0:00:17.816,0:00:21.325
Notre monde se transforme[br]de multiples façons

0:00:21.325,0:00:25.975
et un des éléments qui auront[br]un impact important sur notre avenir

0:00:25.975,0:00:29.363
est l'intelligence artificielle, IA,

0:00:29.363,0:00:32.953
à l'origine d'une nouvelle[br]révolution industrielle.

0:00:33.627,0:00:39.504
Les révolutions industrielles précédentes[br]ont rehaussé la force mécanique de l'homme

0:00:40.014,0:00:45.572
mais cette révolution-ci,[br]la deuxième ère de la machine,

0:00:45.572,0:00:50.122
va rehausser nos capacités cognitives,

0:00:50.122,0:00:52.102
notre force mentale.

0:00:52.782,0:00:57.177
Les ordinateurs ne vont plus se limiter[br]à remplacer le travail manuel,

0:00:57.597,0:00:59.897
ils vont aussi s'emparer[br]du travail intellectuel.

0:01:00.500,0:01:03.450
Où en sommes-nous aujourd'hui ?

0:01:04.034,0:01:07.724
Vous avez probablement entendu[br]parler en mars dernier [2016]

0:01:07.724,0:01:11.776
du système d'apprentissage[br]automatique appelé AlphaGo

0:01:11.776,0:01:17.708
qui a utilisé l'apprentissage profond[br]pour vaincre le champion du monde de go.

0:01:18.279,0:01:20.679
Le go est un ancien jeu chinois

0:01:20.679,0:01:24.159
bien plus complexe à maîtriser[br]pour un ordinateur

0:01:24.159,0:01:25.982
que les échecs.

0:01:26.893,0:01:32.086
Comment cela fut-il possible maintenant,[br]après des décennies de recherche en IA ?

0:01:33.068,0:01:36.698
On a entraîné AlphaGo à jouer au go.

0:01:37.678,0:01:41.300
D'abord, en observant encore et encore

0:01:41.814,0:01:46.894
des dizaines de millions de mouvements[br]de joueurs humains très doués.

0:01:47.746,0:01:52.496
Ensuite, en le faisant jouer[br]des millions de parties contre lui-même.

0:01:54.222,0:01:59.941
L'apprentissage automatique est[br]une méthode d'apprentissage par l'exemple.

0:02:00.465,0:02:02.575
Les ordinateurs apprennent des données.

0:02:03.885,0:02:07.235
L'apprentissage automatique[br]est devenu un élément clé

0:02:07.235,0:02:11.635
pour emmagasiner de la connaissance[br]dans les ordinateurs.

0:02:12.174,0:02:14.066
C'est fondamental

0:02:14.066,0:02:19.296
car la connaissance[br]conduit à l'intelligence.

0:02:20.438,0:02:22.865
Intégrer la connaissance[br]dans les ordinateurs

0:02:22.865,0:02:24.475
s'est avéré être le défi

0:02:24.475,0:02:27.515
dans les approches précédentes de l'IA.

0:02:27.515,0:02:28.745
Pourquoi ?

0:02:29.299,0:02:33.859
Il y a de nombreuses choses[br]que nous savons intuitivement.

0:02:34.601,0:02:38.081
Nous sommes donc incapables[br]de les communiquer verbalement.

0:02:38.619,0:02:42.780
Nous n'avons pas un accès conscient[br]à ce savoir intuitif.

0:02:43.270,0:02:46.690
Comment programmer un ordinateur[br]sans connaissance ?

0:02:47.664,0:02:49.114
Comment résoudre ça ?

0:02:49.314,0:02:55.343
La solution est de faire apprendre[br]aux machines ce savoir par elles-mêmes,

0:02:55.343,0:02:56.443
comme nous le faisons.

0:02:56.443,0:03:03.194
C'est important car la connaissance[br]conduit à l'intelligence.

0:03:03.194,0:03:08.174
Ma mission est de contribuer[br]à la découverte et à la compréhension

0:03:08.174,0:03:12.676
des principes qui soutiennent[br]l'intelligence par l'apprentissage.

0:03:13.166,0:03:18.116
Qu'il s'agisse de l'apprentissage[br]par l'animal, l'homme ou la machine.

