Will-Bridge
Création
 Grâce à l'IA analogique et à l'IA hybride, le problème du Bridge joué par un ordinateur au plus haut niveau des performances humaines, a été entièrement résolu il y a plus de 30 ans ... et jamais égalé. Mieux qu'une démonstration° Voici en détail comment ce problème a été resolu… 1- Avant-propos 2- L'Intelligence Artificielle et le Bridge ° Mieux qu'une démonstration... Attention aux fausses démonstrations Pour anticiper les contreverses de mauvaise foi et démasquer les usurpations malhonnêtes, cet article indique quelles ont été les difficultés à résoudre et, bien plus probant qu'une démonstration, il explique en détail comment elles ont été résolues. En effet... "Il serait très facile de faire, sans explications, des démonstrations qui ne démontrent rien, quitte parfois, pour aboutir au résultat souhaité, à bricoler pour l’occasion un score inédit qui ne correspondrait à rien. En revanche il est beaucoup plus probant d’expliquer en détail comment les difficultés ont été résolues." . Comment ont été créés les concepts d' IA hybride, de Systèmes Experts bimoteurs, etc. . Qu'est-ce qui différencie les Echecs, le Go et le Bridge ? Pour compléter ces articles, voir aussi Wikipedia : . Logiciels de bridge (https://fr.wikipedia.org/wiki/Logiciel_de_bridge) . Systèmes Experts (https://fr.wikipedia.org/wiki/Système_expert) *
Du Bridge aux véhicules autonomes : comprendre son environnement... L'Intelligence Artificielle et le Bridge En 2024 Will-Bridge, société française créée en 1987 par Paribas, le Club Med et le C.E.A. (Commissariat à l'Energie Atomique) pour exploiter les travaux en Intelligence Artificielle de Philippe Pionchon, est aujourd'hui le n°1 mondial des logiciels de Bridge. En résolvant il y a plus de 30 ans la problématique du Bridge c'est-à-dire en réussissant à faire jouer un ordinateur au plus haut niveau des performances humaines, cette société a créé d'importantes avancées en Intelligence Artificielle (IA hybride, Systèmes Experts bimoteurs, Intelligence Opérationnelle, etc.) qui dépassent largement le domaine du bridge. Ces avancées peuvent en effet aujourd'hui être utilisées dans divers domaines comme par exemple l'"explicabilité" d'une IA ou dans le domaine des véhicules autonomes ou des robots androïdes où il est indispensable de "comprendre son environnement". 
Malgré les progrès de l'IA
Un exploit jamais égalé depuis plus de 30 ans Pourquoi ? La vraie question : La problématique du Bridge est-elle du ressort de l'IA numérique ou de l'IA analogique ? Voici les multiples raisons qui font que le Bridge n'a rien à espérer de l'IA numérique et que bien au contraire ses caractéristiques intrinsèques en font l'objet idéal de l'IA analogique ... ce qui explique que cet exploit reste inégalé.
Le Bridge : un domaine d'"expertise"
... et non de "big data" 1- Qu'est-ce que l'Intelligence Artificielle ? 2- Les Systèmes Experts 3- Leibniz, le génial précurseur 4- La logique symbolique 5- Véhicules autonomes et "X Brain" : "Systèmes Experts hybrides" 6- Systèmes Experts d'"ordre 1" et d'"ordre 2" 7- Enchères et entame : problèmes de Connaissance 8- L'explication négative 9- "Systèmes Experts Inverses" - "Systèmes Experts Bimoteurs" 10- Les "expertons", variables stratégiques 11- L'efficacité des "expertons" 12- Un outil puissant de développement 13- Problèmes de réflexion : les jeux de stratégie 14- Le paradoxe de la difficulté 15- Le Bridge est plus simple... donc plus compliqué ! 16- Au Bridge, il y a « obligation de résultat » 17- Au Bridge, sans expertise rien n'est possible 18- Le jeu de la carte - Stratégies typées et stratégies floues 19- L'efficacité d'un "Système Expert hybride" 20- L’idée de base : la métaconnaissance 21- L’efficacité de la métaconnaissance 22- L'analyse des intentions adverses 23- Hybridation et explicabilité d'une IA 24- Le Bridge, problème résolu et inégalé depuis plus de 30 ans 25- Le calcul de Thalès et la métaconnaissance 26- Alekhine et la métaconnaissance 27- M. Jourdain joue au bridge... 28- Prématuré ! 29- Conclusion : "Il n'y a pas d'Intelligence Artificielle sans expertise" L’Intelligence Artificielle est une discipline qui a pour vocation de simuler le comportement humain dans ses activités de perception, de compréhension ou de décision. Elle s’exerce dans différents domaines : reconnaissance de forme, reconnaissance de la parole, analyse du langage, résolution de problème, etc…. Il y a, d'après Philippe Pionchon, plusieurs façons de traiter cette simulation suivant le domaine traité et les objectifs recherchés : En ce qui concerne le domaine de "résolution de problème", qui nous intéresse ici, l’Intelligence Artificielle "analogique" choisie se caractérise par une approche originale dans le traitement informatique des problèmes qui consiste, non pas comme dans un système algorithmique classique, à décrire la résolution du problème, ce qui nécessite de connaître l’algorithme de résolution, mais à mettre en place une structure informatique permettant à l’ordinateur de résoudre lui-même le problème. Cette structure étant en place, il suffira alors de : et non plus la résolution du problème. C’est là l’idée fondamentale qui a donné naissance, sous l'impulsion de Jacques Pitrat au cours des années 60, aux « Systèmes Experts » destinés à traiter les problèmes dits de «Connaissance ». Les Systèmes Experts sont des systèmes informatiques dans lesquels on a collecté la Connaissance des experts d’un domaine donné, et qui savent traiter cette connaissance en utilisant la puissance de calcul d’un ordinateur pour étudier les corrélations existant entre les éléments de cette Connaissance et en tirer des conclusions, des « inférences », qui viennent elles-mêmes compléter cette « Base de Connaissance », etc…. Dans de nombreux domaines en effet, la problématique de la Connaissance se pose en termes de corrélations et d’inférences entre les objets de ce domaine. L’exploitation de cette Connaissance pourra même établir de nouvelles inférences qui viendront enrichir cette Connaissance en un processus d'apprentissage. Le premier Système Expert créé a été Dendral en 1965 permettant d'identifier les constituants chimiques d'un matériau, puis en 1972 Mycin permettant de réaliser le diagnostic de maladies du sang et la prescription de médicaments (Voir Wikipedia : Systèmes Experts). Dans le traitement de ce genre de problèmes de type non algorithmique, ou se situant en univers non déterministe, il s’agit d’utiliser l’ordinateur non plus comme « esclave intelligent » obéissant à une logique procédurale, mais comme un générateur d’inférences travaillant à partir de "prédicats", c'est-à-dire