous les appareils électroniques, les machines et les logiciels apprennent par eux-mêmes sans aucune intervention humaine. Toutefois, le professeur Hendrik Blockeel et Wannes Meert de la KU Leuven incitent à rester réaliste: “Ce ne sont que des liens logiques, il n'est pas question de magie."


RESTER REALISTE

Des appareils capables d'autoapprentissage avec une intelligence artificielle qui se développe toute seule? Les pessimistes pensent immédiatement à Skynet et à Terminator. Ils ont tort. “En fait, on en est loin. Par exemple, on parle déjà de voitures sans chauffeur. Mais entre la théorie et la pratique, il y a un énorme fossé, même si l'on enregistre quelques succès prudents dans des environnements contrôlés", déclare le professeur Hendrik Blockeel de la KU Leuven.

“A cela vient s'ajouter le fait qu'une nouvelle technologie rencontre toujours des obstacles, qui doivent être résolus avant de pouvoir procéder à une implémentation. Pensons à ces voitures sans chauffeur: qui est responsable en cas d'accident, par exemple? Il faut tirer ça au clair avant que ces voitures soient introduites. En fait, les problèmes à résoudre sont bien plus gros que ce qu'on ne pourrait penser, car en tant qu'êtres humains, nous interprétons tout ce que nous vivons. Ce n'est pas le cas de ces véhicules. Ils peuvent reconnaître des panneaux de signalisation et en tenir compte, mais ils ne connaissent pas le contexte. Nous savons tous que ces panneaux ne sont pas valables s'ils sont transportés sur un camion. Un ordinateur, lui, ne le sait pas. Vous imaginez sa réaction? On peut éventuellement le programmer pour gérer ça, mais c'est un travail de titans, car il existe mille situations où les panneaux de signalisation ne doivent pas être pris en compte. Notre intelligence humaine se situe à un niveau plus profond, là où il y a un tas de choses que l'ordinateur n'arrive pas à résoudre. Un jour, nous atteindrons un niveau d'intelligence artificielle (AI) qui se rapprochera du nôtre. Mais nous en sommes encore très loin."

Hendrik Blockeel (KU Leuven) : "Le problème est qu'on ne connaît pas encore suffisamment la matière pour évaluer quelles attentes sont justifiées"

 

Pas de magie

'Machine learning'. N'est-ce là qu'une expression pour faire le buzz? Le fait est que le principe est en plein boom. “Nous ne devons pas nous emballer", déclare Hendrik Blockeel. “Les gens ont vite de trop grosses attentes. Le problème est qu'on ne connaît pas encore suffisamment la matière pour évaluer quelles attentes sont justifiées. Aujourd'hui, un ordinateur peut battre un humain aux échecs ou au jeu de go, mais qu'est-ce que ça signifie? Cela ne permet pas de déduire ce que cette technologie peut apporter à l'industrie."

Progrès

Le machine learning existe depuis les années 50 et a connu une forte progression. “Aujourd'hui, le progrès réside surtout dans le développement de tâches spécifiques. C'est entre autres pour ça qu'un ordinateur peut battre un homme aux échecs, au jeu de go ou à la reconnaissance d'image. Les ordinateurs sont meilleurs que nous pour gagner à un jeu et reconnaître des images. C'est à ces niveaux-là que l'AI a le plus d'impact. Pensons aux assistants digitaux comme Siri chez Apple." Le plus gros obstacle à franchir actuellement consiste à passer d'une seule tâche spécifique à plusieurs tâches. “L'ordinateur qui gagne aux échecs, ne gagne pas au jeu de go. En revanche, l'homme peut apprendre une chose pour l'appliquer dans un contexte différent. C'est donc là que réside un gros défi: comment peut-on apprendre une chose pouvant servir pour différentes tâches?"


