Une nouvelle ère des données signifie adopter la périphérie





En association avec Hewlett Packard Entreprise

L'intelligence artificielle recèle d'énormes promesses, mais pour être efficace, elle doit apprendre à partir d'énormes ensembles de données, et plus elles sont diversifiées, mieux c'est. En apprenant des modèles, les outils d'IA peuvent découvrir des informations et aider à la prise de décision non seulement dans le domaine de la technologie, mais aussi dans celui des produits pharmaceutiques, de la médecine, de la fabrication, etc. Cependant, les données ne peuvent pas toujours être partagées - qu'elles soient personnellement identifiables, qu'elles contiennent des informations exclusives ou que cela pose un problème de sécurité - jusqu'à présent.



Ce sera une nouvelle ère. Dit le Dr Eng Lim Goh, vice-président senior et CTO de l'intelligence artificielle chez Hewlett Packard Enterprise. Le monde passera d'un monde où vous avez des données centralisées, ce à quoi nous sommes habitués depuis des décennies, à un monde où vous devez être à l'aise avec la présence de données partout.

Les données partout signifient la périphérie, où chaque appareil, serveur et instance cloud collecte d'énormes quantités de données. Selon une estimation, le nombre d'appareils connectés à la périphérie augmentera à 50 milliards d'ici 2022. L'énigme : comment sécuriser les données collectées mais aussi être capable de partager les enseignements tirés des données, ce qui, à son tour, aide à apprendre à l'IA à être plus intelligente. Entrez dans l'apprentissage en essaim.

Apprentissage en essaim , ou intelligence d'essaim, est la façon dont les essaims d'abeilles ou d'oiseaux se déplacent en réponse à leur environnement. Lorsqu'il est appliqué aux données, explique Goh, il y a plus de communications entre pairs, plus de collaboration entre pairs, plus d'apprentissage entre pairs. Et Goh continue, c'est la raison pour laquelle l'apprentissage en essaim deviendra de plus en plus important à mesure que le centre de gravité passe des données centralisées aux données décentralisées.



Considérez cet exemple, dit Goh. Un hôpital forme ses modèles d'apprentissage automatique sur les radiographies pulmonaires et voit beaucoup de cas de tuberculose, mais très peu de cas d'effondrement pulmonaire. Ainsi donc, ce modèle de réseau neuronal, une fois entraîné, sera très sensible à ce qui détecte la tuberculose et moins sensible à la détection d'un collapsus pulmonaire. Goh continue, cependant, nous en obtenons l'inverse dans un autre hôpital. Donc, ce que vous voulez vraiment, c'est que ces deux hôpitaux combinent leurs données afin que le modèle de réseau neuronal résultant puisse mieux prédire les deux situations. Mais comme vous ne pouvez pas partager ces données, l'apprentissage en essaim aide à réduire ce biais des deux hôpitaux.

Et cela signifie que chaque hôpital est en mesure de prédire les résultats, avec précision et avec un biais réduit, comme si vous aviez collecté toutes les données des patients à l'échelle mondiale en un seul endroit et en aviez tiré des leçons, explique Goh.

Et ce ne sont pas seulement les données des hôpitaux et des patients qui doivent être sécurisées. Goh souligne que ce que fait l'apprentissage en essaim est d'essayer d'éviter ce partage de données, ou d'empêcher totalement le partage de données, à [un modèle] où vous ne partagez que les idées, vous partagez les apprentissages. Et c'est pourquoi il est fondamentalement plus sûr.



Afficher les notes et les liens :

Transcription complète :

Laure Ruma : De MIT Technology Review, je suis Laurel Ruma. Et voici Business Lab, le salon qui aide les chefs d'entreprise à donner un sens aux nouvelles technologies qui sortent du laboratoire et arrivent sur le marché. Notre sujet aujourd'hui est celui des données décentralisées. Qu'il s'agisse d'appareils, de capteurs, de voitures, de la périphérie, si vous voulez, la quantité de données collectées ne cesse de croître. Il peut être personnel et doit être protégé. Mais existe-t-il un moyen de partager des informations et des algorithmes en toute sécurité pour aider d'autres entreprises et organisations et même des chercheurs sur les vaccins ?

Deux mots pour vous : apprentissage en essaim.