0:03:19.450,0:03:25.066
Avec d'autres, je suis convaincu [br]qu'il y a quelques principes fondamentaux

0:03:25.066,0:03:27.296
comme les lois de la physique.

0:03:27.885,0:03:32.745
Des principes simples capables[br]d'expliquer notre propre intelligence

0:03:32.745,0:03:36.741
et de nous aider à concevoir[br]des machines intelligentes.

0:03:37.885,0:03:41.595
Prenez par exemple[br]les lois de l'aérodynamique :

0:03:41.595,0:03:48.036
suffisamment générales pour expliquer[br]le vol des oiseaux et des avions.

0:03:49.146,0:03:55.381
Ne serait-ce pas incroyable de découvrir[br]des principes simples mais puissants

0:03:55.701,0:03:59.186
qui expliqueraient l'intelligence,[br]rien de moins ?

0:04:01.066,0:04:03.394
Nous avons fait des progrès.

0:04:04.384,0:04:10.857
Mes collaborateurs et moi avons contribué[br]à révolutionner l'IA ces dernières années

0:04:11.777,0:04:16.397
avec nos recherches sur les réseaux[br]neuronaux et l'apprentissage profond,

0:04:16.397,0:04:20.946
une approche de l'apprentissage[br]automatique inspirée du cerveau.

0:04:22.041,0:04:25.243
Tout a commencé avec[br]la reconnaissance vocale

0:04:25.243,0:04:29.963
dans vos téléphones[br]avec les réseaux neuronaux depuis 2012.

0:04:30.977,0:04:35.647
Peu après, on a fait des avancées[br]dans la vision par ordinateur.

0:04:36.680,0:04:43.087
Les ordinateurs sont devenus assez bons[br]pour reconnaître le contenu d'images.

0:04:43.674,0:04:50.049
Ils sont même proches des performances[br]de l'homme depuis cinq ans environ.

0:04:50.711,0:04:54.721
Un ordinateur a atteint le niveau[br]de compréhension intuitif

0:04:54.721,0:04:58.191
de l’apparence visuelle d’un plateau de go

0:04:58.191,0:05:01.763
comparable à celui[br]des meilleurs joueurs humains.

0:05:02.083,0:05:03.454
Plus récemment,

0:05:03.454,0:05:06.584
et suite à des découvertes[br]réalisées dans mon labo,

0:05:06.584,0:05:11.408
l’apprentissage profond est exploité[br]pour traduire d’une langue vers une autre

0:05:11.414,0:05:14.441
et cela va bientôt apparaître[br]dans Google Traduction.

0:05:15.191,0:05:18.192
Ceci élargit les capacités des machines

0:05:18.192,0:05:22.532
à comprendre et générer[br]un langage naturel.

0:05:23.550,0:05:25.517
Mais ne vous laissez pas aveugler !

0:05:25.517,0:05:30.048
Nous sommes encore très loin d’une machine

0:05:30.048,0:05:34.033
aussi capable qu’un être humain

0:05:34.033,0:05:37.593
d’apprendre à maîtriser[br]les nombreux aspects de notre monde.

0:05:38.541,0:05:41.237
Prenons un exemple.

0:05:41.637,0:05:46.787
Même un enfant de deux ans[br]est capable d’apprendre des choses

0:05:46.787,0:05:50.657
d’une manière que les ordinateurs[br]ne peuvent pas encore reproduire.

0:05:51.767,0:05:56.169
Un enfant de deux ans a une compréhension[br]intuitive de la physique.

0:05:56.968,0:06:01.908
Il sait qu’en lâchant une balle,[br]celle-ci va tomber.

0:06:02.493,0:06:06.093
Quand il renverse du liquide,[br]il s’attend au résultat final.

0:06:06.586,0:06:09.516
Ses parents n’ont pas besoin[br]de lui expliquer

0:06:09.516,0:06:12.980
la loi de Newton[br]ou les équations différentielles.

0:06:13.840,0:06:20.200
L’enfant apprend seul ces choses,[br]sans supervision.

0:06:21.352,0:06:27.712
L’apprentissage sans supervision[br]reste un des défis cruciaux de l’IA.

