L’intelligence artificielle (IA) fait désormais partie intégrante de nos vies. Cela a donné naissance à des assistants intelligents qui assument des tâches qui, autrement, prendraient beaucoup de temps et d’efforts aux humains – dans la médecine, les affaires et l’industrie, par exemple. Pour ce faire, les assistants intelligents nécessitent de grandes quantités de données. Les « graphiques de connaissances » sont l’un des mécanismes privilégiés pour représenter les données ici, car ils peuvent être compris à la fois par les humains et les machines et garantissent que les informations sont traitées de manière logique. Ils sont considérés comme essentiels pour un certain nombre de technologies populaires telles que les moteurs de recherche Internet et les assistants numériques personnels. Cependant, les approches d’apprentissage automatique existantes pour les graphes de connaissances présentent encore certaines lacunes, notamment en ce qui concerne l’évolutivité, la cohérence et l’exhaustivité. Un autre problème est qu’ils ne répondent pas au besoin humain d’intelligibilité. Des chercheurs de l’Université de Paderborn travaillent actuellement sur un projet de recherche à grande échelle pour développer un apprentissage automatique explicable pour les graphes de connaissances à grande échelle. Le Centre national de recherche scientifique « Demokritos » en Grèce, le Centre satellitaire de l’Union européenne (SatCen) en Espagne, l’Université d’Amsterdam aux Pays-Bas ainsi que les sociétés DATEV et webLyzard technology sont également impliqués dans le projet ENEXA*. La recherche est financée pour une période de trois ans à hauteur d’environ 4 millions d’euros dans le cadre du programme Horizon Europe de l’UE.
Explicabilité de l’intelligence artificielle
“Les approches actuelles d’explication basées sur l’apprentissage automatique sont souvent basées sur un processus ponctuel dans lequel l’IA ne prend pas en compte si l’humain recevant l’explication a vraiment compris ce qui est expliqué”, explique le professeur Axel-Cyrille Ngonga Ngomo, qui dirige le groupe de travail sur la science des données à l’université de Paderborn. En d’autres termes : il n’y a pas de conversation entre l’expéditeur et le destinataire. Ngonga ajoute : “Le problème peut être surmonté grâce à la co-construction d’explications, dans laquelle les destinataires – c’est-à-dire les humains – sont davantage impliqués dans le processus d’explication basé sur l’IA, avec des explications produites non seulement pour eux, mais avec eux”.
Centré sur l’humain : apprentissage automatique pour des applications à grande échelle
Le concept de co-construction n’a pas encore été utilisé pour les graphes de connaissances. Les chercheurs se sont donc fixé pour objectif de développer des approches d’apprentissage automatique explicable pour des graphes de connaissances particulièrement volumineux, en mettant l’accent sur le calcul rapide de modèles et les explications centrées sur l’humain. Ngonga parle de travail de pionnier : “Pour atteindre cet objectif, ENEXA concevra de nouvelles approches hybrides d’apprentissage automatique capables d’exploiter simultanément plusieurs représentations de graphes de connaissances. Les solutions développées répondront aux exigences d’exécution du monde réel et rendront l’apprentissage automatique explicable accessible pour des applications à grande échelle telles que les moteurs de recherche Internet, la comptabilité, le marketing de marque et l’analyse prédictive de l’imagerie satellite. En utilisant l’apprentissage automatique hybride pour les grands graphes de connaissances et pour les expliquer, ENEXA ouvrira la voie à la mise en œuvre de modèles explicatifs de la sociologie et de la psychologie dans l’apprentissage automatique. Ceci est important car les gens doivent souvent prendre des décisions sans toujours être clairs sur les faits, ce qui peut alors avoir des conséquences importantes.