Mon invité est le Dr Eng Lim Goh, vice-président senior et directeur technique de l'intelligence artificielle chez Hewlett Packard Enterprise. Avant d'occuper ce poste, il a été directeur technique pendant la majeure partie de ses 27 années chez Silicon Graphics, désormais une société HPE. Le Dr Goh a reçu l'Exceptional Technology Achievement Medal de la NASA pour son travail sur l'IA dans la Station spatiale internationale. Il a également travaillé sur de nombreux projets de recherche en intelligence artificielle allant des courses de F1 aux robots de poker en passant par les simulations cérébrales. Le Dr Goh détient un certain nombre de brevets et a eu une publication qui a fait la couverture de Nature. Cet épisode de Business Lab est produit en association avec Hewlett Packard Enterprise. Bienvenue Dr Goh.

Dr. Eng Lim Goh : Merci de me recevoir.



Laurier: Nous avons donc entamé une nouvelle décennie avec une pandémie mondiale. L'urgence de trouver un vaccin a permis un plus grand partage d'informations entre les chercheurs, les gouvernements et les entreprises. Par exemple, l'Organisation mondiale de la santé a rendu publique la séquence d'ARNm du vaccin Pfizer pour aider les chercheurs. Comment envisagez-vous des opportunités comme celle-ci à la suite de la pandémie ?

Eng Lim : En science, en médecine et dans d'autres domaines, le partage des découvertes est un élément important de l'avancement de la science. Ainsi, la voie traditionnelle est celle des publications. Le truc, c'est qu'en un an, un an et demi de covid-19, il y a eu une déferlante de publications liées au covid-19. Un agrégateur avait, par exemple, la commande de 300 000 de ces documents liés au covid-19 là-bas. Il devient difficile, en raison de la quantité de données, d'être en mesure d'obtenir ce dont vous avez besoin.

Ainsi, un certain nombre d'entreprises, d'organisations, ont commencé à créer ces outils de traitement du langage naturel, des outils d'IA, pour vous permettre de poser des questions très spécifiques, pas seulement de rechercher des mots clés, mais des questions très spécifiques afin que vous puissiez obtenir la réponse dont vous avez besoin de ce corpus de documents là-bas. Un scientifique pourrait demander, ou un chercheur pourrait demander, quelle est l'énergie de liaison de la protéine de pointe SARS-CoV-2 à notre récepteur ACE-2 ? Et peut être encore plus précis et dire, je le veux en unités de kcal par mol. Et le système passerait. Le système NLP passerait en revue ce corpus de documents et trouverait une réponse spécifique à cette question, et indiquerait même la zone des documents, où la réponse pourrait être. C'est donc un domaine. Pour faciliter le partage, vous pouvez créer des outils d'IA pour vous aider à parcourir cette énorme quantité de données générées.

L'autre domaine de partage est le partage des données d'un essai clinique, comme vous l'avez mentionné. Au début de l'année dernière, avant le début de l'un des essais cliniques du vaccin contre le SRAS-CoV-2, nous avons reçu les données des essais cliniques du vaccin contre la fièvre jaune. Et encore plus spécifiquement, les données d'expression génique des volontaires de l'essai clinique. Et l'un des objectifs est, pouvez-vous analyser les dizaines de milliers de ces gènes exprimés par les volontaires et aider à prédire, pour chaque volontaire, s'il ou elle aura des effets secondaires de ce vaccin, et s'il ou elle donnera bonne réponse anticorps à ce vaccin? Construire donc des outils prédictifs en partageant ces données d'essais cliniques, quoique anonymisées et de manière restreinte.

Laurier: Lorsque nous parlons de traitement du langage naturel, je pense que les deux enseignements que nous avons tirés de cet exemple très spécifique sont que vous pouvez créer de meilleurs outils d'IA pour aider les chercheurs. Et puis aussi, cela aide à construire des outils et des modèles prédictifs.

Eng Lim : Oui absolument.

Laurier: Ainsi, à titre d'exemple précis de ce sur quoi vous avez travaillé au cours de l'année écoulée, Nature Magazine a récemment publié un article sur la façon dont une approche collaborative des informations sur les données peut aider ces parties prenantes, en particulier pendant une pandémie. Qu'avez-vous découvert pendant ce travail ?