0:06:28.184,0:06:33.014
Ça pourrait requérir plusieurs décennies[br]de recherche fondamentale

0:06:33.014,0:06:34.674
pour dénouer ce nœud.

0:06:34.674,0:06:41.719
L’apprentissage sans supervision cherche[br]à traduire des données en représentation.

0:06:41.729,0:06:43.779
Je vais illustrer cela pour vous.

0:06:44.364,0:06:49.346
Imaginez regarder, avec vos yeux,[br]une page sur votre écran.

0:06:49.346,0:06:54.196
L’ordinateur voit ça comme[br]une image, un amas de pixels.

0:06:54.993,0:07:00.113
Pour répondre à une question[br]sur le contenu de cette image,

0:07:00.863,0:07:05.211
vous avez besoin de comprendre[br]sa signification de haut-niveau.

0:07:05.674,0:07:10.531
La signification de haut niveau[br]correspond au plus haut niveau cognitif

0:07:10.531,0:07:12.321
de représentation dans le cerveau.

0:07:12.906,0:07:18.308
À un niveau bas, on a la signification[br]individuelle des mots

0:07:19.188,0:07:23.798
et plus bas encore, on a les signes[br]qui composent les mots.

0:07:24.810,0:07:27.677
Ces signes peuvent être représentés[br]de diverses manières,

0:07:27.677,0:07:30.879
avec des traits différents[br]qui les composent.

0:07:31.559,0:07:34.839
Ces traits sont composés par des arêtes

0:07:34.839,0:07:37.284
et ces arêtes sont composées de pixels.

0:07:37.284,0:07:40.454
Il s’agit donc de différents[br]niveaux de représentation.

0:07:41.079,0:07:44.236
Toutefois, les pixels seuls[br]ne sont pas suffisants

0:07:44.236,0:07:46.584
pour faire sens de l’image,

0:07:46.584,0:07:51.904
pour répondre à la question[br]de haut niveau sur le contenu de la page.

0:07:52.932,0:07:57.594
Votre cerveau possède ces différents[br]niveaux de représentation

0:07:57.594,0:08:02.291
depuis les neurones[br]dans la zone visuelle du cortex, V1,

0:08:02.291,0:08:04.596
qui reconnaît les arêtes.

0:08:04.596,0:08:09.334
Ensuite, les neurones dans la deuxième[br]région visuelle du cortex, V2,

0:08:09.334,0:08:12.800
reconnaissent les traits[br]et les petites formes.

0:08:12.800,0:08:17.060
Plus haut, des neurones détectent[br]les parts constitutives des objets

0:08:17.060,0:08:19.992
et ensuite les objets et un paysage[br]dans son intégralité.

0:08:21.182,0:08:24.757
Quand on entraîne les réseaux[br]neuronaux à reconnaître des images,

0:08:24.757,0:08:28.860
ils sont capables de découvrir[br]ces niveaux de représentation

0:08:28.860,0:08:32.778
d’une manière correspondant[br]à ce que nous observons dans le cerveau.

0:08:33.638,0:08:38.798
Les réseaux neuronaux biologiques,[br]qui existent dans notre cerveau,

0:08:38.804,0:08:42.828
et les réseaux neuronaux profonds,[br]que nous entraînons sur nos machines,

0:08:42.845,0:08:48.075
peuvent apprendre à transformer[br]un niveau de représentation en le suivant,

0:08:48.369,0:08:53.299
les niveaux les plus élevés correspondant[br]à des notions progressivement abstraites.

0:08:53.299,0:08:57.562
Prenons un exemple :[br]la notion abstraite de la lettre A

0:08:57.562,0:09:00.891
peut être rendue de diverses manières[br]aux niveaux les plus bas,

0:09:00.891,0:09:03.887
autant de manières que[br]de configurations différentes de pixels

0:09:03.887,0:09:09.097
selon leur position,[br]leur rotation ou leur police.

0:09:10.445,0:09:15.815
Comment apprenons-nous[br]ces hauts niveaux de représentation ?

0:09:17.402,0:09:20.681
Un des modes qui rencontrent[br]du succès jusqu'à présent

0:09:20.681,0:09:22.853
dans les applications[br]d'apprentissage profond

0:09:22.855,0:09:25.985
est un mode appelé[br]apprentissage supervisé.