Si des machines peuvent effectuer les tâches répétitives à la place de l’homme, celui-ci a plus de temps pour se concentrer sur les tâches plus difficiles (photo: Baxter Robot, Rethink Robotics)
Avec le machine learning, les ordinateurs et les machines apprennent ce qu’ils doivent faire sans avoir été explicitement programmés pour ça

MACHINE LEARNING

Avec le machine learning, les machines apprennent à exécuter une tâche sans avoir été préprogrammées pour ça.
“La machine apprend à reproduire un exemple à l'aide de capteurs et en optimisant/améliorant ses tentatives précédentes. Dans les deux cas, il faut une analyse des données permettant de voir ce qui s'est passé et de déterminer pourquoi une chose s'est bien ou mal déroulée."
“Selon le domaine, il est plus ou moins facile de 'remarquer' une chose au moyen d'un capteur", déclare Wannes Meert, research manager DTAI à la KU Leuven.
“Avec Google, il est facile de déterminer où les gens cliquent et à quelle fréquence. C'est simple à mesurer. Avec des machines, on est limité aux capteurs disponibles, forcément moins nombreux que ceux de l'homme. Si on ne peut observer qu'une partie, l'apprentissage de ce qui peut être amélioré, est limité. Difficile d'améliorer ce qu'on ne peut ni observer, ni voir."

Types

Le machine learning se présente sous différentes formes. “Il y a le supervised learning: on montre une tâche et la machine la reproduit du mieux qu'elle peut. Le système apprend alors grâce au feed-back de l'analyse de données.

Avec le reinforced learning, on a un feed-back, mais pas directement. Dans le cas du jeu d'échecs, le système joue et à la fin, il découvre qu'il a gagné ou perdu. Il doit alors comprendre pourquoi et découvrir les coups qui ont influencé le résultat, en jouant souvent et en analysant lui-même les coups.

Avec l'unsupervised learning, le système doit reconnaître des modèles ou des anomalies sur la base du clustering et du regroupement. Par exemple, vous avez un groupe de chats. Le système doit déterminer sans input que les modèles présentés se ressemblent et sont similaires. Puis, il doit y associer une définition ou un nom. Avec ce type d'apprentissage, on va dire: “ceci est un chat", et à l'avenir, le système pourra reconnaître d'autres chats."

Classification, clustering, ranking

Il existe d'autres types de machine learning: classification, clustering, ranking ou régression.

“Le supervised learning comprend p.ex. la classification, où le système peut choisir entre A, B ou C. S'il s'agit d'un chiffre comme une température, on parle de régression. Ici, on ne ne veut pas savoir si une chose est 10 ou 11. On veut connaître sa portée.

Puis, il y a le ranking. Ici, on ne s'intéresse pas aux valeurs en soi, mais au classement. C'est ce que fait Google avec les résultats de recherche, qui sont classés par popularité et/ou pertinence", dit Wannes Meert. “Ce classement est soumis à un profil: en effet, il diffère en fonction de la personne qui effectue la recherche et de l'endroit où elle se trouve. Si vous cherchez un bon restaurant, vous n'aurez pas le même résultat si vous êtes à Liège, à Bruxelles ou à New York."

Qu'apporte le Machine learning?

Les opportunités des machines auto-apprenantes sont légion: ces machines apprennent toutes seules comment travailler plus efficacement et offrent plus de temps de fonctionnement car elles permettent une maintenance prédictive. Cela entraîne un meilleur rendement, car la machine bénéficie plus rapidement d'un entretien ou de nouvelles pièces. Wannes Meert: “Un autre avantage est l'individualisation. Aujourd'hui, on peut observer chaque machine individuellement, avec ses propres caractéristiques. Autrefois, on observait surtout le système, même si toutes les machines n'étaient pas aussi bien adaptées à ce système. Pensons aux normes de sécurité rédigées de manière générale et appliquées à chaque machine. Aujourd'hui, le machine learning permet d'adapter les normes à chaque machine. Mais aussi de mieux exploiter la machine et de détecter immédiatement le moindre problème. Tout cela n'est possible que si la machine peut apprendre elle-même comment elle se comporte dans chaque circonstance (à proximité d'une machine vibrante, exposée à la chaleur, …). Cela entraîne une tendance intéressante pour les entreprises de maintenance. Désormais, la maintenance peut être dissociée du fournisseur et les entreprises de maintenance peuvent fonctionner indépendamment. Celles-ci sont donc très intéressées par le machine learning, car leur activité dépend de la bonne estimation de machines avec lesquelles elles n'ont aucun lien (qu'elles n'ont ni fabriquées, ni installées). Elles souhaitent donc automatiser le monitoring de ces machines avec des appareils et capteurs supplémentaires. Ainsi, les entreprises peuvent automatiser lorsqu'elles doivent détacher leur personnel. Et elles ne doivent pas passer contrôler les machines chaque jour. De plus, avec le monitoring, les machines bénéficient d'un suivi permettant de détecter les anomalies.