d’une logique décrivant le problème. Une véritable création de Connaissance pourra alors être produite par la machine dans la limite des règles de connaissance et des faits qui lui auront été fournis. Des Systèmes Experts existent dans différents domaines comme par exemple la Médecine où la machine est capable de créer un véritable diagnostic médical, la Géologie où le travail produit par l’ordinateur sera comparable à celui que pourrait produire un expert géologue, etc… etc… Les Systèmes Experts peuvent également être très efficaces dans les machines nomades pour en simplifier l'utilisation, les rendre plus ergonomiques et donc accessibles au plus grand nombre, comme cela avait été préconisé par Philippe Pionchon en 1991 avec son "hyper-ordinateur" conformément au nouveau paradigme proposé : (voir "Hyper-ordinateur"). Cette idée d'un langage original destiné à travailler sur la Pensée ou la Connaissance est-elle récente ? C’est en fait au XVIIème siècle que le célèbre mathématicien/philosophe Leibniz, l’inventeur du calcul différentiel et du calcul intégral, avait exprimé dès 1666 dans son ouvrage « De arte combinatoria » l’idée d’une langue philosophique universelle destinée à exprimer la pensée humaine pour lui permettre de résoudre, par le calcul, les controverses philosophiques : la pensée étant composée d'idées simples combinées entre elles, l'idée était d'exprimer dans un nouveau langage les éléments élémentaires de la pensée et leur combinatoire. Une fois ce langage établi, la pensée, simple combinaison de concepts de base, devenait "calculable". Ce système de "dissertation sur l’art combinatoire" qu’avait imaginé Leibniz à cette époque était en quelque sorte le précurseur de la machine de Turing et aujourd’hui c’est bien dans les « Systèmes Experts » que l’on retrouve cette brillante idée d’un langage travaillant sur l'expression de concepts et leurs corrélations. Le génial Leibniz n’avait en somme que quelques siècles d’avance ! Un point de vue plus moderne consiste à voir dans les Systèmes Experts une sorte de "systèmes d'exploitation" de la logique symbolique, branche récente de la logique mathématique. Utilisant les très anciens travaux de George Boole (1847) puis de Alan Turing (1942), ils se sont largement développés dans les années 60 grâce aux ordinateurs qui sont parfaitement adaptés à cette forme de langage et de calcul. Les Systèmes Experts, excellents calculateurs en "logique de proposition" ou "logique symbolique", constituent un domaine important de l'Intelligence Artificielle car d'une part ils peuvent simuler parfaitement le comportement "intelligent" humain, sont pratiques et très efficaces et d'aute part ils sont capables de produire naturellement l'explication de leurs conclusions, ce qui est fondamental pour une IA. La logique de proposition est en effet d'un abord difficile pour les humains et facilement traitée par les ordinateurs. Prenons ces exemples de Lewis Carroll. Voici 3 propositions(ou "sorites" pour les initiés) : - Les bébés sont illogiques - Nul n'est méprisé quand il peut venir à bout d'un crocodile - Les gens illogiques sont méprisés. La conclusion est relativement simple : Mais prenez maintenant ces 10 propositions : - Les seuls animaux de cette maison sont des chats - Tout animal qui aime contempler la lune est apte à devenir un animal familier - Quand je déteste un animal, je l'évite soigneusement - Aucun animal n'est carnivore, à moins qu'il n'aille rôder la nuit - Aucun chat ne manque jamais de tuer les souris - Les kangourous ne sont pas aptes à devenir des animaux familiers - Aucun animal non carnivore ne tue de souris - Je déteste les animaux qui ne s'attachent pas à moi - Les animaux qui vont rôder dehors la nuit aiment toujours contempler la lune Pas facile, admettrez-vous, de tirer la conclusion logique de ces 10 propositions... Un ordinateur pour qui la logique symbolique ne pose aucun problème, vous répondra facilement : Dans le domaine de "résolution de problème", il faut distinguer deux problématiques très différentes : - les problèmes de « Connaissance » - et les problèmes de « Réflexion ». Si les S.E. sont adaptés pour traiter les problèmes de connaissance, ils sont à priori impuissants à traiter, à eux seuls, les problèmes de « réflexion » ou nécessitant une compréhension globale d'une situation. La plupart du temps ils constituent cependant le rouage indispensable pour parvenir à une solution. Le problème de compréhension globale d'une situation est extrêmement important en IA, le principal sans doute, puisqu'il conditionne l'explicabilité des résultats fournis. C'est par exemple celui qui se pose actuellement dans le développement des véhicules autonomes ou plus généralement en robotique, lorsqu'il s'agit de doter l'androïde/véhicule d'une compréhension globale de la situation pour lui donner à la fois autonomie d'action et capacité à mener une conversation, en utilisant par exemple l'historique des conversations. C'est le double objectif des développements actuels de l'"X Brain" dans ce domaine : analyse du contexte et analyse sémantique. D'après Philippe Pionchon, et comme il l'a démontré pour le Bridge, la solution sera double : un S.E. de connaissance accouplé à un système d'IA numérique de reconnaissance de forme et de reconnaissance vocale, sera très efficace pour "comprendre son environnement" visuel et vocal, reproduisant ainsi, comme pour le Bridge, le nouveau concept de "Système Expert hybride". (Voir Wikipedia : Systèmes Experts) Ces S.E. sont en effet parfaitement adaptés pour résoudre les problèmes posés aux véhicules autonomes à la fois pour leur permettre d'avoir la compréhension globale nécessaire de toute situation mais aussi pour leur permettre de gérer efficacement les dialogues complexes et obligatoires que chaque véhicule devra avoir avec son chauffeur, les autres véhicules autonomes et les organes de circulation, lorsque tout cela sera rendu possible. Par ailleurs et de façon plus générale, le concept de "Systèmes Experts hybrides" sera sans doute d'après cet expert la solution efficace pour résoudre le problème de l'explicabilité qui finira fatalement par se poser à l'IA numérique, qui travaille comme une "boîte noire". L'explication des résultats d'une IA deviendra certainement une nécessité absolue dans la plupart des domaines, comme celui de la Santé par exemple où il est tout à fait primordial de convaincre pour être écouté. « Ce qui se conçoit bien, s’énonce clairement » : comment alors « énoncer » si l'on ne « conçoit » pas ? L'apport d'un Système Expert explicatif sera indispensable à toute IA numérique. Dans ce même ordre d'idée, pour