Fernando Alcoforado*
Résumé – Cet essai a pour objectif de présenter les avancées scientifiques et technologiques de l’intelligence artificielle, leurs utilisations dans les systèmes de production et leurs impacts sur le monde du travail.
Mots-clés – Intelligence artificielle. Intelligence artificielle et systèmes de production. Intelligence artificielle et monde du travail.
- Introduction
Il existe de nombreuses définitions de l’intelligence artificielle, mais bon nombre d’entre elles sont étroitement liées au concept de création de programmes informatiques ou de machines capables de se comporter intelligemment comme des humains. L’intelligence artificielle (IA) est la capacité d’un ordinateur numérique ou d’un robot contrôlé par ordinateur à effectuer des tâches couramment associées aux êtres intelligents. Le terme est souvent appliqué au projet de développement de systèmes dotés des processus intellectuels caractéristiques de l’homme, tels que la capacité de raisonner, de découvrir le sens, de généraliser ou d’apprendre de l’expérience.
Qu’est-ce que l’intelligence? Les psychologues ne caractérisent généralement pas l’intelligence humaine uniquement par une caractéristique, mais par la combinaison de capacités diverses. La recherche sur l’IA a principalement porté sur les composantes suivantes de l’intelligence: apprentissage, raisonnement, résolution de problèmes, perception et utilisation du langage. En ce qui concerne l’apprentissage, il existe plusieurs formes différentes appliquées à l’intelligence artificielle. Le plus simple est d’apprendre par essais et erreurs. Par exemple, un simple programme informatique pour résoudre les problèmes de jeu d’échecs. Le programme peut stocker les solutions avec la position de l’une des pièces d’échecs, de sorte que la prochaine fois que l’ordinateur trouvera la même position de la même pièce, il se souviendra des solutions adoptées. Cette mémorisation simple d’éléments individuels et de procédures – appelée apprentissage par cœur – est relativement facile à effectuer sur un ordinateur. Plus difficile est le problème de ce qu’on appelle la généralisation à laquelle on est confronté. La généralisation implique l’application de l’expérience passée à de nouvelles situations analogues.
Le raisonnement est la capacité de tirer des conclusions appropriées à la situation. Les inférences sont classées comme déductives ou inductives. Un exemple d’inférence déductive est le cas d’accidents antérieurs causés par une défaillance d’un composant d’une machine, d’où il est déduit que l’accident a été causé par la défaillance de ce composant. Dans la déduction déductive, la vérité des prémisses assure la vérité de la conclusion, tandis que dans le cas inductif, la vérité de la prémisse soutient la conclusion sans donner une garantie absolue. Le raisonnement inductif est courant en science, où des données sont collectées et des modèles provisoires développés pour décrire et prédire le comportement futur jusqu’à ce que l’apparition de données anormales oblige le modèle à être révisé. Le raisonnement déductif est courant en mathématiques et en logique, où des structures élaborées de théorèmes irréfutables sont construites à partir d’un petit ensemble d’axiomes et de règles de base.
La résolution de problèmes, en particulier dans le domaine de l’intelligence artificielle, peut être qualifiée de recherche systématique au travers d’une série d’actions possibles pour atteindre un objectif ou une solution prédéfinie. Les méthodes de résolution de problèmes sont divisées en objectifs spéciaux et généraux. Une méthode à usage spécifique est adaptée à un problème spécifique et exploite souvent des caractéristiques très spécifiques de la situation dans laquelle le problème est intégré. En revanche, une méthode à usage général est applicable à une grande variété de problèmes. Une technique polyvalente utilisée dans l’intelligence artificielle est l’analyse pas à pas ou incrémentielle de la différence entre l’état actuel et l’objectif ultime. Le programme sélectionne les actions dans une liste de moyens – dans le cas d’un robot simple, jusqu’à ce qu’il atteigne son objectif.
Dans la perception, l’environnement est scanné par divers organes sensoriels, réels ou artificiels, et la scène est décomposée en objets séparés dans diverses relations spatiales. La perception est compliquée car l’objet peut être différent en fonction de l’angle sous lequel il est vu, de la direction et de l’intensité de l’éclairage dans la scène, et de l’objet qui contraste avec le champ environnant. Actuellement, la perception artificielle est suffisamment avancée pour permettre aux capteurs optiques d’identifier des personnes, des véhicules autonomes, c’est-à-dire sans conducteur, conduisent à des vitesses modérées sur route, et des robots errent dans des bâtiments pour collecter des sodas vides. FREDDY, l’un des premiers systèmes à intégrer la perception et l’action, était un robot stationnaire doté d’un œil de télévision mobile et d’une pince à épiler, construit à l’université d’Edimbourg en Écosse entre 1966 et 1973. FREDDY était capable de reconnaître une variété d’objets et pouvait assembler des artefacts simples, tels qu’une voiture miniature, à partir d’une pile aléatoire de composants.
