Depuis quelques années, on parle énormément d’Intelligence artificielle (IA), essentiellement d’Apprentissage automatique (AA, ou Machine Learning, ML). Et pourtant l’AA puise ses racines (entre autres) dans une discipline relativement méconnue du grand public, mais aussi bien souvent des experts en IA : la recherche opérationnelle (RO).
Un regain d’intérêt pour l’intelligence artificielle
Depuis 2010, l’intelligence artificielle (IA) est le nouvel enfant terrible. Pas n’importe quelle technologie d’IA, mais l’apprentissage automatique (AA) en particulier.
La raison de ce regain d’intérêt est essentiellement due à l’émergence du Deep Learning (DL, réseau de neurones profond ou apprentissage profond), une technique déjà développée dans les années 1960. Elle a connu des hauts et des bas, mais à partir des années 1990, les résultats ont commencé à être significatifs. En particulier, le développement et l’utilisation de l’algorithme de rétropropagation (voir un historique détaillé de cet algorithme ici et ici) ont permis de former des réseaux de neurones plus importants. Et puis bien sûr, l’avènement des GPUs, etc.
Déplaçons-nous vers les années 2010 et 2020 et il semble maintenant que le ML et le DL en particulier vont tout résoudre (voir la belle affirmation de Hinton ici). Et en effet, les grandes entreprises et les états versent littéralement des milliards de dollars dans le développement de l’IA, ou plus précisément dans le ML.
Un train en IA peut en cacher un autre…
La plupart des gens ont cette image en tête lorsqu’ils parlent de science des données, de big data et d’intelligence artificielle : Il y a au moins un acteur important qui manque ici: la recherche opérationnelle (RO). Une image beaucoup plus réaliste serait :
En effet, tous ces domaines sont en quelque sorte basés sur la RO. Mais qu’est-ce que la recherche opérationnelle ?
La recherche opérationnelle est un domaine des mathématiques appliquées qui peut être décrit comme une (la?) science de l’optimisation (et en fait est beaucoup plus que cela). Si vous êtes intéressé (et si vous vous considérez comme un datascientist sérieux, vous devriez vraiment l’être!), jetez un œil à la page Wikipédia.
En fait, si vous pensez à optimiser, vous devriez vraiment penser à la RO. Nous y reviendrons plus tard, dans un autre billet. Mais il n’est pas surprenant que l’optimisation mathématique joue un rôle important dans toutes les approches analytiques.
Maintenant, il y a … un troisième train en IA qui arrive ! Il ne fait pas abstraction de l’AA ou de la RO, il les combine ! Il combine les forces de ces deux domaines et peut compenser les faiblesses de l’une par les forces de l’autre. Chez Funartech, pionnier mondial dans cette combinaison, elle est appelée “hybridation du ML et du OR” . De plus en plus de personnes, d’entreprises et d’organisations explorent cette voie. Au Québec, IVADO l’appelle Intelligence numérique (IN). Nous avons parcouru un long chemin. Je me souviens qu’il y a 5 ou 6 ans, lorsque j’ai commencé à plaider pour la combinaison des deux, très peu de personnes que je rencontrais pouvaient saisir ce que cela signifiait vraiment. Aujourd’hui encore, de nombreuses personnes qui ne comprennent pas ou ne réalisent pas que la combinaison n’a pas seulement du sens, mais qu’elle est en fait l’approche la plus solide dont nous disposons aujourd’hui (aujourd’hui, mais pas forcément demain ! Une idée à retenir cependant est celle de l’hybridation. Utiliser plusieurs domaines ensemble, peu importe lesquels, peu importe la problématique, permet vraiment d’aller plus loin !) pour résoudre des problèmes (industriels) complexes. Il y a pourtant de plus en plus de cas probants pour le démontrer sans compter que cette combinaison (en fait il y a au moins 4 types de combinaisons ML/OR) permet de faire des choses impossibles en ML ou OR seulement.
La recherche opérationnelle, un nouveau venu, vraiment ?
Si la RO est si importante, comment se fait-il que si peu de gens en ont entendu parler ? Comment cela peut-il être possible ?
Il y a quelques années, le ML était considéré comme un sous-domaine de la RO. En effet, le ML utilise la RO pour optimiser ses prédictions. Il y a 5-10 ans, ce n’était même pas un débat et (pratiquement) tout le monde acceptait cette filiation. C’est pourquoi par exemple, le Pr. Yoshua Bengio est professeur au … DIRO, le département d’informatique et de recherche opérationnelle de l’Université de Montréal.
Personnellement, je vois toujours les choses de cette façon. Je ne veux pas réduire le ML à l’utilisation de la RO pour optimiser ses prédictions, car le ML est bien plus que cela, mais l’idée principale de développer des algorithmes qui trouvent par eux-mêmes quoi faire (c’est-à-dire qui ne suivent pas les règles if-then-else (même si in fine, tout le monde code les algorithmes avec les mêmes langages informatiques…)) provient de la RO et n’est en aucun cas spécifique au ML ou même à la RO.
La RO est un domaine bien établi qui a connu de grands succès depuis la Seconde Guerre mondiale. Il est encore aujourd’hui inégalé (pas même par l’informatique quantique, voir par exemple Conquering the challenge of quantum optimization) lorsqu’il s’agit d’optimisation. Dans un autre billet, j’expliquerai pourquoi le ML est vraiment mauvais pour l’optimisation en général. Le ML peut être considéré comme un succès issu de la RO et certainement une indication que l’optimisation est un moteur puissant pour trouver des solutions à des problèmes complexes.
