S'appuyer sur des modèles d'IA prédictifs dans divers domaines décisionnels comporte des risques de conséquences catastrophiques, car ces modèles confondent généralement corrélation et causalité. Par conséquent, les décideurs doivent adopter une autre approche : l'IA causale, capable d'dentprécisément la relation entre l'effet et la cause. La causalité est aujourd'hui considérée comme l'un des éléments clés manquants pour permettre un véritable progrès dans le domaine de l'IA.
L'IA causale comprend la cause et l'effet
Depuis un certain temps déjà, les experts du domaine préconisent de doter les machines de la capacité de raisonner sur les effets et les causes. De grandes entreprises comme Google, Microsoft, Facebook, Uber et Amazon investissent massivement dans l'IA causale, ce qui a également accéléré la recherche sur la causalité.
Gartner, cabinet d'analyse technologique de référence, a également classé l'IA causale parmi les 25 technologies émergentes susceptibles de transformer les pratiques commerciales. Une véritable course s'est engagée dans le secteur pour tirer parti des avantages exceptionnels de cette technologie en l'adoptant au plus vite, mais pour y parvenir, il est essentiel de développer au préalable une IA causale mature.
Pour une véritable intelligence, il est indispensable de privilégier la relation de cause à effet. C'est précisément le problème que les systèmes d'IA prédictifs ne maîtrisent pas, et les experts tentent de le résoudre grâce à l'IA causale.
Nous, les humains, sommes plus intelligents que les données car nous comprenons les relations de cause à effet, contrairement aux données. Nous utilisons notre capacité de raisonnement, fondée sur notre connaissance des relations de cause à effet, pour prédire l'impact d'une action sur une situation donnée et ainsi élaborer des stratégies et des plans en conséquence. Grâce à ce raisonnement, nous pouvons envisager des résultats indésirables ou différents de ceux escomptés. C'est là une compétence humaine : celle de déterminer pourquoi les choses se sont déroulées ainsi. L'IA, qui comprend les relations de cause à effet, peut également posséder cette capacité, souvent très puissante.
Connaissances du domaine à bord
L'un des principaux avantages de l'IA causale réside dans l'exploitation des connaissances du domaine, qui peuvent être obtenues auprès d'experts et intégrées au processus du système. Ainsi, les programmeurs peuvent deficertaines relations et contraindre le modèle à respecter ces corrélations. Cette capacité permet d'intégrer l'expertise du domaine à l'apprentissage automatique.
Repérer les facteurs sous-jacents n'est pas le seul avantage de l'utilisation de l'IA causale ; elle permet également de concevoir des processus capables de modifier les résultats en utilisant les algorithmes de l'IA causale pour poser des questions de raisonnement.
Supposons que vous souhaitiez évaluer un programme de formation pour formateurs afin d'améliorer leurs compétences. Quel niveau de performance un stagiaire doit-il atteindre pour améliorer ses résultats ? De même, un superviseur d'usine sait que lorsque la température augmente dans la chambre X, la pression dans la chambre Y augmente également. Ces connaissances acquises par l'humain peuvent être intégrées à l'IA afin de garantir que le système respecte toujours ces critères.
Les systèmes d'IA actuels ne sont pas suffisamment alignés sur les valeurs humaines. L'IA causale représente le summum de l'intelligence artificielle explicable et de l'équité des systèmes d'IA. Les systèmes basés sur la causalité offrent de meilleures performances et une plus grande explicabilité du processus, tandis que l'IA conventionnelle se concentre sur certains niveaux de précision et néglige la transparence. Connaître les réponses aux questions complexes de type « et si ? » nous aide à comprendre le fonctionnement du monde réel et nous permet de prendre les bonnes décisions pour de meilleurs résultats.