En ce qui concerne l’utilisation de la langue, il est important de noter qu’une langue est un système de signes ayant une signification par convention. En ce sens, la langue ne doit pas nécessairement se limiter au mot parlé. Les panneaux de signalisation, par exemple, forment une minilangue et, selon la convention, le symbole de danger signifie “danger à venir” dans certains pays. Une caractéristique importante des langages humains avec la perception des panneaux de signalisation est compliquée par le fait qu’un objet peut avoir une apparence différente en fonction de l’angle. Une langue productive peut formuler une variété illimitée de phrases. Il est relativement facile d’écrire des programmes informatiques qui semblent capables, dans des contextes sévèrement restreints, de répondre couramment en langage humain aux questions et déclarations. Bien qu’aucun de ces programmes ne comprenne vraiment la langue, ils peuvent, en principe, atteindre le point où leur maîtrise d’une langue est indiscernable de celle d’un être humain normal.
Depuis le développement de l’ordinateur numérique dans les années 1940, il a été démontré que les ordinateurs peuvent être programmés pour effectuer des tâches très complexes – telles que trouver des preuves de théorèmes mathématiques ou jouer aux échecs – avec une grande maîtrise. Pourtant, malgré les progrès constants en termes de vitesse et de capacité de mémoire du traitement informatique, il n’existe encore aucun programme capable de combiner la flexibilité humaine dans des domaines plus vastes ou des tâches nécessitant beaucoup de connaissances quotidiennes. D’autre part, certains programmes ont atteint le niveau de performance des experts et des professionnels humains dans certaines tâches spécifiques, de sorte que l’intelligence artificielle dans ce sens limité se retrouve dans des applications aussi diverses que le diagnostic médical et la reconnaissance vocale.
L’apprentissage automatique est un domaine de l’informatique qui donne aux ordinateurs la possibilité d’apprendre sans être explicitement programmé. Arthur Samuel, un pionnier américain dans le domaine des jeux informatiques et de l’intelligence artificielle, a inventé le terme “apprentissage par la machine” en 1959 alors qu’il travaillait chez IBM. Issue de l’étude de la reconnaissance des formes et de la théorie de l’apprentissage computationnel en intelligence artificielle, l’apprentissage automatique explore l’étude et la construction d’algorithmes capables d’apprendre et de prédire des données. Ces algorithmes suivent des instructions de programme strictement statiques en faisant des prédictions ou des décisions basées sur des données, en construisant un modèle à partir d’entrées-échantillons. L’apprentissage automatique est utilisé dans diverses tâches informatiques telles que le filtrage des e-mails, la détection d’intrusions sur le réseau ou les débutants malicieux travaillant pour une violation de données, la reconnaissance optique de caractères par classification et vision par ordinateur.
L’apprentissage automatique est étroitement lié aux statistiques informatiques (et souvent redondantes), qui se concentrent également sur la prévision via l’utilisation d’un ordinateur. Il est étroitement lié à l’optimisation mathématique, qui fournit des méthodes, des théories et des domaines d’application au terrain. Dans l’analyse de données, l’apprentissage automatique est une méthode utilisée pour concevoir des modèles et des algorithmes complexes qui se prêtent à la prédiction. En utilisation commerciale, on parle d’analyse prédictive. Ces modèles analytiques permettent aux chercheurs, scientifiques, ingénieurs et analystes de “produire des décisions et des résultats fiables et reproductibles” et de découvrir des “informations cachées” en apprenant les relations et les tendances historiques en matière de données.
En 1950, l’informaticien britannique Alan Turing spéculait déjà sur l’apparition de machines à penser dans son ouvrage “Computing Machinery and Intelligence”. Le terme “intelligence artificielle” fut inventé en 1956 par le scientifique John McCarthy. Après des avancées significatives dans les années 50 et 60, lors de la création de laboratoires d’intelligence artificielle à Stanford et au Massachusetts Institute of Technology (MIT), il était clair que la création d’une telle machine serait plus difficile que prévu. Puis vint le soi-disant “hiver de l’intelligence artificielle”, une période sans grandes découvertes dans ce domaine et avec une nette réduction du financement de ses recherches.