0:09:26.297,0:09:31.588
Le principe de ce mode est que l'humain[br]prend l'ordinateur par la main

0:09:31.594,0:09:35.467
et lui donne les réponses[br]à un grand nombre de questions.

0:09:35.467,0:09:41.420
Par exemple, les hommes doivent dire[br]à la machine pour des millions d'images

0:09:41.420,0:09:44.271
que sur cette image-ci, on a un chat.

0:09:44.273,0:09:47.095
Sur cette image-là, on a un chien.

0:09:47.095,0:09:49.585
Et sur cette autre image, un ordinateur.

0:09:49.605,0:09:55.595
Sur cette image, c'est un clavier,[br]et ainsi de suite, des millions de fois.

0:09:56.066,0:10:01.026
C'est un processus douloureux[br]et on a recours au crowdsourcing.

0:10:01.461,0:10:03.396
Même si ce mode est très puissant

0:10:03.396,0:10:06.299
et nous permet de résoudre[br]de nombreux problèmes intéressants,

0:10:06.299,0:10:08.313
l'homme est bien plus fort

0:10:08.313,0:10:12.076
et peut apprendre davantage[br]d'aspects différents du monde

0:10:12.076,0:10:13.809
de façon autonome,

0:10:13.809,0:10:17.609
comme l'enfant qui a une compréhension[br]intuitive de la physique.

0:10:17.625,0:10:23.739
L'apprentissage non supervisé pourrait[br]aider à aborder la conduite autonome.

0:10:24.567,0:10:26.097
Je veux dire en fait

0:10:26.097,0:10:31.835
que l'apprentissage non supervisé permet[br]aux machines de se projeter dans l'avenir

0:10:31.835,0:10:37.205
pour générer des futurs plausibles[br]conditionnés par la situation actuelle.

0:10:38.369,0:10:42.899
Ceci permet aux ordinateurs[br]de raisonner, anticiper et planifier.

0:10:43.450,0:10:46.041
Même pour des circonstances

0:10:46.041,0:10:48.131
pour lesquelles[br]ils n'ont pas été entraînés.

0:10:49.351,0:10:50.296
C'est important

0:10:50.296,0:10:54.011
car avec l'apprentissage supervisé,[br]nous devrons expliciter aux ordinateurs

0:10:54.011,0:10:57.395
toutes les circonstances dans lesquelles[br]peut se trouver un véhicule

0:10:57.395,0:11:01.375
et comment un humain réagirait[br]pour chacune d'elles.

0:11:02.451,0:11:06.191
Comment ai-je appris[br]à ne pas conduire dangereusement ?

0:11:07.276,0:11:10.791
Ai-je dû mourir mille fois[br]dans un accident ?

0:11:10.793,0:11:12.106
(Rires)

0:11:12.106,0:11:15.256
C'est pourtant ainsi que nous entraînons[br]les machines actuellement.

0:11:15.256,0:11:18.340
Donc, elles ne vont pas voler[br]ou ne pas rouler.

0:11:18.340,0:11:19.928
(Rires)

0:11:21.288,0:11:25.657
Nous devons donc entraîner nos modèles

0:11:25.657,0:11:31.294
à devenir capables de générer des images[br]ou des futurs plausibles, à être créatifs.

0:11:31.704,0:11:33.934
On fait des progrès dans ce domaine.

0:11:33.934,0:11:37.457
Nous entraînons ces réseaux[br]neuronaux profonds

0:11:37.463,0:11:40.818
à transiter d'une signification[br]de haut niveau vers le pixel

0:11:40.818,0:11:43.298
plutôt que l'inverse,

0:11:43.307,0:11:46.787
de traverser les niveaux de représentation[br]dans l'autre direction.

0:11:46.787,0:11:50.461
Ainsi, l'ordinateur peut[br]générer des images

0:11:51.191,0:11:55.072
qui sont nouvelles et différentes[br]de ce qu'il a déjà vu auparavant

0:11:55.072,0:11:56.488
pendant son apprentissage,

0:11:57.018,0:12:00.369
mais qui sont plausibles[br]et ressemblent à des images naturelles.