Eng Lim : Oui. Ceci est lié, encore une fois, au point de partage que vous avez apporté, comment partager l'apprentissage afin que la communauté puisse avancer plus rapidement. le La nature publication que vous avez mentionnée, son titre est Swarm Learning [pour l'apprentissage automatique clinique décentralisé et confidentiel]. Prenons l'exemple de l'hôpital. Il y a cet hôpital, et il voit ses patients, les patients de l'hôpital, d'un certain groupe démographique. Et s'il veut construire un modèle d'apprentissage automatique pour prédire sur la base des données du patient, par exemple les données de tomodensitométrie d'un patient, pour essayer de prédire certains résultats. Le problème avec l'apprentissage isolé comme celui-ci est que vous commencez à faire évoluer des modèles grâce à cet apprentissage des données de vos patients biaisé en fonction de la démographie que vous voyez. Ou d'une autre manière, en fonction du type d'appareils médicaux dont vous disposez.

La solution consiste à collecter des données auprès de différents hôpitaux, peut-être de différentes régions ou même de différents pays. Ensuite, combinez toutes les données de ces hôpitaux, puis entraînez le modèle d'apprentissage automatique sur les données combinées. Le problème avec cela est que la confidentialité des données des patients vous empêche de partager ces données. L'apprentissage en essaim intervient pour essayer de résoudre ce problème, de deux manières. Premièrement, au lieu de collecter des données auprès de ces différents hôpitaux, nous permettons à chaque hôpital de former son modèle d'apprentissage automatique sur ses propres données privées sur les patients. Et puis de temps en temps, une blockchain arrive. C'est la deuxième façon. Une blockchain arrive et collecte tous les apprentissages. J'insiste. Les apprentissages, et non les données des patients. Ne collectez que les apprentissages et combinez-les avec les apprentissages d'autres hôpitaux d'autres régions et d'autres pays, faites-en la moyenne, puis renvoyez à tous les hôpitaux, les apprentissages moyens combinés à l'échelle mondiale mis à jour.

Et par apprentissages, j'entends les paramètres, par exemple, des poids des réseaux de neurones. Les paramètres qui sont les poids du réseau de neurones dans le modèle d'apprentissage automatique. Donc, dans ce cas, aucune donnée de patient ne quitte jamais un hôpital individuel. Ce qui sort de l'hôpital, ce sont uniquement les apprentissages, les paramètres ou les poids des réseaux de neurones. Et donc, lorsque vous avez envoyé vos paramètres appris localement, et ce que vous obtenez en retour de la blockchain, ce sont les paramètres moyens globaux. Et puis vous mettez à jour votre modèle avec la moyenne mondiale, puis vous continuez à apprendre localement. Après quelques cycles de ces partages d'apprentissages, nous l'avons testé, chaque hôpital est capable de prédire, avec précision et avec un biais réduit, comme si vous aviez collecté toutes les données des patients au niveau mondial en un seul endroit, et en aviez tiré des leçons.

Laurier: Et la raison pour laquelle la blockchain est utilisée est qu'il s'agit en fait d'une connexion sécurisée entre diverses machines, dans ce cas, n'est-ce pas ?

Eng Lim : Il y a deux raisons, oui, pour lesquelles nous utilisons la blockchain. La première raison est la sécurité de celui-ci. Et numéro deux, nous pouvons garder ces informations privées car, dans une blockchain privée, seuls les participants, participants principaux ou participants certifiés, sont autorisés dans cette blockchain. Maintenant, même si la blockchain est compromise, on ne voit que les poids ou les paramètres des apprentissages, pas les données privées des patients, car les données privées des patients ne sont pas dans la blockchain.

Et la deuxième raison d'utiliser une blockchain, c'est par opposition à avoir un dépositaire central qui fait la collecte des paramètres, des apprentissages. Parce qu'une fois que vous avez nommé un gardien, une entité, qui recueille tous ces apprentissages, si l'un des hôpitaux devient ce gardien, alors vous avez une situation où ce gardien nommé a plus d'informations que les autres, ou a plus de capacités que les autres. Pas tellement plus d'informations, mais plus de capacités que les autres. Donc afin d'avoir un partage plus équitable, nous utilisons une blockchain. Et dans le système blockchain, ce qu'il fait, c'est qu'il nomme au hasard l'un des participants comme collecteur, comme leader, pour collecter les paramètres, en faire la moyenne et le renvoyer. Et au cycle suivant, au hasard, un autre participant est nommé.