résoudre le problème du jeu de la carte au Bridge, nous verrons plus loin l'efficacité d'un "Système Expert hybride" en accouplant un "moteur de simulation" à un S.E. En plus de ce concept de Système Expert hybride, Philippe Pionchon a apporté une nouvelle notion dans le traitement de l'intelligence déductive, en suggérant une distinction importante dans les Systèmes Experts selon qu'ils s'appuient sur des règles de "connaissance" ou de "métaconnaissance" (voir plus loin : 19 - L'idée de base : la métaconnnaissance). Il distingue ainsi les Systèmes Experts d'"ordre 1" qui travaillent sur des bases de "Connaissance", des Systèmes Experts d'"ordre 2" qui le font sur des bases de "Métaconnaissance". Comme nous le verrons plus loin, le Bridge est un excellent exemple pour montrer l'efficacité de la métaconnaisance. A cet égard, il est intéressant de souligner à quel point le Bridge, avec sa nécessité de compréhension globale et avec ses phases très différentes que sont les enchères, l’entame, le jeu de la carte du déclarant et celui de la défense, couvre bien l’ensemble des aspects du domaine « résolution de problème » et de compréhension globale. Il constitue ainsi un terrain privilégié en investigations théoriques d'actualité, dépassant largement le cadre d'un simple jeu de cartes. Règlons rapidement le problème de l'entame très simple à résoudre puisqu'il s'agit d'une problématique algorithmique qui ne présente aucune difficulté, la décision se basant : - soit sur les cartes de l'entameur ("Si je possède As-Roi-Dame dans une couleur alors...") etc. - soit sur les enchères adverses ("Si les enchères ont été ... alors j'entame atout") - soit sur les enchères du partenaire, le tout réglé par un Système Expert très simple. Le problème des enchères est plus délicat à traiter car il met en oeuvre une connaisance beaucoup plus vaste et plus complexe. Mais Dieu merci il s'agit purement d'un problème de "connnaissance" et les "Systèmes Experts" sont parfaitement désignés pour traiter ce genre de problème. De plus ces systèmes ont une capacité pédagogique naturelle et peuvent très facilement répondre aux questions : « Quelle enchère faire ? » et « Pourquoi cette enchère ? ». Ceci peut très facilement être expliqué en quelques mots. Un Système Expert est composé d'une "base de connaissance", d'une "base de faits" et d'un moteur d'inférences destiné à rapprocher ces 2 bases pour en étudier les corrélations et en déduire une conclusion. - La "base de connaissance" rassemble la connaissance de l'expert du domaine étudié, ici donc le système d'enchères utilisé. Cette base de connaissance s'exprime sous forme de règles très simples du type : "Si A et B alors C". Par exemple : "Si j'ai un jeu régulier, 15-17 H et pas de majeure 5ème alors j'ouvre de 1SA". Ces règles de connaissance peuvent s'écrire en vrac dans la base, sans ordre pré-établi, être rajoutées ou supprimées à loisir, ce qui est bien pratique. Une sorte de logique dynamique en quelque sorte, très facilement modifiable à souhait. - La "base de faits", quant à elle, rassemble tous les paramètres du problème. Cette base de faits contient les données de départ puis s'enrichit au fur et à mesure que le moteur d'inférences crée de nouveaux faits. Par exemple "A existe" ,"B existe" ou encore "J'ai 12 pts H", "J'ai 6 cartes à Pique", "La situation est forcing de manche", etc... etc... Ainsi si on demande "Pourquoi C ?", le système expert répondra très simplement, au nom de la règle x : "C existe parce que A et B existent", ou encore : "J'ouvre de 1SA parce que j'ai 16 pts H, un jeu régulier et pas de majeure 5ème". Les systèmes experts sont des systèmes naturellement pédagogiques qui traitent très facilement l'explication positive. Le problème se complique lorsqu'il s'agit d'"explication négative" c'est-à-dire lorsqu'on lui demande "Pourquoi pas C ?". Dans les années 70 les recherches universitaires butaient irrémédiablement sur le problème de l'explication négative, une variante du "chaînage arrière". L'idée appliquée à l'époque était la suivante : prenons la règle x "Si A ou B alors C". "Si C n'existe pas c'est que dans la règle x soit A n'existe pas, soit B n'existe pas, soit aucun des 2 n'existe." Si A et B ne sont pas instruits dans la base des faits, on regarde alors dans toutes les règles qui concluent à A d'une part, puis à B d'autre part, si l'une des prémisses, au moins, n'est pas vérifiée. Par exemple s'il existe la règle "Si E et F alors A" et si l'on pose la question "non A ?" on regarde si l'on a soit "non E", soit "non F", soit les 2.etc...puis on fait de même pour toutes les règles qui concluent à E et F, etc... ainsi de suite. Idem pour B. En pratiquant ce chaînage arrière systématique, on comprend immédiatement que l'on aboutit rapidement à une explosion combinatoire : cette méthode n'est pas la bonne méthode. Une "force brute" qui ne fait pas intervenir l'expertise du domaine traité, est inefficace. Insoluble pour un universitaire, ce problème était très simple pour un expert. Au début des années 80, Philippe Pionchon a eu l'idée de doubler le moteur d'inférences du système expert d'un second moteur d'"inférences inverses" créant ainsi le nouveau concept très efficace de "Système Expert Inverse" ou "Système Expert Bimoteur". Inédite, cette idée était assez évidente puisqu'elle correspondait très exactement à ce qui se passe à une table de bridge lors des enchères, chaque joueur ayant en effet à faire 2 choses : - produire une enchère (moteur d'inférences) : "Si A et B alors C" - décoder l'enchère du partenaire (moteur d'inférences inverses) : "Si C alors A et B". Par exemple , si mon partenaire ouvre de 1SA, je déduis qu'il a un jeu régulier et 15-17 H sans majeure 5ème". Le problème de l'explication négative se résoud alors très élégamment de la façon suivante : - Supposons qu'on ait les règles d'inférences : . "Si j'ai 5 cartes à Pique et si je dois faire une enchère non forcing alors je dis 3P". . "Si j'ai 4 ou 5 cartes à Pique et si je dois faire une enchère forcing alors je dis 3K". Le moteur d'inférences inverses donne : . "3P = 5 cartes à Pique, enchère non forcing" . "3K = 4 ou 5 cartes à Pique, enchère forcing". - Supposons que dans la base de faits on a 5 cartes à Pique et on doit faire une enchère forcing : la bonne enchère est donc "3K". - On décode cette enchère avec le moteur d'inférences inverses: "3K = 4 ou 5 cartes à Pique, enchère forcing". - Si maintenant on pose la question "Pourquoi pas 3P ?", on décode 3P : "3P = 5 cartes à Pique, enchère non forcing". La comparaison des 2 inférences inverses donne immédiatement : (Au besoin on affecte à chaque