Dans les années 1990, la communauté de l’intelligence artificielle a abandonné l’approche basée sur la logique, qui impliquait la création de règles pour guider un ordinateur sur la façon d’agir, avec l’adoption d’une approche statistique, en utilisant des bases de données et en demandant à la machine de les analyser et de résoudre les problèmes eux-mêmes. Les experts estiment que l’intelligence des machines sera équivalente à celle des humains d’ici 2050, grâce à une nouvelle ère dans leur capacité d’apprentissage. Les ordinateurs commencent déjà à assimiler les informations des données collectées de la même manière que les enfants apprennent du monde qui les entoure. Cela signifie que nous utilisons des machines qui peuvent apprendre à jouer aux jeux informatiques – et à être très doués – et à communiquer également avec les utilisateurs de smartphones et leurs systèmes d’assistant virtuel.
- L’utilisation de l’intelligence artificielle dans les systèmes de production
L’intelligence artificielle est déjà largement utilisée dans les systèmes de production. L’intelligence artificielle peut remplacer les êtres humains dans les activités de production et peut également maximiser leur productivité. Selon les données présentées par Accenture dans l’une de ses enquêtes, d’ici 2035, l’IA contribuera à augmenter de 40% la productivité du secteur industriel, à réduire les coûts et à augmenter la production d’articles manufacturés dans le monde. Le paysage actuel des systèmes d’intelligence artificielle leur permet de comprendre l’ensemble du processus de production et des processus métier et d’identifier automatiquement les principaux problèmes à résoudre. Un réseau de neurones d’un système d’intelligence artificielle est capable d’analyser plus d’un milliard de données en quelques secondes, ce qui est un outil incroyable pour aider un décideur dans une entreprise, garantissant ainsi la meilleure option parmi celles possibles. Les données collectées étant constamment mises à jour, les systèmes d’intelligence artificielle mettent toujours à jour leurs résultats, ce qui permet aux responsables d’avoir accès aux informations récentes sur l’évolution du marché de l’entreprise. Parmi les avantages de l’IA pour les systèmes de production sont:
Fiabilité des décisions: l’automatisation et la disponibilité des données permettent une prise de décision consciente, en sachant qu’elles constitueront toujours la meilleure alternative.
Insights: Outre la recherche d’informations à certains moments, l’analyse des données présentées par l’IA peut également générer des opportunités commerciales qui n’auraient autrement pas été visualisées.
Sécurité: le fait de garder les systèmes d’analyse d’impact au sein de l’entreprise aide à prévenir les erreurs et les fuites de données des employés, car leur contact avec les informations est considérablement réduit et que divers processus sont mis en œuvre par le système.
Il y a plusieurs exemples d’application de l’IA dans le secteur des entreprises dans le but d’aider d’améliorer la productivité. Voici quelques exemples d’utilisation de l’intelligence artificielle:
Assistants virtuels
Nous avons plusieurs exemples d’assistants virtuels qui utilisent des technologies telles que la reconnaissance vocale pour capturer et comprendre les demandes de leurs utilisateurs et traiter les commandes. Bien que cette technologie n’ait pas encore sécurisé de lieu captif dans les bureaux, il est déjà possible d’utiliser les assistants virtuels pour diverses activités, ce qui facilite la vie des employés et améliore leur productivité. Par exemple, ces systèmes sont déjà capables de planifier des réunions, de gérer des horaires, de mener des enquêtes, entre autres activités, tous coordonnés par des commandes vocales, ce qui facilite la vie des employés d’une entreprise. Les principaux acteurs du marché sont aujourd’hui Amazon, avec sa solution Alexa, Microsoft avec l’assistant Cortana, Apple avec le célèbre Siri et Google Assistant, du géant de la recherche.
Prévision de la demande
L’intelligence artificielle et l’apprentissage automatique permettent aux solutions d’anticiper les demandes du marché au moyen de modèles mathématiques complexes, ce qui constitue un excellent moyen de garder une longueur d’avance sur la concurrence. Une fois que les systèmes d’intelligence artificielle ont identifié une opportunité commerciale future, ils peuvent transmettre ces informations au décideur, qui décide de l’attitude à adopter par anticipation.
Identifier les menaces
La sécurité des informations au sein d’une entreprise est essentielle pour assurer la continuité des activités et donc votre productivité. L’intelligence artificielle peut être utilisée pour mener des enquêtes permanentes sur l’infrastructure de l’entreprise et assurer sa protection. De plus, les solutions d’intelligence artificielle peuvent effectuer une maintenance préventive sur plusieurs systèmes, les empêchant ainsi d’être obsolètes ou lents, ce qui peut affecter les processus de l’entreprise.