Laurier: Donc, il y a deux points intéressants ici. Premièrement, ce projet réussit parce que vous n'utilisez pas uniquement vos propres données. Vous êtes autorisé à opter pour cette relation afin d'utiliser également les enseignements tirés des données d'autres chercheurs. Cela réduit donc les biais. C'est donc un type de gros problème résolu. Mais aussi cette autre question intéressante de l'équité et comment même les algorithmes peuvent peut-être être moins équitables de temps en temps. Mais lorsque vous avez un algorithme intentionnellement aléatoire dans la blockchain attribuant le leadership pour la collecte des apprentissages de chaque entité, cela aide également à éliminer tout type de biais possible, n'est-ce pas ?

Eng Lim : Oui oui oui. Excellent résumé, Laurel. Il y a donc le premier biais, qui est, si vous apprenez de manière isolée, l'hôpital apprend, un modèle de réseau de neurones, ou un modèle d'apprentissage automatique, plus généralement, d'un hôpital apprend de manière isolée uniquement sur ses propres données privées sur les patients, ils seront naturellement biaisés vers la démographie qu'ils voient. Par exemple, nous avons un exemple où un hôpital entraîne ses modèles d'apprentissage automatique sur les radiographies pulmonaires et voit de nombreux cas de tuberculose. Mais très peu de cas d'effondrement pulmonaire. Par conséquent, ce modèle de réseau neuronal, une fois entraîné, sera très sensible à ce qui détecte la tuberculose et moins sensible à la détection d'un collapsus pulmonaire, par exemple. Cependant, nous en obtenons l'inverse dans un autre hôpital. Donc, ce que vous voulez vraiment, c'est que ces deux hôpitaux combinent leurs données afin que le modèle de réseau neuronal résultant puisse mieux prédire les deux situations. Mais comme vous ne pouvez pas partager ces données, l'apprentissage en essaim aide à réduire ce biais des deux hôpitaux.

Laurier: Très bien. Nous avons donc une énorme quantité de données. Et il continue de croître de façon exponentielle à mesure que la périphérie, c'est-à-dire tout dispositif, système ou capteur générant des données, se développe. Alors, comment les données décentralisées changent-elles la façon dont les entreprises doivent penser les données ?

Eng Lim : Oh, c'est une question profonde. Selon une estimation, d'ici l'année prochaine, d'ici 2022, il y aura 50 milliards d'appareils connectés à la périphérie. Et cela se développe rapidement. Et nous arrivons à un point où nous avons en moyenne environ 10 appareils connectés collectant potentiellement des données, par personne, dans ce monde. Compte tenu de cette situation, le centre de gravité se déplacera du centre de données étant le principal emplacement générant des données à un centre de gravité où le centre de gravité sera à la périphérie en termes d'endroit où les données sont générées. Et cela changera énormément la dynamique des entreprises. Vous verrez donc le besoin de ces appareils qui sont là où cette énorme quantité de données générées à la périphérie avec tellement de ces appareils là-bas que vous atteindrez un point où vous ne pourrez pas vous permettre de faire du backhaul ou de ramener toutes ces données au cloud ou au centre de données.

Même avec 5G, 6G et ainsi de suite. La croissance des données dépassera celle, dépassera de loin celle de la croissance de la bande passante de ces nouvelles capacités de télécommunication. En tant que tel, vous atteindrez un point où vous n'aurez d'autre choix que de pousser l'intelligence à la périphérie afin de pouvoir décider quelles données déplacer vers le cloud ou le centre de données. Ce sera donc une nouvelle ère. Le monde passera d'un monde où vous avez des données centralisées, ce à quoi nous sommes habitués depuis des décennies, à un monde où vous devez être à l'aise avec la présence de données partout. Et lorsque c'est le cas, vous devez faire plus de communications entre pairs, plus de collaboration entre pairs, plus d'apprentissage entre pairs.

Et c'est la raison pour laquelle l'apprentissage en essaim deviendra de plus en plus important au fur et à mesure que cela progresse, à mesure que le centre de gravité se déplace d'un endroit où les données sont centralisées à un autre où les données sont partout.

Laurier: Pourriez-vous nous en dire un peu plus sur la façon dont l'intelligence en essaim est sécurisée par conception ? En d'autres termes, cela permet aux entreprises de partager des informations issues de l'apprentissage des données avec des entreprises extérieures, ou même au sein de groupes d'une entreprise, mais elles ne partagent pas réellement les données réelles ?