prémisse un coeficient de "préséance", si plusieurs règles concluent à 3K). constituant in fine un "Système Expert Bimoteur", l'explication négative est résolue très simplement par la comparaison des inférences inverses. La simulation au plus près du comportement logique humain, permet d'obtenir des performances intéressantes que ne saurait apporter le traitement statistique de l'IA numérique... car (moins sérieusement) : « Le moteur d'inférences inverses n'est pas un moteur à explosion ! » Au Bridge le traitement efficace de l'explication négative est primordial comme c'est d'ailleurs souvent le cas en matière d'enseignement quel qu'il soit. L'explication négative doit toujours précéder l'explication positive. Il est en effet difficile de se faire entendre d'un élève qui a envie de dire 3P lorsque vous voulez lui expliquer que la bonne enchère est 3K. Il faut d'abord lui expliquer que 3P n'est pas correct pour qu'il soit disposé à vous écouter : "3P n'est pas forcing, très bien, mais alors quelle enchère faire ?". Ce précepte s'applique à tout domaine d'enseignement. Il est donc remarquable de constater la parfaite adéquation des Systèmes Experts au traitement des enchères de Bridge. Regardons par exemple cette règle d'ouverture : "Si j'ai un jeu régulier, 15-17 H et pas de majeure 5ème alors j'ouvre de 1SA", règle dans laquelle on remarque la présence de la variable "points H". En inventant cette variable, Milton Work ne se doutait pas qu'il créait ce que plus tard Philippe Pionchon a appellé un "experton". C'est autour de ces expertons, véritables "variables magiques", que l'expert structure son expertise, et plus d'expertons pertinents sont décelés par l'expert, plus le système expert sera concis, efficace et facilement maintenable. Il a ainsi été créé bon nombre d'expertons du genre "Jouable à SA", "Fit majeur", "Faire une enchère forcing", "Manche certaine, chelem possible", "Situation forcing", "Manche et pas plus", etc... Ces expertons sont des variables stratégiques autour desquelles le Système Expert de Will-Bridge a été construit et qui lui donne son efficacité. Il est intéressant de noter, une fois de plus, que cela correspond tout à fait au comportement du joueur humain qui, sans le savoir, utilise mentalement et inconsciemment ces variables que l'on pourrait appeler "variables mentales". Construire un Système Expert revient à repérer les expertons du domaine d'expertise traité, et la recherche de ces expertons permet d'enrichir la connaissance et la pédagogie de cette expertise. C'est en utilisant ces expertons que le Système Expert pourra par exemple prendre des initiatives, "d'inventer" des enchères telles que la "4ème couleur" : en décodant toutes les enchères qu'il pourrait faire dans sa situation, il constate qu'aucune n'est possible pour des questions par exemple de "forcing/non forcing", couleur non gardée, force de la main ou nombre de cartes dans une couleur, qu'il lui manque par conséquent des informations pour faire l'enchère adéquate (l'experton "Jouable à SA" n'étant par exemple pas satisfait) : il pourra prendre tout simplement de lui-même l'initiative "d'inventer" la "4ème couleur". Tout comme le ferait un joueur humain. Les Systèmes experts se sont donc révélés d’une extraordinaire pertinence pour le traitement des enchères, fournissant de surcroît explications positives et négatives. Une nouvelle séquence ou un nouveau "gadget" est-il préconisé ? En quelques minutes on rajoute une ou deux règles dans la base de connaissance et en quelques secondes des tests d’efficacité peuvent être faits sur des milliers de donnes ! pour étudier la pertinence et l'efficacité de nouvelles enchères. Toute fédération nationale de bridge devrait en posséder un. * Le problème des enchères et de l’entame étant réglé, restait à faire de même pour le problème du "jeu de la carte", beaucoup plus complexe et surtout réputé insoluble en 1987… Historiquement dans le traitement informatique des jeux de stratégie, les premières réalisations de l’Intelligence Artificielle (dans les années 1970) se sont portées sur les Echecs, qui ont pourtant la réputation d’être un jeu beaucoup plus complexe que le Bridge. Alors que rien n’avait été fait pour le Bridge, aux Echecs de nombreuses petites machines individuelles existaient avec un important succès commercial et la question qui intriguait les journalistes de l’époque était alors : "Pourquoi existe-t-il des machines performantes aux Echecs, jeu très compliqué, et pas au Bridge qui est pourtant beaucoup plus simple ?" et constitue le « paradoxe de la difficulté ». Il y a plusieurs différences importantes entre la problématique du jeu d’Echecs et celle du jeu de la carte au Bridge. La principale vient du fait qu’au Bridge il existe des éléments cachés alors qu’aux Echecs tout est « sur la table ». Pour jouer aux Echecs une machine n’a pas besoin d’être « intelligente », il lui suffit de savoir calculer et d'utiliser sa "force brute". Pour cela, un ordinateur est imbattable. Du point de vue combinatoire, le jeu d’Echecs est infiniment plus vaste que celui du bridge. Il l’est même tellement que l’on peut dire que jamais les Hommes ne pourront maîtriser ce jeu. En d’autres termes, l’analyse complète et exhaustive d’une situation aux Echecs ne peut être faite par aucun expert au monde et il serait plus juste de dire qu'aux Echecs l'ordinateur joue mal mais personne ne s'en rend compte. C'est d'ailleurs leur mauvaise qualité de jeu qui a fait leur succès commercial : si ces machines avaient joué à un haut niveau, elles auraient été invendables parce qu'inutilisables. De la même façon qu'un robot de tennis de très bon niveau serait inutilisable pour le commun des mortels, incapable de lui renvoyer la balle. Aux Echecs, la machine ayant décidé tel mouvement en cours de partie, personne n'est capable de dire s’il existe un autre mouvement supérieur à tous les autres. Si l'on excepte les problèmes de fin de partie du type "Mat en x coups" par exemple, on peut dire qu'une partie d'Echecs n'a pas de solution et par conséquent le jeu produit par une machine est difficilement critiquable. On pourra seulement constater In fine que la machine a mieux joué, ou moins bien, que son adversaire, sans plus. Cette impossibilité d’appréhension globale est si vraie que, dans une partie d’Echecs, un joueur choisira tel mouvement simplement parce qu’il est « réputé bon » ou parce qu’il « permet un développement agréable » : les développements ultérieurs sont trop nombreux pour qu’il puisse en faire l’analyse complète. il est beaucoup plus facile de faire une machine qui joue aux Echecs puisque cela revient à