5 juin 2023
Grâce à un ensemble de techniques d’entraînement, un ordinateur arrive à réaliser certaines tâches. Ces techniques, regroupées sous l’appellation d’intelligence artificielle, parviennent à simuler l’intelligence humaine. Différentes stratégies sont mises de l’avant selon la complexité de la tâche et des données disponibles pour l’entraînement.
L’apprentissage profond : la formation d’un réseau inspiré du cerveau humain
À la base de l’apprentissage profond, des algorithmes mathématiques complexes qui alimentent un réseau de neurones comprenant plusieurs couches. Les connaissances sont acquises à l’aide d’exemples. Ainsi, pour qu’un système d’intelligence artificielle identifie un objet dans une image, il faudra lui montrer des milliers, voire des millions d’images contenant l’objet en question.
Cela dit, les contours de l’objet devront avoir été préalablement bien délimités par un humain afin d’aider l’ordinateur à bien interpréter les images. Ce n’est qu’au bout de ce travail laborieux qu’une machine devient capable d’interpréter les images d’une façon qui se rapproche de celle des êtres humains… même si on en est encore très loin!
L’acquisition d’exemples pour l’entraînement étant un processus coûteux en temps et en argent, plusieurs stratégies sont mises en place pour pallier ce problème et rendre les algorithmes plus performants : données synthétiques, traitement multimodal, segmentation automatisée… Des chercheurs et chercheuses de l’ÉTS sont à pied d’œuvre pour améliorer ces techniques ou les exploiter de façon à résoudre quelques-uns des grands enjeux de notre société, tels que l’environnement, les communications, la pénurie de main-d’œuvre.
Pour vous montrer tout le potentiel de ces techniques, nous vous présentons cinq exemples de recherche en ingénierie où l’intelligence artificielle occupe une place centrale.
Passer du laboratoire au monde réel
Mohammadhadi Shateri
Maintenant utilisée dans une panoplie de domaines, l’intelligence artificielle demeure au cœur des développements technologiques qui mèneront à la voiture autonome. Pour y parvenir, plusieurs défis devront être relevés. L’un d’eux consiste à surmonter le décalage qui existe entre le monde réel et les données générées par ordinateur qui ont servi à l’entraînement du modèle. Mohammadhadi Shateri en a fait un de ses sujets de recherche principaux. Son approche a l’avantage d’éviter l’étiquetage de données, une étape coûteuse en temps et en argent.
Rendre les réseaux de communication plus performants
La gestion des ressources dans le domaine des communications devient de plus en plus complexe au fur et à mesure que les réseaux se ramifient. Les algorithmes d’optimisation classiques utilisés jusqu’à maintenant ne suffisent plus à la tâche. L’intelligence artificielle pourrait mieux gérer ces ressources. Il s’agit d’ailleurs de l’un des sujets de prédilection de Bassant Selim.
Certaines applications, comme la voiture autonome, exigent des temps de réponse (latence) et des taux d’erreur très faibles. Des algorithmes d’intelligence artificielle sont en mesure de mieux gérer la priorité des diverses demandes tout en minimisant la consommation d’énergie.
Bassant Selim
Mieux prévoir les inondations
Jean-Luc Martel
Chaque année, la fonte des neiges fait craindre des inondations dans plusieurs régions du Québec, d’où l’intérêt de prédire le débit des rivières et les zones de débordement. Les données sont parfois insuffisantes pour permettre aux modèles hydrologiques actuels d’être vraiment précis. Jean-Luc Martel ainsi que l’équipe de recherche du Laboratoire HC3 alimentent et entraînent des réseaux de neurones à partir d’une base de données provenant de 15 000 bassins versants. Ces réseaux sont en mesure de prendre toutes les données à leur disposition et d’établir des liens entre les différentes variables afin de faire de meilleures prévisions.
Optimiser le trafic aérien au sol
Peu d’attention est accordée au trajet des avions lorsqu’ils sont au sol. Toutefois, lorsqu’on tient compte du kérosène brûlé sur une année, les économies potentielles deviennent importantes. En effet, les files ralentissent le trafic au sol et augmentent l’attente pour les pistes d’atterrissage. Georges Ghazi axe sa recherche sur l’automatisation des trajets au sol, afin que les avions et autres véhicules présents sur le tarmac empruntent le chemin le plus court tout en évitant les collisions.
Georges Ghazi
Coordonner la vision au toucher robotique
Jean-Philippe Roberge
Bien que la vision artificielle ait fait l’objet de nombreuses recherches au cours des dernières décennies, les données visuelles ne règlent pas tous les problèmes, notamment lorsque la vision du robot est obstruée ou que les objets manipulés sont fragiles ou déformables. Jean-Philippe Roberge se sert des algorithmes d’intelligence artificielle pour analyser les données de capteurs tactiles sophistiqués, pouvant détecter les contacts entre le préhenseur du robot et les objets de même que les vibrations survenant lors de la manipulation. L’analyse de ces données aide à détecter le glissement d’un objet, par exemple, de manière que le robot puisse rectifier sa prise avant qu’il ne tombe au sol.
Conclusion
Malgré la récente controverse entourant l’avènement de ChatGPT, l’intelligence artificielle contribuera à résoudre plusieurs problèmes criants de notre société. À nous de réduire les risques de dérapage au moyen de balises.