Eng Lim : Oui. Fondamentalement, lorsque nous voulons apprendre les uns des autres, nous partageons les données afin que chacun de nous puisse apprendre les uns des autres. Ce que fait l'apprentissage en essaim, c'est d'essayer d'éviter ce partage de données, ou d'empêcher totalement le partage de données, vers [un modèle] où vous ne partagez que les idées, vous partagez les apprentissages. Et c'est pourquoi il est fondamentalement plus sécurisé, en utilisant cette approche, où les données restent privées à l'emplacement et ne quittent jamais cette entité privée. Ce qui laisse cette entité privée, ce ne sont que les apprentissages. Et dans ce cas, le réseau de neurones pondère ou les paramètres de ces apprentissages.

Maintenant, il y a des gens qui recherchent la capacité de déduire les données des apprentissages, c'est encore en phase de recherche, mais nous sommes prêts si jamais ça marche. Et ça, dans la blockchain, on fait un chiffrement homomorphe des poids, des paramètres, des apprentissages. Par homomorphe, nous entendons lorsque le leader désigné collecte tous ces poids puis les calcule en moyenne, vous pouvez les moyenner sous forme cryptée afin que si quelqu'un intercepte la blockchain, il voit des apprentissages cryptés. Ils ne voient pas les apprentissages eux-mêmes. Mais nous ne l'avons pas encore implémenté, car nous ne le jugeons pas encore nécessaire jusqu'à ce que nous voyions que la possibilité de rétroconcevoir les données à partir des apprentissages devient faisable.

Laurier: Et donc, quand on pense à augmenter les règles et la législation entourant les données, comme le RGPD et le CCPA de Californie, il doit y avoir une sorte de solution aux problèmes de confidentialité. Considérez-vous l'apprentissage en essaim comme l'une de ces options possibles à mesure que les entreprises augmentent la quantité de données dont elles disposent ?

Eng Lim : Oui, en option. Premièrement, s'il est nécessaire que les périphériques de périphérie apprennent les uns des autres, l'apprentissage en essaim est là, est utile pour cela. Et deuxièmement, pendant que vous apprenez, vous ne voulez pas que les données de chaque entité ou participant à l'apprentissage en essaim quittent cette entité. Il ne devrait rester que là où il est. Et ce qui reste, ce ne sont que les paramètres et les apprentissages. Vous voyez cela non seulement dans un scénario hospitalier, mais vous le voyez dans la finance. Les sociétés de cartes de crédit, par exemple, ne voudraient bien sûr pas partager leurs données clients avec une autre société de cartes de crédit concurrente. Mais ils savent que les apprentissages des modèles d'apprentissage automatique au niveau local ne sont pas aussi sensibles aux données sur la fraude, car ils ne voient pas tous les différents types de fraude. Peut-être sont-ils témoins d'un type de fraude, mais une autre société de cartes de crédit pourrait être témoin d'un autre type de fraude.

L'apprentissage en essaim pourrait être utilisé ici, où chaque société de carte de crédit garde les données de ses clients privées, sans les partager. Mais une blockchain arrive et partage les apprentissages, l'apprentissage des données de fraude, et collecte tous ces apprentissages, les calcule en moyenne et les restitue à toutes les sociétés de cartes de crédit participantes. C'est donc un exemple. Les banques pourraient faire de même. Les robots industriels pourraient faire de même.

Nous avons un client automobile qui possède des dizaines de milliers de robots industriels, mais dans différents pays. Les robots industriels d'aujourd'hui suivent des instructions. Mais dans les robots de la prochaine génération, avec l'IA, ils apprendront aussi localement, disons par exemple, à éviter certaines erreurs et à ne pas les répéter. Ce que vous pouvez faire, en utilisant l'apprentissage en essaim, c'est que si ces robots se trouvent dans différents pays où vous ne pouvez pas partager de données, les données des capteurs de l'environnement local à travers les frontières nationales, mais vous êtes autorisé à partager les apprentissages pour éviter ces erreurs, l'apprentissage en essaim peut donc être appliqué. Alors vous imaginez maintenant un essaim de robots industriels, à travers différents pays, partageant des apprentissages afin qu'ils ne répètent pas les mêmes erreurs.

Donc oui. En entreprise, vous pouvez voir différentes applications de l'apprentissage en essaim. Finance, ingénierie et, bien sûr, dans les soins de santé, comme nous en avons discuté.