lui soumettre un problème dont personne ne connait la solution ! Pour bien jouer le jeu de la carte du Bridge, il faut « réfléchir »… Etre capable de faire une analyse globale du problème posé. A l'époque, le problème était réputé insoluble. De plus pour le traiter, il faut tenir compte des probabilités, ce qui est relativement facile pour une machine, mais surtout travailler en logique modale , comme disent les mathématiciens, c’est-à-dire faire appel aux théories des possibilités, de crainte, de nécessité… etc Autant de domaines qui sont loin d’être maîtrisés en Intelligence Artificielle. Mais il y a plus grave… Au Bridge la plupart des donnes peut être facilement analysée après coup, à cartes ouvertes, par des joueurs de niveau même faible. Le jeu que produit une machine se trouve dès lors facilement critiquable. Si à un moment donné une carte et une seule carte doit être jouée, tout joueur le verra : la machine doit donc absolument la trouver. Elle a « obligation de résultat ». aux Echecs, puisque le jeu est très compliqué, quand la machine joue mal personne ne le voit alors qu’au Bridge parce que ce jeu est plus simple, tout le monde peut facilement s’en rendre compte. Comment traiter cette obligation de résultat ? Et surtout quelle méthose utiliser : l'IA numérique ou l'IA analogique ? Puisque les Echecs sont un jeu qu’on ne sait pas théoriser parce qu’il dépasse complètement les possibilités humaines, son traitement doit se limiter à un traitement combinatoire d'arborescences très incompètes ou à un traitement expérimental en s’appuyant sur la consultation de « big data » rassemblant des coups « réputés » bons, sans plus. L’IA numérique lui convient alors très bien et le résultat produit par cette IA ne sera pas parfait mais il existera et sera difficilement critiquable. En revanche le Bridge a été entièrement théorisé° depuis des décennies. Il s’agit donc d’un domaine d’expertise qu’un Système Expert peut reproduire très facilement mais, en contrepartie, le jeu produit par ce Système Expert sera très facilement critiquable. Il devra donc être aussi proche que possible du jeu théorique. La réalisation d’un Système Expert parfait n’étant pas chose facile, le Bridge ne pourrait-il pas malgré tout profiter de l’IA numérique et de ses « big data » expérimentales ? En dépit de la qualité discutable du jeu produit, cette opportunité serait en effet très intéressante pour traiter du même coup le problème de son apprentissage automatique. Malheureusement l'existence d'éléments cachés confère au Bridge une caractéristique importante qui fait qu’il n’a rien à espérer de l’IA numérique : Aux Enchères par exemple, supposons que 4P soit un excellent pari : bien jouer consiste donc à demander ce contrat. Or il peut parfois se trouver, bien que ce ne soit pas conforme aux probabilités, qu’il y ait 4 perdantes inévitables. Le contrat va donc chuter et le mauvais joueur qui s’était contenté de 3P parce qu’il n’avait pas vu que 4P était un meilleur pari, gagnera, lui, son contrat ! Au jeu de la carte prenons l’exemple d’un déclarant qui se trouve en face de deux lignes de jeu, l’une gagnante à 75 %, l’autre à 50 %. Bien jouer consiste donc à choisir la ligne à 75 % de réussite mais il n’est pas impossible que cette ligne de jeu perde alors que la ligne à 50 % gagne ! Le mauvais joueur qui aura choisit la ligne à 50 % va donc gagner cette donne contre les joueurs qui auront, eux, bien joué ! La vérité au Bridge est statistique et sur un grand nombre de donnes, rassurez-vous, au final le bon joueur gagnera. Finalement il est pratiquement impossible pour une IA de Bridge de se fonder automatiquement, c'est-à-dire sans supervision experte, sur le résultat du jeu produit pour dire s’il est bon ou mauvais. Seuls des experts peuvent le dire. (Ou alors, en toute rigueur, il faudrait améliorer le Système Expert pour lui donner cette capacité d'analyse qu'apporte la supervision, mais cela, théoriquement possible aujourd'hui, est d'une grande complexité.) Déterminer la qualité du jeu produit, "la récompense", relève donc essentiellement là aussi d’une expertise, la "supervision", et non d’un traitement automatique pur. Sans supervision, l'"apprentissage par renforcement" est impossible. n’a rien à espérer de la seule IA numérique. ° Ceci est vrai essentiellement pour le jeu de la carte, car aux enchères il se peut que dans certains cas (rares et délicats) les experts ne soient pas d'accord entre eux. Cette situation est finalement assez simple car cela revient à dire qu'elle n'a pas de solution... Qu'il s'agisse du jeu du déclarant ou du jeu en défense, la problématique du jeu de la carte est très diffrente de celle des enchères, ce qui confère au Bridge un intérêt tout à fait exceptionnel pour les investigations en recherches théoriques d’IA. Pour le traitement du jeu de la carte, il ne s’agit pas d’un problème de connaissance comme pour les enchères, mais d’un problème de d’analyse, de réflexion et comme cela est expliqué plus loin, de "métaconnaissance". Dans le traitement du jeu de la carte du déclarant, il existe plusieurs cas de figure : - parfois le problème consiste à déterminer contre quelle configuration adverse il faut jouer (évitement, crainte, jeux de sécurité, etc...) - parfois le problème consiste à déterminer quelle stratégie mettre en oeuvre (double-coupe, mort inversé, problèmes de communications, etc...) - les autres cas correspondant à des "stratégies floues" pour lesquels la stratégie ne se dessine que progressivement au cours du jeu. Et pour compliquer encore les choses, le jeu à Sans-Atout est très différent du jeu à la couleur. - A Sans-Atout, le jeu est souvent plus simple car l’absence d’atout fait que tout se passe dans le même « espace mathématique », comme disent les scientifiques : maniements de couleur, problèmes de communications, jeux de sécurité, évitements d’adversaire dangereux, etc… Les donnes sont moins volontiers typées et le problème est souvent « tactique » dans la manipulation des cartes d’une couleur. Grâce à une analyse dynamique de chacune des couleurs effectuée tour à tour par un "moteur de simulation" reproduisant en somme le processus mental humain, la machine est capable de détecter les caractéristiques de ces couleurs : disymétriques, orientées, sujettes à blocages, etc… et trouver d’elle-même le comportement adéquat en fonction des objectifs et des paramètres fournis. - A la couleur, il s’agit davantage de combinaison de plans : l’approche est plus globale, plus « stratégique ». L’analyse dynamique précédente est alors complétée par une analyse statique de la structure des mains connues qui, mise