Vérifier la satisfaction des employés
Le taux de roulement élevé des employés peut finir par devenir un problème de productivité, car vous perdez du temps en formation et l’employé perd de l’intérêt ou cherche d’autres opportunités peu de temps après. Les solutions d’IA peuvent accompagner les employés en analysant leurs données et en identifiant les insatisfactions, aidant ainsi les ressources humaines à prendre les mesures nécessaires pour que le professionnel soit satisfait et productif.
Les investissements dans les technologies qui utilisent l’IA pour accroître la productivité des entreprises ont tendance à augmenter progressivement. Les entreprises peuvent utiliser diverses stratégies pour rester compétitives sur le marché. Cependant, il faut déjà investir dans la transformation numérique et dans des processus de plus en plus allégés pour tirer parti de cette évolution. Les organisations qui ne parviennent pas à faire cette adaptation risquent de sceller leur destin à l’échec, puisqu’elles ne seront plus en mesure de suivre le rythme effréné de l’évolution technologique.
- Les impacts de l’intelligence artificielle sur le monde du travail
Brynjolfsson et McAfeee déclarent dans l’ouvrage The Second Machine Age (Deuxième âge de la machine) que la combinaison d’une puissance de calcul énorme avec des réseaux complets, de l’apprentissage automatique, de la cartographie numérique et de “l’Internet des objets” produit une révolution industrielle complète, à la même ampleur que les transformations causées à la vapeur et à l’électricité. Le Boston Consulting Group prédit que d’ici 2025, près d’un quart des emplois seront remplacés par des logiciels ou des robots, tandis qu’une étude de l’Université d’Oxford au Royaume-Uni indique que 35% des emplois actuels dans le pays risquent d’être automatisés. dans les deux prochaines décennies (BRYNJOLFSSON et McAFEEE, 2016).
Martin Ford déclare que dans notre économie et notre société, les machines subissent progressivement une transition fondamentale: elles se développent au-delà de leur rôle historique en tant qu’outil et deviennent souvent des “travailleurs autonomes” (Ford, 2015). Si nous acceptons l’idée qu’il est irréaliste d’arrêter l’automatisation et qu’il est peu probable que davantage d’investissements dans l’éducation et la formation résolvent le problème du chômage, Ford estime que la solution la plus efficace consiste à adopter une politique de garantie de revenus pour les travailleurs. Cette idée n’est pas nouvelle. Friedrich August von Hayek, économiste et philosophe autrichien, plus tard naturalisé britannique, considéré comme l’un des plus grands représentants de l’École autrichienne de la pensée économique, était le promoteur de cette idée lorsqu’il publia entre 1973 et 1979 son ouvrage intitulé Law, Legislation and Liberty (Routledge, 1988).
En plus de la nécessité de fournir un revenu de base net aux travailleurs au chômage, Ford (2015) affirme qu’il existe un argument puissant en faveur de l’adoption d’une politique de garantie du revenu, car le progrès technologique, outre la promotion du chômage de masse et de l’inégalité sociale vertigineuse, menace le capitalisme lui-même avec la perspective d’un déclin vertigineux de la consommation. Alors que le marché du travail continue de s’éroder et que les salaires stagnent ou baissent, le mécanisme qui assure le pouvoir d’achat des consommateurs commence à s’effondrer et la demande de produits et services diminue en conséquence. Compte tenu de ce fait, la politique de garantie de revenu fournirait les conditions pour que les travailleurs au chômage puissent consommer. Cela obligerait les gouvernements des pays du monde à prélever des taxes sur les entreprises de haute technologie pour assurer l’adoption de la politique de garantie des revenus de la population au chômage. Le programme de transfert de revenus par lequel l’État fournirait un revenu aux chômeurs serait complété par l’adoption de l’économie créative et de l’économie sociale et solidaire comme solution pour lutter contre le chômage de masse résultant du progrès technologique.
Le terme “économie créative” désigne des activités à potentiel socioéconomique qui traitent de la créativité, du savoir et de l’information et seraient moins affectées par les progrès de l’intelligence artificielle. Pour comprendre cela, il faut garder à l’esprit que les entreprises de ce segment associent la création, la production et la commercialisation de produits créatifs culturels et innovants tels que la mode, l’art, les médias numériques, la publicité, le journalisme, la photographie et l’architecture. En général, les entreprises de ce secteur misent sur le talent et la créativité pour exister efficacement. Ils sont répartis dans 13 domaines différents: 1) architecture; 2) la publicité; 3) conception; 4) arts et antiquités; 5) artisanat; 6) la mode; 7) cinéma et vidéo; 8) télévision; 9) édition et publications; 10) arts de la scène; 11) radio; 12) logiciels de loisirs; et 13) musique. Il est important de dire qu’en mettant l’accent sur la créativité, l’imagination et l’innovation comme caractéristique principale, l’économie créative ne se limite pas aux produits, aux services ou aux technologies. Elle englobe également des processus, des modèles commerciaux, des modèles de gestion, entre autres (DESCOLA, 2016).