Laurier: Selon vous, comment les entreprises doivent-elles commencer à penser différemment leur architecture de données réelle pour encourager la possibilité de partager ces informations, mais pas réellement partager les données ?

Eng Lim : Avant tout, nous devons être à l'aise avec le fait que les appareils qui collectent des données vont proliférer. Et ils seront à la périphérie où les données atterriront pour la première fois. Quel est le bord? La périphérie est l'endroit où vous avez un appareil et où les données atterrissent pour la première fois par voie électronique. Et si vous imaginez 50 milliards d'entre eux l'année prochaine, par exemple, et en croissance, selon une estimation, nous devons être à l'aise avec le fait que les données seront partout. Et pour concevoir votre organisation, concevoir la façon dont vous utilisez les données, concevoir la façon dont vous accédez aux données en gardant ce concept à l'esprit, c'est-à-dire passer d'un concept auquel nous sommes habitués, c'est-à-dire que les données sont centralisées la plupart du temps, à un autre où les données est partout. La façon dont vous accédez aux données doit donc être différente maintenant. Vous ne pouvez pas maintenant penser à agréger d'abord toutes les données, à extraire toutes les données, à transporter toutes les données de la périphérie vers un emplacement centralisé, puis à travailler avec. Nous devrons peut-être passer à un scénario où nous opérons sur les données, apprenant des données alors que les données sont toujours là.

Laurier: Donc, nous avons parlé un peu des soins de santé et de la fabrication. Comment envisagez-vous également les grandes idées de villes intelligentes et de véhicules autonomes en adéquation avec les idées d'intelligence en essaim ?

Eng Lim : Oui oui oui. Ce sont deux gros, gros objets. Et très similaire aussi, vous pensez à une ville intelligente, elle est pleine de capteurs, pleine d'appareils connectés. Vous pensez aux voitures autonomes, selon une estimation, quelque chose comme 300 dispositifs de détection dans une voiture, collectant tous des données. De la même manière, les données seront partout et collectées en temps réel sur ces appareils périphériques. Pour les villes intelligentes, cela pourrait être des lampadaires. Nous travaillons avec une ville avec 200 000 lampadaires. Et ils veulent rendre chacun de ces lampadaires intelligents. Par intelligent, j'entends la capacité de recommander des décisions ou même de prendre des décisions. Vous arrivez à un point où, comme je l'ai déjà dit, vous ne pouvez pas réacheminer toutes les données tout le temps vers le centre de données et prendre des décisions après avoir fait l'agrégation. Souvent, vous devez décider où les données sont collectées. Et par conséquent, les choses doivent être intelligentes à la périphérie, numéro un.

Et si nous allons plus loin que d'agir sur des instructions ou d'agir sur des modèles de réseau neuronal qui ont été pré-formés puis envoyés à la périphérie, vous franchissez une étape au-delà, et c'est-à-dire que vous voulez que les appareils de périphérie apprennent également sur les leurs à partir des données qu'ils ont collectées. Cependant, sachant que les données collectées sont biaisées par rapport à ce qu'ils ne font que voir, un apprentissage en essaim sera nécessaire de manière peer-to-peer pour que ces appareils apprennent les uns des autres.

Ainsi, cette interconnexion, l'interconnexion peer-to-peer de ces dispositifs périphériques, nous oblige à repenser ou à changer notre façon de penser l'informatique. Prenons par exemple deux voitures autonomes. Nous les appelons des voitures connectées pour commencer. Deux voitures connectées, l'une devant l'autre sur 300 yards ou 300 mètres. Celui devant, avec beaucoup de capteurs, disons par exemple dans les amortisseurs, détecte un nid-de-poule. Et il peut en fait offrir ces données détectées qu'il y a un nid-de-poule qui se dirige vers les voitures derrière. Et si les voitures derrière s'allument pour les accepter automatiquement, ce nid-de-poule apparaît sur le tableau de bord de la voiture derrière. Et la voiture derrière ne paie peut-être que 0,10 centime pour cette information à la voiture devant.

Ainsi, vous obtenez une situation où vous obtenez ces partages peer-to-peer, en temps réel, sans avoir besoin de renvoyer toutes ces données d'abord vers un emplacement central, puis de renvoyer ensuite les nouvelles informations à la voiture derrière. Donc, vous voulez que ce soit peer-to-peer. Donc, de plus en plus, je ne dis pas que cela est encore mis en œuvre, mais cela vous donne une idée de la façon dont la pensée peut changer à l'avenir. Beaucoup plus de partage entre pairs et beaucoup plus d'apprentissage entre pairs.