à disposition d’un Système Expert, détectera la structure de la donne (voir "5- Systèmes Experts hybrides"). Les donnes peuvent être soit typées, soit non typées. - Pour les donnes « typées » le plan de jeu est trivial (double coupe, mort inversé, élimination-placement de main, cumul de chances, etc…) et déterminé par le S.E.. - Pour les donnes non typées on a affaire à des "stratégies floues" pour lesquelles le système proposera plusieurs plans de jeu que la machine explorera, reproduisant ainsi fidèlement là encore le processus mental humain. Dans le cas le plus délicat de donnes non typées, la problématique du jeu de la carte du déclarant revient souvent à déterminer contre quelle configuration de cartes adverses il faut jouer. C'est une analyse dynamique, réalisée par un "moteur de simulation", aidée d’une analyse statique réalisée par un Système Expert de "métaconnaissance" (voir plus loin) déterminant une suscipion de gisement de cartes en fonction du contexte détecté (possibilité, nécessité, sécurité, crainte, urgence, probabilité, etc…), qui proposera les plans de jeu à envisager, à simuler puis à sélectionner. Voilà comment a été créé le concept de "Système Expert hybride", ici :
S.E. hybride = Moteur de simulation + S.E. de métaconnaissance
(S'agissant de véhicules autonomes ou d'androïdes, un S.E. hybride serait composé d'un système d'IA numérique avec capteurs, et d'un S.E. de métaconnaissance). La problématique du jeu de la carte du déclarant est bien un problème d'expertise et ce serait bien méconnaître le bridge que de réduire le calcul de la configuration recherchée à un quelconque traitement statistique ou expérimental. S'agissant du jeu en défense, la problématique est assez différente puisque le joueur ne connaît pas le jeu de son partenaire. La réflexion du joueur s'organise alors autour de nouveaux paramètres exploités d'abord par le S.E. puis par le moteur de simulation, simplifié par les conclusions du S.E. : - mon partenaire est-il assez fort pour jouer un rôle, puis-je compter sur une initiative de sa part ? ou : - dois-je prendre seul les initiatives déterminées par le moteur de simulation ? cas par exemple du "coup de Merrimac". ou : - le S.E. a-t-il pu déterminer la stratégie de jeu du déclarant ? la défense étant alors définie, cas par exemple d'une double coupe etc. Soulignons ici, encore une fois, l'intérêt pédagogique des S.E. qui peuvent donner très facilement l'explication de la stratégie adoptée : - quelle analyse faut-il faire de la situation ? - quels sont les écueils à éviter ? - pourquoi faut-il jouer telle carte ? - pourquoi tel plan a-t-il été choisi ? - pourquoi pas tel autre plan ? etc...etc. La métaconnaissance est la « connaissance de la connaissance », c’est-à-dire la connaissance que l’on possède sur la connaissance. Si par exemple on vous demande si Monsieur Smith a été président des Etat-Unis, il s’agit d’un problème de connaissance. Si vous possédez la connaissance, c’est-à-dire si vous possédez la liste des présidents, vous pouvez répondre par oui ou par non. Si maintenant on vous pose la question « Est-ce que Madame Smith a été président des Etats-Unis ? », vous allez immédiatement répondre « non » alors que vous ne possédez pas cette liste, parce que vous savez qu’aucune femme n’a été président des Etats-Unis. La métaconnaissance suffit, vous n’avez pas besoin de la connaissance pour résoudre votre problème. C’est là typiquement une partie importante de la problématique du jeu de la carte au Bridge et, travaillant chez IBM sur la théorie des machines intelligentes, Philippe Pionchon s’est intéressé à ce jeu un peu par hasard parce qu'il présentait l’avantage d’être pertinent, aisément critiquable et facilement modélisable. Rien ne valait en effet le jeu de la carte du Bridge, réputé insoluble à l'époque, pour mettre sa théorie à l’épreuve et démontrer l'efficacité des "Systèmes Experts d'ordre 2" associés à des "Systèmes Experts hybrides". Notons que ce concept original d'hybridation serait aujourd'hui efficacement utilisable dans divers domaines comme par exemple celui des véhicules autonomes ou de la robotique ou encore celui de l'explicabilité d'une IA numérique. le jeu au monde le plus scientifique qui soit : il utilise tous les champs de la logique modale et les bridgeurs passent leur temps, sans le savoir, à raisonner en métaconnaissance. » déclarait-il avant de développer son idée de base : bâtir une théorie des machines intelligentes sur un Système Expert de métaconnaissance. n’est-ce pas là la définition même de l’intelligence déductive ? C'est grâce à l'exploitation de la métaconnaissance que l'exploit de Will-Bridge a été rendu possible avec la création de concepts inédits en IA (Systèmes Experts Bimoteurs ou Inverses, expertons, etc) dont notamment le concept généralisable d’ « IA hybride» qui ouvre aujourd’hui des perspectives intéressantes dans le traitement de l’explicabilité des IA numériques. Au Bridge la problématique du jeu de la carte est de déterminer contre quelle configuration adverse il faut jouer ou, en défense, quelle configuration il faut espérer chez le partenaire. Cette configuration adverse déterminera sa stratégie. (Parfois il est vrai, on ne prend en considration que sa propre connfiguration, comme par exemple celle d'une double coupe, mais le problème est plus simple). Pour déterminer cette configuration, plusieurs techniques sont possibles : analyser par exemple le jeu produit par les adversaires et demander à des "big data" de déterminer par expérience cette configuration. Mais ce n’est pas la bonne façon de procéder puisqu’encore une fois le Bridge a été théorisé : pour déterminer cette configuration des jeux adverses la métaconnaissance est beaucoup plus simple, beaucoup plus juste et donc beaucoup plus performante (voir plus loin : 21- "Analyse des intentions adverses"). Prenons cet exemple caractéristique du joueur placé en Sud : Nord P R 10 x C R x x K V x x T 10 x x x x Sud P A V 9 x x C V x K D x x T A V x Les enchères, Nord donneur : Nord : « Passe » - Est : « Passe » - Sud : « 1 Pique » - Ouest: « Passe » - Nord : « 2 Piques » et tout le monde « Passe ». Sud joue 2 Piques. Ouest entame du 5C, Nord joue xC et Est la DC. Stop ! La métaconnaissance de notre Système Expert associée à un "Système Expert Inverse" (ou SE Bimoteur) nous dit maintenant à coup sûr qui a la DP, connaissance essentielle ici pour gagner, en analysant très facilement les événements et les non-événements. - Dans un contrat à la couleur, Ouest n’a pas entamé sous un As : l’AC est donc en Est qui, avec la DC jouée, montre 6 H. - Ouest n’a pas entamé K où il manque