En mai dernier, le programme AlphaGo développé par la société DeepMind a fait parler de lui en battant pour la troisième fois consécutive Ke Jie, le champion du monde du go – un jeu de stratégie asiatique – grâce à son système intelligent de deep reinforcement learning qui permet au programme de s’enrichir de chaque partie pour progresser. Pierre Langlois, Director EMEA Sales chez Silver Peak, explique à sa façon le machine learning
Difficile en effet d’ignorer le phénomène actuel autour du machine learning – ou apprentissage automatique – et plus largement de l’Intelligence Artificielle (IA), face à leur utilisation croissante et à la médiatisation de chaque nouveau succès. Néanmoins, cette technologie tend à rester obscure pour beaucoup de personnes. Alors que son entrée dans le quotidien des individus se confirme de plus en plus, il est donc important d’en comprendre le concept et les raisons de son adoption croissante.
Le Machine Learning, c’est quoi ?
L’Intelligence Artificielle (IA) est une branche des sciences informatiques sur la théorisation et le développement de systèmes capables d’effectuer des tâches au préalable réservées à une intelligence humaine, telles que la perception visuelle et la prise de décision. Le machine learning est une « sous-partie » de l’IA qui se concentre sur l’analyse de données qui, grâce à des algorithmes, tire des enseignements et prend une décision ou fait une prévision sur un sujet spécifique. Un algorithme est simplement un lot d’étapes qui est assigné à un ensemble de données, exactement comme une recette de cuisine, avec les étapes à suivre et les ingrédients à utiliser. A l’origine, il ne changeait que s’il était modifié manuellement. Actuellement, une part importante de l’approche de l’interconnexion des réseaux est basée sur leur utilisation massive. C’est le cas notamment de l’algorithme de Dijkstra qui permet de trouver le chemin le plus court entre les nœuds d’un graphique. Il est également à l’origine des protocoles de routage interne IP.
Toutefois, contrairement à un algorithme statique tel que Dijkstra, l’apprentissage automatique repose sur un volume conséquent d’informations et d’algorithmes permettant d’apprendre en continu comment exercer une tâche spécifique. Cette technologie n’est pas récente puisque ses bases techniques remontent plus de cinquante ans en arrière, mais ce n’est que récemment que ses mises en application ont commencé à attirer l’attention hors du monde universitaire. Il n’est en effet pas rare qu’un concept reste inexploité pour le grand public pendant de longues périodes jusqu’à ce qu’un ou plusieurs composants de son environnement n’évoluent. Dans le cas du machine learning et de l’IA, la meilleure capacité de traitement des ordinateurs ainsi que la croissance des technologies liées au cloud et au Big Data figurent parmi les éléments déclencheurs de leur popularisation.
De la théorie universitaire à la démocratisation
Le grand public a commencé à se pencher sur l’IA et le machine learning en 1997 lorsque le système Deep Blue de IBM a gagné le championnat du monde d’échecs. L’engouement s’est poursuivi de plus belle en 2011 lorsque Watson, un autre système d’IBM, a remporté le jeu télévisé américain Jeopardy, dans lequel les candidats doivent deviner les questions aux réponses données. Aujourd’hui, le concept s’est étendu au secteur automobile avec le développement des voitures autonomes, sujet de plus en plus médiatisé.
Récemment, Facebook, autre acteur incontournable de l’IA et du machine learning, a développé l’outil DeepText qui extrait la signification des mots publiés par les internautes en analysant leur utilisation contextuelle. Les utilisateurs se voient, par conséquent, proposer des produits qu’ils sont susceptibles d’acheter, en fonction de leurs conversations. Pour aller plus loin, le réseau social a aussi déployé une nouvelle technologie utilisant l’IA capable d’identifier et de proposer un soutien aux personnes susceptibles de se mutiler ou de vouloir mettre fin à leurs jours. De son côté, Amazon, suite à une utilisation interne, a également lancé fin 2016 ses services d’IA.
Quel impact pour les entreprises ?
Cette capacité d’automatisation est assurément la finalité principale du machine learning, qui peut notamment détecter et analyser de lui-même un comportement inhabituel. Dans un futur proche, des systèmes, bien rôdés et basés sur cette technologie, pourront en effet identifier les risques de sécurité et d’intrusions, ainsi que dépanner des problèmes de performance avant même qu’ils n’impactent les utilisateurs. Une autre utilisation, qui sera très probablement bientôt répandue, repose sur la capacité de sélection de chemin intégrée aux solutions SD-WAN. Concrètement, on peut s’attendre à voir une solution SD-WAN spécifiquement développée pour anticiper les encombrements sur un lien WAN donné et réaffecter ce trafic.
L’IA et le machine learning ne sont donc plus des sujets réservés aux chercheurs et aux universitaires. Ces disciplines sont actuellement employées par les professionnels des réseaux pour divers usages, et appelées à se développer encore davantage. Par conséquent, les entreprises en réseau doivent impérativement collaborer avec leurs fournisseurs de services afin d’établir des plans d’action relatifs à l’intégration de cette technologie dans leurs produits et dans leurs solutions. A cette occasion, elles doivent comprendre quelles fonctionnalités seront intégrées, sous quel délai et, pour celles envisageant de déployer une solution SD-WAN, tenir compte de l’IA au moment de choisir leur fournisseur.
