L'intelligence artificielle : notions et économie de la prédiction

Objectifs du chapitre — À la fin de ce chapitre, vous saurez :

• définir l'intelligence artificielle et retracer ses grandes étapes ;
• distinguer les principales formes d'apprentissage automatique et l'IA générative ;
• analyser l'IA comme une baisse du coût de la prédiction et en déduire ses effets économiques ;
• identifier les intrants et la structure de coûts de l'IA ;
• évaluer un modèle de prédiction (précision, rappel) et ses limites (erreurs, biais, opacité).

4.1 Qu'est-ce que l'intelligence artificielle ?

Définition — Intelligence artificielle (IA) : système informatique qui, à partir des données qu'il reçoit, produit des résultats tels que des prédictions, des recommandations, des contenus ou des décisions, pour atteindre des objectifs fixés, avec un certain degré d'autonomie. Cette définition reprend, en substance, celle de l'OCDE.

L'IA n'est pas une technologie unique, mais un ensemble de méthodes. Ses grandes étapes :

4.2 Les grandes méthodes

Les systèmes à base de règles appliquent des règles explicites (« si le montant dépasse X et que le pays est Y, alors alerte »). Ils sont transparents mais rigides.

L'apprentissage automatique (machine learning) consiste à faire apprendre au système des régularités à partir d'exemples, au lieu de lui donner des règles :

• apprentissage supervisé : le système apprend à partir d'exemples étiquetés (transactions marquées « fraude » ou « normale ») et prédit l'étiquette de cas nouveaux. Usages : détection de fraude, notation du crédit, prévision des ventes ;
• apprentissage non supervisé : le système découvre des structures dans des données non étiquetées. Usage : segmentation des clients en groupes homogènes ;
• apprentissage par renforcement : le système apprend par essais et erreurs en recevant des récompenses. Usages : jeux, robotique, optimisation de stocks.

L'apprentissage profond (deep learning) utilise des réseaux de neurones artificiels à nombreuses couches, très performants pour les images, la voix et le texte.

L'IA générative produit des contenus nouveaux (textes, images, code, sons). Les grands modèles de langage sont entraînés sur d'immenses corpus de textes à prédire la suite la plus probable d'un texte ; cette capacité de prédiction leur permet de rédiger, résumer, traduire ou programmer.

4.3 L'économie de la prédiction

Les économistes Ajay Agrawal, Joshua Gans et Avi Goldfarb (Prediction Machines, 2018) proposent une grille simple : l'IA actuelle est avant tout une technologie qui fait baisser le coût de la prédiction.

Définition — Prédiction (au sens large) : utiliser l'information dont on dispose pour produire une information qu'on n'a pas : la demande de demain, le risque qu'un client ne rembourse pas, la traduction d'une phrase, le prochain mot d'un texte.

Quand le prix d'un bien baisse, trois effets apparaissent, comme l'a montré la baisse du coût du calcul avec l'informatique :

1. on utilise davantage de prédiction dans les activités qui en utilisaient déjà (prévisions de ventes, gestion des stocks) ;
2. on utilise la prédiction pour de nouveaux problèmes, qu'on ne formulait pas ainsi : la conduite automobile ou la traduction deviennent des problèmes de prédiction ;
3. la valeur des compléments augmente et celle des substituts baisse.

Le principal complément de la prédiction est le jugement : savoir quelle décision prendre une fois la prédiction connue, en pesant les gains et les coûts des différentes erreurs. Les autres compléments sont les données (sans elles, pas de prédiction) et l'action (la capacité à mettre en œuvre la décision). Le principal substitut est la prédiction humaine : les tâches qui consistent surtout à prévoir ou à classer sont les plus exposées (chapitre 5).

4.4 Les intrants et la structure de coûts de l'IA

La structure de coûts ressemble à celle des biens d'information : l'entraînement d'un grand modèle est un coût fixe énorme ; son utilisation (l'« inférence ») a un coût variable par requête, qui baisse rapidement avec les progrès techniques. Il en résulte une structure de marché en couches : un petit nombre d'entreprises développent les modèles de fondation, très coûteux ; une multitude d'entreprises construisent des applications sur ces modèles ; des modèles ouverts, librement réutilisables, réduisent les barrières à l'entrée.

4.5 Évaluer une prédiction : erreurs et seuils

Une prédiction n'est jamais parfaite. Pour un problème de classement (fraude ou non), on distingue quatre cas :

• Exactitude $= \frac{VP + VN}{\text{total}}$ : part des cas bien classés. Elle est trompeuse quand l'événement est rare.
• Précision $= \frac{VP}{VP + FP}$ : parmi les alertes, part de vraies fraudes.
• Rappel $= \frac{VP}{VP + FN}$ : parmi les fraudes, part détectée.

Le choix du seuil d'alerte est une décision de jugement : abaisser le seuil augmente le rappel mais multiplie les fausses alertes. Le bon seuil dépend du coût relatif des erreurs : une fraude manquée coûte-t-elle beaucoup plus qu'une vérification inutile ?

4.6 Les limites de l'IA

• Les erreurs : les modèles génératifs peuvent produire des affirmations fausses présentées avec assurance ; il faut vérifier les résultats dans les usages sensibles.
• Les biais : un modèle entraîné sur des données biaisées reproduit les discriminations du passé (crédit, recrutement).
• L'opacité : beaucoup de modèles sont des « boîtes noires » dont les décisions sont difficiles à expliquer, ce qui pose problème en droit (motivation des décisions) et pour la confiance.
• Le coût environnemental : les centres de données consomment beaucoup d'électricité et d'eau de refroidissement.
• La dépendance : les pays et les entreprises qui ne maîtrisent pas les modèles dépendent de quelques fournisseurs étrangers.

4.7 Méthode : analyser un usage de l'IA en entreprise

1. Identifier la prédiction produite : quelle information manquante l'IA fournit-elle ?
2. Identifier la décision qu'elle éclaire et le jugement nécessaire (coût des erreurs).
3. Recenser les intrants : données disponibles, calcul, compétences.
4. Évaluer la performance : précision, rappel, coûts des erreurs, comparaison avec la situation sans IA.
5. Examiner les limites : biais, opacité, conformité (données personnelles), effets sur les emplois.

Les pièges à éviter

• Présenter l'IA comme une intelligence humaine : elle produit des prédictions à partir de régularités statistiques.
• Juger un modèle à son seul taux d'exactitude quand l'événement prédit est rare.
• Oublier que le seuil d'alerte relève d'un choix humain fondé sur le coût des erreurs.
• Négliger les compléments (données, jugement, organisation) sans lesquels l'IA ne crée pas de valeur.
• Ignorer les coûts fixes d'entraînement, source de concentration du marché des modèles.