Ces dernières années, la recherche en intelligence artificielle (IA) a commencé à être appliquée dans de nombreux domaines, allant des soins de santé à la science du climat. Pourtant, la plupart des algorithmes d'IA n'ont pas été conçus en se fondant sur des problèmes spécifiques et ne parviennent souvent pas à les résoudre. Au lieu de développer des modèles d'IA toujours plus puissants et généraux dans le seul but de l'innovation, nous devrions nous concentrer davantage sur les besoins et les contraintes spécifiques des problèmes que nous voulons résoudre.
Dans un contexte d'adoption massive de l'apprentissage automatique, de nombreux algorithmes développés par les chercheur·euse·s sont désormais appliqués à des cas d'utilisation pour lesquels ils n'ont pas été conçus à l'origine: par exemple, les grands modèles de langage (LLM), comme celui derrière l’agent conversationnel ChatGPT d'OpenAI, n'ont pas été conçus pour dire la vérité, mais pour dire des phrases paraissant plausibles.
Les outils d'IA sont actuellement très plébiscités, pouvant amener les utilisateur·rice·s à l’adoption de solutions d'IA « à la mode » au lieu de solutions susceptibles de réellement aider à résoudre leurs problèmes.
Si nous voulons passer outre ces angles morts et concevoir des algorithmes d'IA s'alignant mieux sur les objectifs de la société, le moment est venu d'adopter un nouveau paradigme de recherche.
Approches complémentaires de la recherche en IA
Dans notre article Application-Driven Innovation in Machine Learning, qui vient d'être accepté à ICML 2024, nous soutenons que l'utilisation du problème que nous voulons résoudre comme point de départ de la recherche nous permettra de mieux utiliser l'IA pour le résoudre par la suite.
La recherche sur l'IA basée sur les méthodologies implique généralement des tâches de référence et des ensembles de données largement utilisés et normalisés, tels qu'ImageNet ou OpenAI Gym. Ces repères et les algorithmes s'en inspirant visent à représenter des énoncés de problèmes abstraits, mais sont bien souvent loin de l'utilisation réelle de l'apprentissage automatique. En effet, la formulation la plus générale d'une solution d'IA ne sert souvent directement à personne alors qu’elle devrait être utile à tout le monde.
En revanche, la recherche sur l'apprentissage automatique basée sur les applications est une forme d'innovation fondée sur les données et les tâches liées à des problèmes spécifiques, en consultation avec des expert·e·s dans des domaines connexes, qui sont les mieux à même de définir ce qu'implique la résolution du problème. Il peut s'agir de rendre le modèle plus interprétable (en fonction des besoins spécifiques de l'utilisateur·rice), d'intégrer des contraintes connues de la physique et de l'ingénierie, ou de mieux quantifier l'incertitude dans les résultats.
Mais soyons clairs: nous ne prétendons pas que l'innovation axée sur les applications doit remplacer l'approche méthodologique de la recherche en IA. Au contraire, les deux approches sont censées se compléter et s'enrichir mutuellement. D’ailleurs, les travaux de recherche axés sur les applications s'appuient souvent sur les travaux méthodologiques, et inversement: en nous concentrant sur les besoins d'un problème spécifique, nous pouvons mettre au point des innovations transversales utiles à la résolution de nombreux autres problèmes.
En effet, certaines des plus grandes innovations de ces dernières années dans le domaine de l'apprentissage automatique, telles que U-Net, les réseaux de neurones informés par la physique et les opérateurs neuraux de Fourier, sont nées de la recherche axée sur les applications.
La recherche en IA doit se concentrer sur son impact
Depuis des années, des sous-communautés de chercheur·euse·s en IA élaborent des algorithmes en étroite collaboration avec les expert·e·s multidisciplinaires qui les utiliseront. Par exemple, l'apprentissage automatique pour les soins de santé a une très longue histoire en matière d’innovations basées sur les besoins des médecins et des expert·e·s en santé publique.
Mais cette forme de recherche n'a pas toujours reçu la reconnaissance qu'elle mérite dans le monde de la recherche en apprentissage automatique: elle est souvent considérée comme ne relevant pas de l'apprentissage automatique et n'étant pertinente que dans le cadre d'une application étroite.
Les innovations algorithmiques issues de la recherche axée sur les applications sont souvent confondues avec de simples tâches d'ingénierie, et leur utilité pour la recherche sur l'apprentissage automatique est sous-estimée. Pourtant, les informaticien·ne·s et les expert·e·s en IA auraient beaucoup à apprendre de ceux qui utilisent leurs outils sur le terrain.
Pour que l'IA soit utilisée de manière à réellement aider la société, nous devons nous interroger et nous concentrer sur l'impact prévu de la solution d’IA dès le départ. Il est essentiel de réfléchir consciemment à la manière dont ce que nous construisons est utilisé tout au long du processus d'innovation afin de garantir le type d'impact que nous voulons voir dans le monde réel.
Nous pensons que la communauté de l'apprentissage automatique commence à voir la valeur de l'innovation axée sur les applications. Nous plaidons pour une meilleure reconnaissance de la dualité entre ces deux approches, et invitons à leur donner pleinement les moyens d'être des angles complémentaires de recherche en IA.
L'innovation devrait être guidée par ce que nous voulons accomplir, et non par ce que nous pouvons faire.