0:12:01.888,0:12:06.332
On peut également utiliser ces images[br]pour rêver des images étranges,

0:12:06.342,0:12:09.492
parfois même effrayantes,

0:12:09.492,0:12:11.795
comme nos propres rêves et cauchemars.

0:12:12.682,0:12:16.847
Voici quelques images synthétisées[br]par un ordinateur

0:12:16.847,0:12:19.826
en utilisant ces modèles[br]d'apprentissage profond.

0:12:19.826,0:12:21.651
Cela ressemble à des images naturelles

0:12:21.651,0:12:24.691
mais un observateur attentif[br]décèlera qu'il s'agit d'autre chose

0:12:25.458,0:12:28.697
et qu'il manque à ces images[br]des détails importants

0:12:28.697,0:12:31.233
pour rendre ces illustrations[br]naturelles à nos yeux.

0:12:31.995,0:12:33.951
Il y a environ 10 ans,

0:12:33.951,0:12:38.921
l'apprentissage non supervisé[br]a joué un rôle crucial dans l'avancée

0:12:38.921,0:12:42.443
que nous avons réalisée[br]dans l'apprentissage profond.

0:12:44.140,0:12:48.055
Seuls quelques rares laboratoires[br]s'y intéressaient, dont le mien,

0:12:48.055,0:12:51.455
à une époque où les réseaux neuronaux[br]n'étaient pas répandus.

0:12:51.455,0:12:55.217
La communauté scientifique[br]les avait presque abandonnés.

0:12:56.394,0:12:58.935
Mais les choses ont beaucoup changé.

0:12:58.955,0:13:01.375
C'est devenu un domaine[br]très concurrentiel.

0:13:01.804,0:13:05.574
Des centaines d'étudiants[br]envoient leur candidature

0:13:05.574,0:13:06.954
pour continuer leurs études

0:13:06.954,0:13:09.784
avec les collaborateurs[br]de mon laboratoire.

0:13:11.010,0:13:16.630
Aujourd'hui, Montréal attire[br]la plus grande concentration académique

0:13:16.637,0:13:19.387
de chercheurs dans l'apprentissage[br]profond dans le monde.

0:13:20.182,0:13:26.115
Nous venons d'obtenir un financement[br]de recherche de 94 millions de dollars

0:13:26.127,0:13:29.797
pour repousser les frontières de l'IA[br]et de la science des données

0:13:29.797,0:13:33.038
et pour transférer[br]vers l'industrie les technologies

0:13:33.038,0:13:36.578
issues de l'apprentissage profond[br]et de la science des données.

0:13:37.249,0:13:40.441
Des entrepreneurs y trouvent[br]une source d'émulation

0:13:40.441,0:13:43.791
et créent des start-ups[br]ou des laboratoires industriels

0:13:43.791,0:13:46.914
souvent proches des universités.

0:13:48.543,0:13:49.625
Par exemple,

0:13:49.625,0:13:54.733
nous venons d'annoncer il y a quelques[br]semaines le lancement d'une start-up

0:13:54.733,0:13:56.507
appelée : « Element AI »

0:13:56.507,0:13:59.605
qui se concentre sur les applications[br]d'apprentissage profond.

0:14:02.262,0:14:05.722
Il n'y a pas assez de spécialistes[br]en apprentissage profond.

0:14:06.355,0:14:10.677
Les salaires sont extravagants,

0:14:11.027,0:14:17.212
conduisant de nombreux anciens collègues[br]à accepter des offres généreuses

0:14:17.228,0:14:20.518
d'entreprises pour travailler[br]dans leurs laboratoires.

0:14:21.081,0:14:25.010
J'ai toutefois décidé[br]de rester à l'université,

0:14:25.010,0:14:27.166
de travailler pour le bien public,

0:14:27.166,0:14:28.886
de travailler avec les étudiants,

0:14:28.902,0:14:30.592
de rester indépendant

0:14:30.596,0:14:33.944
et de montrer la voie à la nouvelle[br]génération de spécialistes

0:14:33.944,0:14:35.294
en apprentissage profond.

0:14:35.294,0:14:41.024
Au-delà de la valeur commerciale de l'IA,

0:14:41.024,0:14:44.654
nous réfléchissons[br]à ses implications sociales.