As-Roi : il ne possède donc pas ces 2 honneurs et Est a au minimum le RK, soit au moins 3 H. - Ouest n’a pas entamé T où il manque Roi-Dame : il ne possède donc pas à la fois ce Roi et cette Dame. Par conséquent Est a au moins 2 H à T. Total : on sait maintenant qu’Est a au moins 6 H à C, 3 H à K et 2 H à T, soit au moins 11 H. Son « Passe » a indiqué par ailleurs qu’il a moins de 12 H : Sud sait donc qu’il ne peut pas avoir la DP et celle-ci se trouve par conséquent à coup sûr en Ouest. La "non-entame" d'un honneur à K et d'un honneur à T, dévoile les cartes cachées. L’utilisation de la métaconnaissance est évidemment performante puisque le jeu des cartes jouées et non jouées obéissant à des règles, la connaissance de ces règles, très facilement exprimables par un Système Expert, permet de déterminer la place de certaines cartes et d’expliquer sa stratégie lorsqu'elle dépend de la place de ces cartes. D’une façon générale, l’explicabilité d’une IA passe donc obligatoirement par l’hybridation numérique-analogique, qui n’est cependant possible que si l’on est capable de bâtir un Système Expert de connaissance ou métaconnaissance sur les data dont on dispose. Dans la théorie des jeux, les intentions de l'adversaire sont parfois intéressantes à connaître. Or la stratégie adverse répondant à une logique, il serait aberrant de traiter ce problème par les "big data" de l'IA numérique qui se limitent à des expériences non expertisées, et là encore, s'agissant d'expertise, le traitement adéquat est tout naturellement donné par Système Expert, avec de surcroît production de toutes les explications nécessaires. En fait la clé du problème de la connaissance des intentions adverses est donnée par les "Système Experts Inverses" de Will-bridge. Ainsi si le Système Expert indique: sont une solution très simple dans l'étude des "Sciences de la décision" Autre difficulté très importante à résoudre pour une IA : son explicabilité. Pour les enchères, problème essentiellement de connaissance facilement traité par « Système Expert », le problème de l’explicabilité positive est trivial puisqu’il suffit tout simplement de citer les règles d’expertise qui ont conduit à sa décision. L’explicabilité négative ayant été quant à elle résolue, nous l'avons vu au paragraphe 9, par la création du concept de Système Expert Bimoteur ou Système Expert Inverse. En revanche pour le jeu de la carte, qui est d’abord un problème de réflexion et d’analyse avant d’être un problème de connaissance, les choses sont plus complexes car un Système Expert de connaissance est insuffisant. Bien qu’il s’agisse d’une expertise, comment traiter la problématique du jeu de la carte et son explicabilité ? C’est également le cas du traitement de domaines ne relevant pas d’une expertise, comme celui de l’IA numérique. L’IA numérique se comportant comme une « boîte noire », comment justifier ses choix ? Les travaux entrepris par Will-Bridge sur le Bridge donne une idée de solution. Pour résoudre le problème du jeu de la carte, Will-Bridge a en effet eu l’idée de coupler un moteur de simulation au Système Expert explorant les différentes stratégies envisageables, créant il y a plus de 30 ans le concept d’IA hybride, concept dont peut aujourd’hui s’inspirer l’IA numérique. Le but de ce moteur de simulation, par le jeu une par une des couleurs dans différentes hypothèses, était de déterminer les caractéristiques dynamiques des mains pour enrichir la base de faits exploitée par le Système Expert, ces caractéristiques étant très difficiles à déterminer par expertise était ainsi naturellement assurée par ce Système Expert instruit par le moteur de simulation. « Le joueur en EST ayant été déterminé comme adversaire dangereux, il faut une stratégie d’évitement de ce joueur et donc refuser l’impasse ». C’est cette idée d’hybridation de Will-Bridge qui doit être généralisée et guider aujourd’hui l’étude de l’explicabilité d’une IA numérique : pour que l’explication de ses décisions soit convaincante il faut qu’elle s’appuie soit sur une logique provenant d’une expertise, soit sur une expérience indiscutablement admise, l'une et l'autre pouvant tout naturellement être exprimée par Système Expert. sont une solution de l'explicabilité de l'IA numérique. La difficulté revenant alors à faire de l'extraction de connaissance c'est-à-dire à repérer les data à l’origine de la décision et à les documenter soit d’une logique, soit d’une expérience faisant autorité. Ce sont toutes ces réflexions qui ont permis dans les années 80 à Will-Bridge de résoudre entièrement la problématique du Bridge (enchères, entames, jeu de la carte en déclarant et en défense, à Sans-Atout et à la Couleur) et à faire jouer un ordinateur à des parties complètes de Bridge au meilleur niveau des performances humaines ainsi que l’avaient démontré les tests réalisés à l’époque par des Champions du Monde et d’Europe sous l'autorité de Paribas. cette performance historique n’a toujours pas été égalée : depuis 1987 en effet jamais aucune autre IA n’a battu de Champion du Monde dans une quelconque démonstration scientifique de Bridge. D’ailleurs Google ne s’y est pas trompé en décidant pour ses recherches en IA de travailler sur le jeu Hanabi plutôt que sur le Bridge où depuis longtemps il savait qu'il n’y avait plus rien à découvrir. La raison des échecs des diverses tentatives menées est simple : l'utilisation inadéquate de l'IA numérique au détriment de l'IA analogique, enterrée beaucoup trop tôt et insuffisamment utilisée dans les recherches actuelles. A l’époque, le grec Thalès avait épaté les égyptiens en leur révélant la hauteur de la Grande Pyramide par la simple mesure de son ombre portée sur le sable. Pas besoin de l'escalader jusqu'à son sommet, ni de mobiliser d’importants moyens de mesures, un simple calcul de similitude lui a donné la solution. De la vraie magie ! De la même façon, la métaconnaissance permet de résoudre des problèmes de connaissance sans la posséder. Tout aussi magique ! Au Bridge par exemple, prenons cette situation où le déclarant se dit : « Je ne sais pas qui a le Roi de Trèfle, mais je vois que si ce Roi de Trèfle est à droite, je ne peux pas gagner. Puisque mon objectif est de gagner, il est donc à gauche, « par nécessité » disent les bridgeurs. Je joue donc comme s’il était à gauche de façon certaine. S’il y est, j’ai gagné. S’il n’y est pas, j’ai perdu mais de toutes façons je ne pouvais pas gagner : je n’ai donc rien perdu. » ce que le calcul est aux physiciens. » A propos de métaconnaissance, difficile de ne pas évoquer cette anecdote vécue par le russe Alexander Alekhine (1892-1946), autrefois 3 