Wannes Meert (KU Leuven): "Un point important est que le ML est souvent exploité dans les petites entreprises. Beaucoup d’innovation émane de ce côté, car en principe, on peut déjà faire du ML avec un ordinateur et un service cloud."

 

QUID DE L'INDUSTRIE 4.0?

Aujourd'hui, tout est relié à l'Industrie 4.0. Le machine learning aussi. “Mais pas directement", dit Wannes Meert. “L'I4.0 permet de mesurer beaucoup plus de choses. Comme tout est connecté grâce à l'Internet des Objets, le machine learning peut rassembler et analyser beaucoup plus de données afin de générer plus de feed-back et de développer des algorithmes." 
“L'interaction va aussi dans l'autre sens: l'I4.0 profite du machine learning, car les machines peuvent apprendre automatiquement. Ainsi, le machine learning peut être considéré comme une opportunité pour optimiser des processus de production", déclare Hendrik Blockeel.


DEEP LEARNING

Le deep learning fait partie du machine learning. Il consiste à travailler avec plusieurs couches entre l'input et l'output. “Avec le machine learning 'conventionnel', on a un input et un output, et on cherche le lien entre les deux. Avec le deep learning, on a entre l'input et l'output différents niveaux sous-jacents où l'on n'a pas d'input. Il faut le déterminer soi-même et chercher soi-même les liens, ce qui est souvent très difficile. On peut comparer ça à une voiture: personne ne peut dire combien de boulons elle contient. C'est pourquoi on va démonter la voiture en plusieurs niveaux - le moteur, la carrosserie, … - que l'on va encore subdiviser plein de fois jusqu'à atteindre au final chaque pièce séparée. On obtient ainsi une structure hiérarchique, ce qui simplifie les choses. Autrefois, l'ordinateur pouvait parfaitement travailler dans ces différents niveaux, car nous définissions nous-mêmes ce qu'étaient ces niveaux. Si on ne le fait pas, cela devient beaucoup plus difficile. D'où l'avantage du deep learning."


Si des machines peuvent effectuer les tâches répétitives à la place de l’homme, celui-ci a plus de temps pour se concentrer sur les tâches plus difficiles (photo: Baxter Robot, Rethink Robotics)
En créant un feed-back sur les données, le système apprend de ses erreurs et s’adapte lui-même afin de travailler mieux, plus efficacement et/ou plus rapidement

TOUT EST DATA

Le machine learning mise de plus en plus sur le travail model-free, basé sur des données plutôt que sur un modèle. “Mais avec des machines plus complexes, il faut combiner les deux. On commence par un modèle avec p.ex. des tolérances de sécurité. Puis, la machine tourne et rassemble des données au fil du temps. Ensuite, elle analyse ces données et se corrige toute seule pour plus d'efficacité.

Un sujet en vogue est celui de la maintenance prédictive, pour laquelle nous étudions la tendance d'une machine. Autrefois, on travaillait avec des données statistiques. Aujourd'hui, nous possédons une connaissance reposant sur des données qui nous permet de prévoir quand une machine doit être entretenue ou quand le rendement idéal peut être atteint. Ainsi, on sait très vite quand il faut remplacer une pièce, p.ex. Le machine learning est capable de détecter des anomalies. Ainsi, vous pouvez appeler l'équipe de maintenance plus vite pour résoudre le problème. Vous pouvez détecter rapidement un comportement anormal de votre machine et envoyer une équipe corriger les choses avant que la machine ne tombe en panne."
Hendrik Blockeel émet une remarque à cet égard: “Nous pouvons faire fonctionner ces algorithmes, mais pour pouvoir travailler correctement, il faut absolument posséder des données. Sans data, on ne peut rien faire." 
Wannes Meert: “Si une entreprise de maintenance place cent capteurs sur une machine et envoie des données de ces capteurs vers le système de machine learning, ça ne fera pas forcément d'elle une bonne entreprise de maintenance. Il faut générer un feed-back sur ces données. Aujourd'hui, les gens mesurent tout, mais ça n'avance à rien. C'est avec le feed-back des données qu'il faut travailler. C'est comme ça qu'on peut obtenir des résultats. Dans le cas de la maintenance, il faut p.ex. rédiger automatiquement des fiches lors des inspections. Veillez à avoir une interface où vous pouvez indiquer rapidement et simplement qu'une machine a été inspectée, ce que vous avez fait, ce qui ne fonctionnait pas et pourquoi. Faites en sorte que les machines s'inspectent elles-mêmes automatiquement. Si vous voulez automatiser, vous devez être disposé à automatiser une grande partie de vos tâches, et pas seulement une petite partie."