Avantages pour l’industrie
L’utilisation de l’IA pour les graphes de connaissances présente également des avantages pour l’industrie. Selon les chercheurs, il y a cependant certains problèmes ici : « Les cadres d’extraction et de stockage de connaissances capables de traduire des données industrielles en grands graphes de connaissances et de stocker les résultats de manière distribuée sont encore rares. Développer des algorithmes d’IA évolutifs capables de calculer des prédictions pour des ensembles de données volumineux, incohérents ou incomplets dans un délai raisonnable pose également toujours un défi. Un autre défi consiste à fournir des techniques pour produire des explications compréhensibles à partir de résultats générés par la machine, afin de garantir la fiabilité des modèles calculés », explique Ngonga. L’équipe travaille donc au développement d’algorithmes répondant à ces exigences clés.
Le chemin vers l’objectif : trois cas d’utilisation
“L’objectif principal d’ENEXA est de concevoir des approches d’apprentissage automatique explicables pour les graphes de connaissances qui surpassent considérablement l’état de l’art en termes de temps d’exécution, de quantité de données à traiter (évolutivité), d’incohérence des données (robustesse) et de qualité des explications”, résume Ngonga. Trois cas d’utilisation ont été choisis pour appliquer et valider ces approches dans le cadre du projet. Le premier est en coopération avec la société DATEV, qui traite plus de 60 millions de reçus numériques par mois d’environ 960 000 PME et institutions publiques allemandes. Ces reçus comptables pertinents doivent être classés correctement et interprétés pour générer des enregistrements de comptabilisation valides et conformes à la loi. Dans ce processus, la qualité et la traçabilité jouent un rôle crucial, afin de minimiser les erreurs et donc les coûts et de garantir le respect des exigences légales. La qualité des résultats d’automatisation dépend fortement de la base de données et de sa préparation pour l’apprentissage automatique. En coopération avec les scientifiques, de nouvelles approches pour des processus plus efficaces et donc économes en ressources doivent être recherchées au cours du projet à l’aide de graphes de connaissances.
Le deuxième cas d’utilisation est réalisé en collaboration avec le Centre satellitaire de l’Union européenne (SatCen), une agence de l’UE située en Espagne. SatCen fournit des produits et services de renseignement géospatial résultant de l’exploitation des actifs d’observation de la Terre et des données collatérales. L’une de ces sources est constituée par les données des satellites Sentinel. Ces satellites d’observation de la Terre font partie du programme Copernicus de l’Union européenne et produisent d’énormes volumes de données qui peuvent être combinés avec des graphes de connaissances géospatiales pour en extraire efficacement les informations pertinentes. L’équipe d’ENEXA cherche à développer de nouvelles techniques de graphes de connaissances pour améliorer la gestion et l’analyse de ces données.
Le troisième cas d’utilisation concerne l’amélioration des stratégies de communication de marque en coopération avec la technologie webLyzard. L’entreprise utilise des graphes de connaissances comme connaissances de base pour associer les connaissances affectives aux marques grand public et prédire les développements futurs afin de dériver des stratégies basées sur les données. La technologie webLyzard traite jusqu’à 100 millions de documents par jour. L’objectif est d’obtenir des résultats de classification significatifs qui conduisent les entreprises à diffuser des communiqués de presse ou à placer des publicités en ligne pour promouvoir leur contenu à des intervalles de temps spécifiques qui maximisent la portée parmi des groupes cibles spécifiques. Les approches actuelles ne permettent pas de gérer ce volume de données.
Interdisciplinarité
Un certain nombre de chercheurs de diverses disciplines travaillent ensemble pour assurer le succès du projet ENEXA, notamment des linguistes informatiques, des psychologues, des informaticiens et des développeurs de logiciels. Cette démarche collaborative vise à apporter de nouvelles réponses aux enjeux sociaux, économiques et entrepreneuriaux en lien avec l’intelligence artificielle. Il s’agit essentiellement de la participation humaine aux systèmes sociotechniques. L’équipe s’attend à voir les premiers résultats dès 2023.
De plus amples informations peuvent être trouvées ici : http://enexa.eu.
*ENEXA signifie «Efficient Explainable Learning on Knowledge Graphs».
Clause de non-responsabilité: AAAS et EurekAlert ! ne sont pas responsables de l’exactitude des communiqués de presse publiés sur EurekAlert! par les institutions contributrices ou pour l’utilisation de toute information via le système EurekAlert.