Laurier: Quand vous pensez à combien de temps nous avons travaillé dans l'industrie de la technologie pour penser que l'expression peer-to-peer est revenue, alors qu'elle signifiait des personnes ou même des ordinateurs partageant diverses informations sur Internet. Désormais, ce sont des appareils et des capteurs qui partagent des informations entre eux. Sorte d'une définition différente de peer-to-peer.

Eng Lim : Ouais. La pensée change. Et pair, le mot pair, pair à pair, signifiant qu'il a la connotation d'un partage plus équitable là-dedans. C'est la raison pour laquelle une blockchain est nécessaire dans certains de ces cas afin qu'il n'y ait pas de dépositaire central pour faire la moyenne des apprentissages, pour combiner les apprentissages. Vous voulez donc un véritable environnement peer-to-peer. Et c'est pour cela que l'apprentissage en essaim est conçu. Et maintenant, la raison à cela, ce n'est pas parce que nous pensons que le peer-to-peer est la prochaine grande chose et que nous devrions donc le faire. C'est à cause des données et de la prolifération de ces appareils qui collectent des données.

Imaginez des dizaines de milliards d'entre eux, et chacun de ces appareils devenant plus intelligent et consommant moins d'énergie pour être aussi intelligent et passant de celui où ils suivent les instructions ou déduisent du modèle de réseau neuronal pré-formé qui leur est donné, à un où ils peuvent même avancer vers l'apprentissage par eux-mêmes. Mais sachant que ces appareils sont si nombreux, chacun d'eux n'en voit qu'une petite partie. Petit est toujours grand si vous les combinez tous, 50 milliards d'entre eux. Mais chacun d'eux ne voit qu'une petite partie des données. Et par conséquent, s'ils apprennent simplement de manière isolée, ils seront fortement biaisés par ce qu'ils voient. En tant que tel, il doit y avoir un moyen de partager leurs apprentissages sans avoir à partager leurs données privées. Et donc, apprentissage en essaim. Au lieu de réacheminer toutes ces données des 50 milliards d'appareils périphériques vers ces emplacements cloud, les emplacements des centres de données, afin qu'ils puissent faire l'apprentissage combiné.

Laurier: Ce qui coûterait certainement plus d'une fraction de centime.

Eng Lim : Oh oui. Il y a un dicton, la bande passante, vous payez. La latence, vous transpirez pour. C'est donc un coût. La bande passante est un coût.

Laurier: Donc, en tant qu'expert en intelligence artificielle, tant que nous vous avons ici, qu'est-ce qui vous enthousiasme le plus dans les années à venir ? Qu'est-ce que vous voyez que vous pensez, qui va être quelque chose de grand dans les cinq, 10 prochaines années ?

Eng Lim :

Merci Laurelle. Je ne me considère pas comme un expert en IA, mais comme une personne chargée et enthousiaste à l'idée de travailler avec des clients sur des cas d'utilisation de l'IA et d'apprendre d'eux. La diversité de ces différents cas d'utilisation de l'IA et l'apprentissage d'eux - certaines équipes dirigeantes travaillant directement sur les projets et supervisant certains des projets. Mais en termes d'excitation, cela peut sembler banal. Et c'est-à-dire que la partie excitante est que je vois l'IA. La capacité des systèmes intelligents à apprendre et à s'adapter, et dans de nombreux cas, à fournir une aide à la décision aux humains. Et dans d'autres cas plus limités, prendre des décisions en faveur des humains. La prolifération de l'IA est dans tout ce que nous faisons, beaucoup de choses que nous faisons - certaines choses que nous devrions peut-être limiter - mais dans beaucoup de choses que nous faisons.