0:14:46.616,0:14:50.026
Nous sommes nombreux à nous intéresser

0:14:50.026,0:14:55.986
aux applications qui créent[br]de la valeur sociale, comme la santé.

0:14:56.457,0:14:58.956
Nous pensons pouvoir utiliser[br]l'apprentissage profond

0:14:58.956,0:15:02.696
pour améliorer les traitements[br]et vraiment personnaliser la médecine.

0:15:03.956,0:15:05.671
Je suis convaincu qu'à l'avenir,

0:15:05.671,0:15:10.361
la collecte de données sur des milliards[br]de personnes dans le monde

0:15:10.361,0:15:13.856
nous permettra d'offrir un conseil médical

0:15:13.856,0:15:17.576
à des milliards de personnes qui n'ont pas[br]encore accès aux soins de santé.

0:15:17.601,0:15:22.724
On peut imaginer beaucoup d'autres[br]applications avec une valeur sociale.

0:15:23.140,0:15:26.238
Par exemple, notre laboratoire[br]va prochainement sortir un produit

0:15:26.238,0:15:28.582
lié à la compréhension du langage naturel

0:15:29.328,0:15:31.199
qui offre une palette de services

0:15:31.199,0:15:34.509
comme des services légaux,[br]à ceux qui ne peuvent pas se le permettre.

0:15:34.512,0:15:37.342
Nous nous intéressons aussi

0:15:37.342,0:15:41.132
aux implications sociales de l'IA[br]dans ma communauté.

0:15:41.690,0:15:45.121
Mais cette question ne devrait pas[br]intéresser seulement les spécialistes.

0:15:46.026,0:15:49.936
En dépit des mathématiques et du jargon,

0:15:50.666,0:15:53.102
les citoyens peuvent[br]suffisamment appréhender

0:15:53.138,0:15:56.351
ce qu'il se passe sous le capot

0:15:57.001,0:16:01.191
pour participer[br]aux décisions fondamentales

0:16:01.191,0:16:05.433
qui seront prises prochainement[br]et dans les décennies à venir

0:16:05.433,0:16:06.703
au sujet de l'IA.

0:16:07.580,0:16:09.280
Je vous invite donc

0:16:09.930,0:16:16.230
à mettre de côté vos peurs et à ménager[br]un peu d'espace pour vous renseigner.

0:16:17.842,0:16:22.532
Avec mes collaborateurs, nous avons écrit[br]plusieurs articles d'introduction

0:16:22.542,0:16:25.376
et un livre intitulé :[br]« L'apprentissage profond »

0:16:25.376,0:16:29.619
pour inciter étudiants et ingénieurs[br]à s'engager dans ce domaine passionnant.

0:16:30.659,0:16:35.784
Il y a aussi de nombreuses ressources[br]en ligne : logiciels, tutoriels ou vidéos.

0:16:36.310,0:16:41.210
De nombreux étudiants étudient ce domaine

0:16:41.210,0:16:44.548
de recherche sur l'apprentissage profond[br]de manière autodidacte

0:16:44.548,0:16:47.835
afin de rejoindre des laboratoires[br]comme le mien.

0:16:49.370,0:16:55.170
L'impact de l'IA sur notre société[br]sera important.

0:16:56.652,0:17:01.672
Il est donc crucial de se demander :[br]qu'allons-nous en faire ?

0:17:03.368,0:17:07.896
Des bénéfices incalculables peuvent[br]en émaner comme des impacts négatifs :

0:17:07.896,0:17:10.166
des applications militaires

0:17:10.797,0:17:15.357
ou des changements disruptifs[br]sur le marché de l'emploi.

0:17:16.418,0:17:21.629
Pour nous assurer que les choix collectifs[br]qui seront pris au sujet de l'IA

0:17:21.629,0:17:23.074
dans les années à venir

0:17:23.074,0:17:25.144
soient bénéfiques à tous,

0:17:25.144,0:17:28.557
tous les citoyens doivent[br]devenir les protagonistes

0:17:28.557,0:17:32.911
pour définir comment l'IA[br]va modeler notre avenir.

0:17:33.871,0:17:34.891
Merci.

0:17:35.065,0:17:39.395
(Applaudissements)