Vous vous souvenez d’AlphaGo, le programme d’apprentissage automatique de Google qui a permis de vaincre le champion de Go… Vous vous souvenez aussi que Google a rendu accessible son outil open source d’apprentissage automatique, TensorFlow. Nous nous étions rapidement fait l’écho des débats éthiques et philosophiques autour de l’ouverture de ces outils.

Loin de ceux-ci, souvent spéculatifs, il est toujours intéressant de porter un oeil sur les usages. C’est ce que vient de faire Kaz Sato, l’avocat du développement de la plateforme d’apprentissage automatique de Google sur le blog de Google, rapporte l’excellent Internet-Zinc. Le billet de Kaz Sato revient avec force détaille sur l’utilisation de TensorFlow par un fermier-bricoleur Japonais, Makoto Koike. Celui-ci a utilisé le logiciel d’apprentissage automatique de Google pour tenter de calibrer les concombres qu’il produit. Il a installé une petite chaîne, avec un ordinateur et une webcam qui photographie les concombres et les trier en fonction (vidéo). Il a alimenté son programme de 7000 images pour que le système apprenne à calibrer ses concombres. Pour l’instant, tout cela ne fonctionne pas encore d’une manière optimale : sa base de données d’image est encore insuffisante pour entraîner son programme et celles-ci n’ont pas une résolution suffisante.

La démocratisation des programmes d’intelligence artificielle est-elle en train de changer la donne ? C’est la question que posait l’investisseur Marc Andreessen à la dernière édition de la conférence TechCrunch Disrupt rapporte d’ailleurs Techcrunch. Avec ces programmes, les startups peuvent désormais faire des choses de plus en plus créatives, même si elles disposent moins de données que les géants du secteur. Mieux, ils trouvent également des solutions plus innovantes pour obtenir des données, notamment en utilisant de plus en plus des environnements de simulation par exemple, a-t-il expliqué en pointant vers l’utilisation par des chercheurs du jeu Grand Theft Auto V pour enseigner à leurs algorithmes d’intelligence artificielle comment conduire (voir l’article de la Technology Review). Ou encore en évoquant Comma.ai, une startup lancée par un hacker de 26 ans qui vise à développer un kit pour rendre n’importe quelle voiture semi-autonome, comme il le teste sur la sienne (vidéo).

L’usage de l’IA se démocratise et désormais, des gens seuls dans leur garage peuvent arriver à faire des choses de plus en plus complexes, qui étaient encore, il y a peu, réservées seulement à d’importantes équipes de spécialistes…

Reste que les grandes entreprises du numérique (Google DeepMind, Amazon, Facebook…) ont toutes des équipes dédiées et fournies. Et ce n’est pas réservée aux plus grandes : 70 personnes chez Airbnb s’occupent de l’analyse des données pour créer des programmes pour évaluer les risques de dégradation d’appartements par des locataires par exemple, comme l’expliquait leur directeur Alok Gupta sur Kaggle ; celle d’Uber a l’air tout aussi conséquente et créée d’impressionnantes visualisations de données pour mieux piloter son activité. L’atomisation n’est pas encore tout à fait là !

Plus que l’atomisation de l’IA, le New York Times prédit plutôt son intégration, en soulignant que les grandes entreprises du développement logiciel travaillent toutes à l’ajout de fonctionnalités prédictives à leurs programmes.

MAJ : Sur Backchannel, Steven Levy revient sur l’annonce du lancement de Bons.ai, une startup qui veut démocratiser l’enseignement de l’IA (enfin, pour des développeurs tout de même), afin de nous préparer à l’avenir de l’IA et adresser la pénurie de doctorant. Ce n’est pas la seule startup sur ce créneau… Clarifai ou Bottlenose visent également à faciliter l’accès à l’analyse de données.

MAJ : Google a annoncé le rachat de Kaggle, cette plateforme de crowdsourcing de recherche dans le domaine de l’IA et du machine learning principalement. Les chercheurs de Google Brain ont de leur côté lancé une autre initiative, Distill, une plateforme de publication nouvelle génération pour les chercheurs visant à publier logiciels, programmes et données pour mieux faire comprendre le machine learning. Une plateforme de « distillation » de l’information comme ils s’en expliquent.