Intelligence artificielle accélérée par les graphes

3 min de lecture
2 juil. 2022 19:39:13

L’intelligence artificielle (IA) a pour but d’imiter certains aspects de l’intelligence humaine ou d’étudier cette dernière. L’apprentissage machine ou l’apprentissage profond sont des méthodes habituellement utilisées pour atteindre ces objectifs. Or, les humains s’appuient de nombreux éléments contextuels dans leurs apprentissages pour déterminer ce qui est pertinent ou non dans une situation donnée, et sont capables par la suite d’appliquer ce raisonnement à de nouvelles situations.

Nous souhaitons développer une IA de confiance, permettant de fournir des réponses de la manière la plus proche possible de ce qu’aurait fait un cerveau humain. Nous avons donc fait le choix d’une IA qui ne peut pas se passer d’examiner, explorer et modéliser le contexte. Sans ces informations, l’IA consommera plus de données, d’énergie, et devra se baser sur des règles plus prescriptives.

Les graphes permettent de modéliser et de relier de manière logique, quantifiable et explicable les informations d’un contexte et permettent ainsi de favoriser le développement d’applications d’IA sophistiquées tenant compte du contexte et respectueuses de leurs utilisateurs.

Une IA « accélérée par le graphe » peut par exemple permettre:

  • De fournir un contexte pour l’aide à la décision, et de s’assurer que les prises de décisions des utilisateurs soient les plus pertinentes possible au regard d’une situation (ex.: graphes de connaissances)
  • De structurer les données en amont d’un traitement, pour une plus grande efficacité de ce traitement et une accélération de l’apprentissage machine / profond.
  • D’identifier et de rendre lisible à l’utilisateur les éléments les plus pertinents dans les données, mais également de permettre d’améliorer la précision des modèles en les sélectionnant en amont.
  • D’assurer une transparence, au travers d'une trace "logique", sur la manière dont elle prend ses "décisions".

Les graphes de connaissances offrent, par exemple, un bon moyen de rationaliser les flux d’activité, d’automatiser les réponses ou de hiérarchiser des décisions intelligentes... Mais à un niveau de complexité élevé, les graphes de connaissances décrivent également des entités, des faits ou des choses du monde réel et leurs interrelations sous une forme compréhensible par l’homme.

Contrairement à une approche classique ou l'on utilise des structures de données plates et un contenu statique, un graphe de connaissances acquiert et intègre des informations adjacentes en utilisant des relations de données entre connaissances pour en déduire de nouvelles. Il doit être pour cela connecté autour d’attributs (par exemple, des attributs métiers pertinents liés au contexte).

Il peut être dynamique, évolutif, et qualifier les liens entre les entités. Il peut être capable de faire des associations appropriées entre les attributs importants et déjà programmés. Un graphe de connaissances doit enfin être compréhensible et explicable.

Appliqué aux approches classiques de l’apprentissage automatique, il permet d’éviter de travailler à partir de tableaux dont toutes les données sont explorées une à une et connectées entre elles de manière itérative. Il permet donc d'éviter que cet apprentissage soit trop gourmand en ressources serveur (et environnementales).

La structure logique apportée par les graphes permet d’améliorer l’efficacité de ces traitements en limitant le nombre d’options inutiles à traiter ou en limitant la masse de données à parcourir. Ils réduisent également la complexité algorithmique, et permettent d’analyser plus rapidement les relations à différents degrés de séparation à grande échelle, d’où le nom d’apprentissage accéléré par les graphes.

Des algorithmes, comme le fameux PageRank de Google permettent ainsi de retrouver plus aisément les caractéristiques les plus pertinentes et les plus prédictives d’un aspect ou d’un comportement. Cela permet également d’éliminer en amont les caractéristiques moins importantes et de réduire l’« overfitting » des modèles.

Si le domaine de l’explicabilité de l’IA est encore émergent, de nombreuses recherches suggèrent aujourd'hui que les graphes rendent les prédictions de l’IA plus faciles à retracer et à expliquer. L’association des nœuds d’un réseau neuronal à un graphe de connaissances permet d’avoir un aperçu des données associées au nœud, de parcourir les nœuds activés, et de déduire une explication à partir des données environnantes. Cette capacité est cruciale pour l’adoption à long terme de l’IA, car, dans de nombreux secteurs à haut risque (soins, ressources humaines, sécurité civile...) le législateur peut imposer d’être en mesure d’expliquer comment et pourquoi les décisions ont été prises.

Par ailleurs de nombreux exemples d’apprentissage machine et d’apprentissage profond fournissent souvent des réponses incorrectes ou pas assez précises. Il est donc important de comprendre ce qui a conduit une IA à faire ces erreurs afin de pouvoir les corriger et garder la main dessus... Est scientifique ce qui est réfutable ;-) c'est pourquoi nous avons choisi cette approche.

Même si les chercheurs sont encore loin d'une solution parfaite en la matière, la construction de tenseur dans un graphe semble être l'une des approches les plus encourageantes...

Il s'agit d'un sujet pour votre métier ou votre entreprise?
Vous avez des questions, vous aimeriez en savoir plus ?

Contactez-nous !

https://don.odp-pompiers.fr/odp

Aidez-nous et donnez vous aussi un petit quelque chose aux orphelins de sapeurs-pompiers en cliquant ici