Ouverture?

On constate que beaucoup de logiciels de machine learning sont open source. Les algorithmes sont mis gratuitement à disposition par divers acteurs. Bon, ceux-ci ne le font pas par bonté d'âme. Souvent, cela permet aux gros acteurs de fidéliser leurs clients. En effet, lorsqu'un utilisateur travaille avec le logiciel d'un certain acteur, il va compter sur cet acteur pour d'autres applications. “Par ailleurs, les utilisateurs du logiciel assurent des améliorations, lorsqu'ils soulèvent des problèmes qui sont ensuite résolus, ou lorsqu'ils font leurs propres suggestions. Le développeur ne doit plus investir pour chercher lui-même comment améliorer son logiciel. Il doit juste exploiter l'apport de ses utilisateurs et actualiser son logiciel. De plus, les utilisateurs vont travailler avec les algorithmes et générer des données. Cet énorme flux de données est renvoyé aux développeurs en exclusivité. Chaque entreprise peut rassembler des données et a intérêt à le faire. Ces données sont très instructives pour augmenter l'efficacité. Mais il faut au préalable un gros investissement et une réflexion approfondie. Que faut-il mesurer et que ne faut-il pas mesurer? Comment effectuer ces mesures et avec quels capteurs? Que faire avec les données récoltées et quelle est l'analyse de rentabilisation sous-jacente? Il faut se poser toutes ces questions. C'est plus intéressant que de se demander quel type de machine learning on souhaite utiliser."


L'HOMME ET LA MACHINE

“Le machine learning aide la machine à donner à l'homme des réponses plus pertinentes et à apprendre et à comprendre mieux ce que nous attendons d'elle", déclare Hendrik Blockeel afin d'expliquer les avantages de l'apprentissage automatique dans la relation entre l'homme et la machine. 
Cette technologie est déjà appliquée avec succès dans la robotique, déclare Wannes Meert: “La programmation d'un robot est très complexe et demande du temps. Aujourd'hui, on peut montrer une opération et le robot la reproduit. Le bras du robot est même poussé physiquement dans la bonne direction si celui-ci effectue un mouvement erroné. Ainsi, le robot apprend automatiquement de ses erreurs et arrive à une opération optimale. A ce niveau-là, on a déjà réalisé d'énormes progrès dans l'automatisation de plus petites tâches (déplacer un chargement, visser une pièce, créer et compléter des colonnes Excel, ...). Ainsi, l'homme est déchargé des tâches répétitives, si bien qu'il a plus de temps pour les tâches plus difficiles.

 

“LA BELGIQUE SE SITUE DANS LE PELOTON DE TÊTE"

Wannes Meert (KU Leuven)
Wannes Meert (KU Leuven)

Le professeur Hendrik Blockeel et Wannes Meert sont tous deux actifs au département des Sciences informatiques à la KU Leuven. Ils travaillent à la sous-division DTAI (Langages déclaratifs et intelligente artificielle). A la DTAI, Hendrik Blockeel fait office de membre académique qui apporte à la division sa vision, son conseil et son soutien. Wannes Meert est research manager dans le groupe de recherche Machine Learning & Intelligence Artificielle.

Dans la cour des grands

Hendrik Blockeel (KU Leuven)
Hendrik Blockeel (KU Leuven)

Notre pays se porte bien au niveau des évolutions technologiques, e.a. en matière de machine learning. “Nous sommes au niveau de la plupart des autres pays d'Europe occidentale et des USA. Nous jouons donc dans la cour des grands, même s'il faut savoir qu'il y a énormément de sujets spécifiques sur lesquels on peut travailler", déclare Hendrik Blockeel.

“Mais ce qui nous manque en Belgique, c'est le lien avec le terrain. Aux USA, il y a Google ou Amazon avec lesquels on peut avoir une interaction. C'est ce qu'il nous manque ici", déplore Wannes Meert. “Un point important est que le ML est souvent exploité dans les petites entreprises. Beaucoup d'innovation émane de ce côté, car en principe, on peut déjà faire du ML avec un ordinateur et un service cloud. En Belgique, on a plusieurs petites entreprises qui innovent bien."