L’économie sociale et solidaire est un nouveau modèle de développement économique, social, politique et environnemental qui génère différents types de travail et de revenus dans plusieurs secteurs, que ce soit les banques communautaires, les coopératives de crédit, les coopératives d’agriculture familiale, la question du commerce équitable, clubs d’échange, etc. L’économie sociale et solidaire est une nouvelle façon d’organiser le travail et les activités économiques en général. Elle apparaît comme une alternative importante pour l’inclusion des travailleurs sur le marché du travail, leur offrant ainsi une nouvelle opportunité, grâce à l’autogestion. Sur la base de l’économie sociale et solidaire, il est possible de récupérer des sociétés en faillite et de les poursuivre avec un nouveau mode de production, dans lequel la maximisation du profit cesse d’être l’objectif principal, conduisant à la maximisation de la quantité et qualité du travail (LACROIX et SLITINE, 2016).
RÉFÉRENCES
AGRAWAL, Ajay; GANS, Joshua e GOLDFARB, Avi. Prediction Machines. Boston: Harvard Business Review Press, 2018.
BRYNJOLFSSON, Erik e McAFEEE, Andrew. The second machine age. New York: Norton paperback, 2016.
DESCOLA. A economia criativa no mundo moderno. Disponible sur le site Web <https://descola.org/drops/a-economia-criativa-no-mundo-moderno/>, 2016.
DORMEHL, Luke. Thinking Machines. New York: Tarcher Perigee Book, 2017.
FORD, Martin Rise of the Robots. New York: Basic Books, 2016.
GANASCIA, Jean-Gabriel. Le mythe de la Singularité. Paris: Éditions du Seuil, 2017.
VON HAYEK, Friedrich August. Law, Legislation and Liberty. Abingdon: Routledge, 1988.
KAPLAN, Jerry. Artificial Intelligence. New York: Oxford University Press, 2016.
LACROIX, Géraldine e SLITINE, Romain. L´économie sociale et solidaire. Paris: Presses Universitaires de France, 2016.
* Fernando Alcoforado, 79, a reçoit la Médaille du Mérite en Ingénierie du Système CONFEA / CREA, membre de l’Académie de l’Education de Bahia, ingénieur et docteur en planification territoriale et développement régional pour l’Université de Barcelone, professeur universitaire et consultant dans les domaines de la planification stratégique, planification d’entreprise, planification régionale et planification énergétique, il est l’auteur de ouvrages Globalização (Editora Nobel, São Paulo, 1997), De Collor a FHC- O Brasil e a Nova (Des)ordem Mundial (Editora Nobel, São Paulo, 1998), Um Projeto para o Brasil (Editora Nobel, São Paulo, 2000), Os condicionantes do desenvolvimento do Estado da Bahia (Tese de doutorado. Universidade de Barcelona,http://www.tesisenred.net/handle/10803/1944, 2003), Globalização e Desenvolvimento (Editora Nobel, São Paulo, 2006), Bahia- Desenvolvimento do Século XVI ao Século XX e Objetivos Estratégicos na Era Contemporânea (EGBA, Salvador, 2008), The Necessary Conditions of the Economic and Social Development- The Case of the State of Bahia (VDM Verlag Dr. Müller Aktiengesellschaft & Co. KG, Saarbrücken, Germany, 2010), Aquecimento Global e Catástrofe Planetária (Viena- Editora e Gráfica, Santa Cruz do Rio Pardo, São Paulo, 2010), Amazônia Sustentável- Para o progresso do Brasil e combate ao aquecimento global (Viena- Editora e Gráfica, Santa Cruz do Rio Pardo, São Paulo, 2011), Os Fatores Condicionantes do Desenvolvimento Econômico e Social (Editora CRV, Curitiba, 2012), Energia no Mundo e no Brasil- Energia e Mudança Climática Catastrófica no Século XXI (Editora CRV, Curitiba, 2015), As Grandes Revoluções Científicas, Econômicas e Sociais que Mudaram o Mundo (Editora CRV, Curitiba, 2016), A Invenção de um novo Brasil (Editora CRV, Curitiba, 2017), Esquerda x Direita e a sua convergência (Associação Baiana de Imprensa, Salvador, 2018, em co-autoria) et Como inventar o futuro para mudar o mundo (Editora CRV, Curitiba, 2019).
Site Title 