fois champion du monde d'Echecs. En Russie à l'époque, les voyages en train étaient très longs et laissaient largement aux voyageurs le temps de faire connaissance. Alekhine se trouva ainsi dans un compartiment avec un voyageur qui lui déclara : "- Cher Monsieur, si vous savez jouer aux Echecs, je peux vous proposer une partie... - Volontiers, lui répondit Alekhine. Je vous rends un cavalier et jouons... - Mais comment ? déclara, surpris, l'inconnu. Vous ne me connaissez pas et vous voulez me rendre un cavalier ! - Justement, répondit Alekhine, si je ne pouvais pas vous rendre un cavalier, je vous connaîtrais !" Possibilité, nécessité, crainte, reconstitution des mains cachées, etc...etc... : voilà de quoi est fait le quotidien des bridgeurs qui raisonnent sans le savoir en métaconnaissance : - « Je ne sais pas qui a le Roi de Trèfle, mais je sais qu’Est a Passé d’entrée et a déjà montré 11 points d’honneur : il n’a donc pas le Roi de Trèfle. » - « J'analyse que seule une distribution 4-0 des atouts adverses met mon contrat en danger. Je considère donc qu’ils sont 4-0 et je cherche une stratégie qui soit également gagnante lorsqu’ils sont 2-2 ou 3-1. » Bien sûr le traitement de la métaconnaissance s’il permet dans de nombreux cas de traiter intelligemment le problème des éléments cachés, n’est pas toujours suffisant mais il peut être complété ensuite par un moteur de simulation qui permettra à la machine de trouver elle–même la solution dans des domaines comme par exemple le maniement de couleurs ou le traitement des jeux de sécurité. - "Je n'ai pas le Roi de Trèfle. Existe-t-il un maniement de couleur qui gagne que ce Roit de Trèfle soit indiféremment à droite ou à gauche ?" La machine le place donc à la fois à droite et à gauche, avec l'instruction bien sûr de ne l'utiliser qu'une seule fois, et, si la solution existe, elle trouvera elle-même le maniement de couleur adéquat... Tout comme, encore une fois, le ferait un joueur humain. Voilà comment avait été résolu, et jamais égalé malgré les progrès de l'informatique et de l'IA, le problème des enchères, de l'entame et du jeu de la carte au Bridge, il y a maintenant plus de 30 ans. Tout étant pour le mieux dans le meilleur des mondes, quelle suite a été donnée à l'époque à toutes ces avancées technologiques ? Dans les années 80, l'Intelligence Artificielle n'était pas à la mode, contrairement à ce qui se passe aujourd'hui. Bien pire, il s'agissait même à l'époque d'un véritable tabou, d'une lubie de scientifiques. La difficulté de se faire entendre est bien résumée par cette anecdote arrivée à Philippe Pionchon à la fin des années 80. Les journalistes scientifiques de l'époque s'intéressaient beaucoup aux petites machines commercialisées pour jouer aux Echecs. L'un d'eux, expert bien connu, lui demanda un jour : - "Aux Echecs lorsqu'on joue mal contre une machine, elle est "déstabilisée" et se met elle aussi à mal jouer... Qu'en est-il de votre machine de bridge ?" Il lui fut d'abord expliqué qu'aux Echecs le problème était très différent. Dans une partie d'Echecs, tous les experts sont d'accord pour dire qu'il y a 3 phases : l'ouverture ou le début de partie (où l'on "récite" les coups connus), le milieu de partie (très délicat) et la fin de partie où le peu de pièces restantes facilite le calcul arborescent. La difficulté consiste à définir quand passe-t-on d'une phase à l'autre, fameux "problème aux limites" que connaissent bien les physiciens. Pour chacune de ces 3 phases, le logiciel applique des stratégies différentes et une règle communément admise dit qu'on passe en deuxième phase dès qu'on a "roqué" : ainsi par exemple en début de partie, il suffit de roquer prématurément pour que la machine se croit en milieu de partie et avance imprudemment son Roi au centre de l'échiquier ! Elle n'est pas "déstabilisée". - "Que se passe-t-il avec ma machine de bridge ? Ecoutez, je n'en sais rien mais faisons un essai..." Le journaliste composa donc un problème inédit et donna uniquement bien sûr à la machine, jouant le rôle du déclarant, le jeu de Sud et celui de Nord. Il entama et quelques plis plus tard, manipulant les cartes d'Est et d'Ouest, inconnues de la machine, il fit exprès de donner une levée au déclarant. La machine encaissa le pli et déclara... "Merci beaucoup !" Tout le monde semblait ravi de cette démonstration et Philippe Pionchon s'attendait à quelques publications flatteuses dans la presse spécialisée... Rien ne se passa. Deux années plus tard le hasard fit qu'il rencontra à nouveau ce journaliste et lui demanda : - "Vous rappelez-vous notre essai il y a 2 ans ? Qu'en aviez-vous pensé ?" Le journaliste lui répondit alors très intéressé : - "En effet je m'en souviens très bien mais, dites-moi, cela s'est passé il y a 2 ans, vous pouvez bien me le dire maintenant : comment avez-vous fait pour tricher ?" Il n'est jamais bon d'être trop en avance sur son temps ! Depuis ces années 80, l'IA a progressé grâce aux progrès de la technologie hardware, les machines devenant beaucoup plus puissantes. Est née alors une nouvelle forme d'IA qui s'appuie non plus sur la logique d'une expertise mais sur des historiques pour ainsi présenter des vérités (?) statistiques. Aujourd'hui l'IA est très à la mode et, pour une strat-up, il n'est pas pensable de tenter une levée de capitaux avec un projet qui ne ferait pas référence à l'IA. On voit donc de tout et parfois n'importe quoi... Une brosse à dent électrique par exemple qui s'arrête de tourner quand la pression sur les dents est trop forte, est présentée sans vergogne comme une réussite de l'IA ! A l'heure actuelle les dernières nouveautés spectaculaires dont tout le monde parle, sont les "rédacteurs numériques". Leurs performances sont assez bluffantes il faut bien le reconnaître, mais en les analysant de plus près, on s'aperçoit qu'à travailler uniquement sur des expressions les plus fréquentes et sans expertise, ces rédacteurs, qui ne possèdent aucune intelligence, ne sont finalement capables de reproduire, avec talent certes mais que des lieux communs. Sans souci, et pour cause, ni de création, ni de vérité, ni de rigueur intellectuelle, ils s'exposent inévitablement, pour plaire au plus grand nombre, aux dérives du sophisme et des "fake news"... et finalement participer activement au triomphe d'une sorte de populisme dévastateur. Le danger est donc gigantesque à moins que les développeurs aient la bonne idée, à l'instar de Will-Bridge, de les doter d'une "intelligence experte" en s'inspirant pour cela du concept d'"IA hybride" qu'elle a elle-même créé pour venir à bout de la problématique du Bridge, il y a plus de 30 ans.
| |||