Contrer l’infox au moyen de l’intelligence artificielle

Classificateurs multiples

Dans le domaine de l’intelligence artificielle, un classificateur est un algorithme mathématique basé sur un modèle, dont la fonction est d’attribuer une classe à une image, un audio ou un texte. Le nombre de types de classification possible est infini et dépend de l’application. Par exemple, un classificateur pourrait analyser des images et donner la probabilité que l’objet représenté soit un chat. Chaque classificateur est en quelque sorte un spécialiste qui performe bien sous certaines conditions et moins bien sous d’autres.

Combiner plusieurs classificateurs spécialistes, au lieu d’utiliser un seul classificateur généraliste très complexe, permet d’augmenter la performance des systèmes d’intelligence artificielle tout en diminuant le temps de calcul. En effet, chaque classificateur se voit assigner un modèle plus simple et peut être implanté sur un ordinateur différent. La performance globale d’un ensemble de classificateurs sera influencée par deux facteurs : le choix des classificateurs et la façon dont les requêtes seront réparties entre eux. À l’ÉTS, nous avons plusieurs projets de recherche qui travaillent ces deux aspects.

Nous travaillons, entre autres, sur des approches pour générer des ensembles de classificateurs complémentaires, de façon à ce qu’il y ait toujours un spécialiste compétent pour chacun des cas qui se présentent dans le cadre d’une application. Toutefois, nous nous intéressons principalement à élaborer des méthodes capables de sélectionner le meilleur spécialiste parmi les classificateurs d’un ensemble donné.

Sélection dynamique d’un ensemble de classificateurs

Lorsqu’on soumet la même requête à différents classificateurs, la réponse obtenue n’est pas nécessairement la même : ils peuvent diverger d’opinion. Au lieu de demander à tous les classificateurs de se prononcer, puis combiner toutes les réponses, on peut placer en amont un répartiteur chargé d’acheminer les requêtes uniquement aux spécialistes le plus qualifiés, selon le cas soumis. L’approche de la sélection dynamique se base sur les performances passées pour déterminer ces spécialistes. Elle analyse les particularités du cas à analyser et les compare à d’autres cas déjà traités afin d’y trouver des similitudes. Puis, à partir de modèles statistiques, elle achemine le nouveau cas aux classificateurs les plus susceptibles de donner la réponse exacte.

La sélection dynamique d’ensembles de classificateurs est une méthode générale qui commence à montrer des résultats prometteurs autant pour le traitement des images et du son que pour celui des textes. Voici quelques projets de recherche en cours à l’ÉTS, qui exploitent la sélection dynamique tout en cherchant à la rendre plus performante et à réduire ses besoins computationnels.

Infox et discours haineux : signalement des textes inappropriés

Il y a plusieurs façons de représenter un texte : la sémantique, la grammaire, le langage naturel… Chacun de ses modèles peut être intégré dans un classificateur qui devient spécialiste de cette représentation. La sélection dynamique peut soit choisir le modèle le plus susceptible de bien répondre ou encore pondérer chacun des classificateurs pour arriver à une note globale. Des systèmes de ce genre permettent, entre autres, de vérifier si l’auteur auquel on attribue le texte l’a bel et bien écrit, et l’endroit où le texte a été publié.

La même méthode peut être appliquée pour signaler les discours haineux. L’analyse d’un texte sous plusieurs points de vue, chacun représenté par un classificateur spécialiste, permet de faire ressortir certaines caractéristiques associées à ce genre de texte, par exemple la pauvreté de la grammaire.

Sous-titrage automatique

Une chaîne de télé qui s’adresse à des auditeurs arabophones parlant des dialectes se rapprochant plus ou moins de l’arabe classique souhaite offrir un service de traduction automatique en sous-titrage, s’ajustant au dialecte utilisé dans chaque émission. Elle a donc lancé une compétition afin d’obtenir des solutions intéressantes pour cette application.

Concevoir un modèle qui prendrait en compte toutes les variations des dialectes arabes serait extrêmement ardu et coûteux, et risquerait de fournir des transcriptions imprécises. Il est plus facile de développer autant de modèles qu’il y a de dialectes afin d’obtenir un ensemble de classificateurs spécialistes. Ne reste ensuite qu’à acheminer les fichiers audio au classificateur correspondant au moyen de la sélection dynamique.

Vidéosurveillance

En vidéosurveillance, plusieurs caméras de différents types (standard ou infrarouge) offrant une vue de différents angles sont souvent combinées afin d’offrir la vision la plus complète d’un lieu. On peut associer chaque caméra à un classificateur et laisser à la sélection dynamique le soin de décider quelle caméra offre la meilleure vue ou est la plus performante selon les conditions de luminosité.

Le futur de l’intelligence artificielle

Les résultats obtenus jusqu’à maintenant sont très encourageants. La sélection dynamique est une méthode applicable dans de nombreux contextes, a priori complexes, et qui permet une adaptation rapide aux changements inévitables qui finissent par survenir dans les environnements à analyser. À terme, elle promet des gains très importants pour de nombreuses applications en intelligence artificielle.