Je veux dire, utilisons simplement les exemples les plus élémentaires. Comment cette progression pourrait être. Prenons un interrupteur. Au début, même jusqu'à aujourd'hui, l'interrupteur d'éclairage le plus basique est celui où il est manuel. Un humain avance, allume l'interrupteur et la lumière s'allume. Et éteint l'interrupteur, et la lumière s'éteint. Ensuite, nous passons au niveau suivant. Si vous voulez une analogie, plus au niveau suivant, où nous automatisons ce commutateur. Nous avons mis un ensemble d'instructions sur cet interrupteur avec un luxmètre, et défini les instructions pour dire, si l'éclairage dans cette pièce tombe à 25% de son maximum, allumez-le. Donc, fondamentalement, nous avons donné une instruction avec un capteur pour aller avec, à l'interrupteur. Et puis le basculement est désormais automatique. Et puis quand l'éclairage dans la pièce descend à 25% de son pic, du pic d'éclairement, il allume les lumières. Alors maintenant, le changement est automatisé.

Maintenant, nous pouvons même aller plus loin dans cette automatisation, en rendant le commutateur intelligent, en ce sens qu'il peut avoir plus de capteurs. Et puis à travers les combinaisons de capteurs, prenez des décisions quant à savoir si la lumière s'allume. Et pour contrôler tous ces capteurs, nous avons construit un modèle de réseau de neurones qui a été pré-formé séparément, puis téléchargé sur le commutateur. Voilà où nous en sommes aujourd'hui. Le commutateur est maintenant intelligent. Ville intelligente, lampadaires intelligents, voitures autonomes, etc.

Maintenant, y a-t-il un autre niveau au-delà de cela ? Il y a. Et c'est à ce moment-là que le commutateur ne se contente pas de suivre les instructions ou n'a pas simplement un modèle de réseau neuronal formé pour décider de manière à combiner toutes les différentes données de capteur, pour décider quand allumer la lumière de manière plus précise. Il avance plus loin jusqu'à celui où il apprend. C'est le mot clé. Il apprend de ses erreurs. Quel serait l'exemple ? L'exemple serait, basé sur le modèle de réseau neuronal dont il dispose, qui a été pré-formé précédemment, téléchargé sur le commutateur, avec tous les paramètres. Il allume la lumière. Mais quand l'humain entre, l'humain dit que je n'ai pas besoin de lumière ici cette fois-ci, l'humain éteint la lumière. Ensuite, l'interrupteur se rend compte qu'il a en fait pris une décision que l'humain n'a pas aimée. Donc, après quelques-uns d'entre eux, il commence à s'adapter, à en tirer des leçons. S'adapter pour que vous puissiez allumer une lumière sur les préférences humaines changeantes. C'est la prochaine étape où vous voulez que les appareils périphériques qui collectent des données à la périphérie en tirent des enseignements.

Alors bien sûr, si vous allez encore plus loin, tous les commutateurs de ce bureau ou d'une unité résidentielle apprennent les uns des autres. Ce sera l'apprentissage en essaim. Donc, si vous étendez ensuite le passage aux grille-pain, aux réfrigérateurs, aux voitures, aux robots industriels, etc., vous verrez qu'en faisant cela, nous réduirons clairement la consommation d'énergie, réduirons les déchets et améliorerons la productivité. Mais la clé doit être, pour le bien humain.

Laurier: Et quelle merveilleuse façon de terminer notre conversation. Merci beaucoup de nous rejoindre sur le Business Lab.

Eng Lim : Merci Laurelle. Très appréciée.

Laurier: C'était le Dr Eng Lim Goh, vice-président senior et CTO de l'intelligence artificielle chez Hewlett Packard Enterprise, avec qui j'ai parlé de Cambridge, Massachusetts, siège du MIT et du MIT Technology Review, surplombant la rivière Charles. C'est tout pour cet épisode de Business Lab, je suis votre hôte, Laurel Ruma. Je suis le directeur d'Insights, la division de publication personnalisée de MIT Technology Review. Nous avons été fondés en 1899 au Massachusetts Institute of Technology. Et vous pouvez nous trouver dans la presse écrite, sur le Web et lors d'événements chaque année dans le monde entier. Pour plus d'informations sur nous et sur le salon, veuillez consulter notre site Web à l'adresse technologyreview.com. L'émission est disponible partout où vous obtenez vos podcasts. Si vous avez apprécié cet épisode, nous espérons que vous prendrez un moment pour nous évaluer et nous donner votre avis. Business Lab est une production de MIT Technology Review. Cet épisode a été produit par Collective Next. Merci pour l'écoute.

Cet épisode de podcast a été produit par Insights, la branche de contenu personnalisé de MIT Technology Review. Il n'a pas été produit par la rédaction de MIT Technology Review.

cacher