Chat with us, powered by LiveChat

Intelligence artificielle et informatique quantique : un mariage heureux ?

Le 06/11/2019

2015 avait vu le « Big data », 2016 était submergée par « l’Intelligence artificielle », 2017 n’avait pu échapper à la « Blockchain ». De toutes les vagues technologiques, l’informatique quantique pourrait bien se révéler la plus puissante. Cette technologie de rupture reste à ce jour méconnue, concentrée dans les mains de quelques « Big Tech » alors même que ses potentialités d’application paraissent massives.

Pour mieux saisir la révolution qui s’annonce et s’y préparer efficacement, France Digitale et Wavestone ont mené conjointement une étude pour décrypter les enjeux, les usages actuels et à venir de l’écosystème et les actions à engager. Face aux géants américains et chinois, l’Europe a notamment tout intérêt à se doter d’une véritable «stratégie quantique» pour mobiliser les laboratoires de recherche, les scale-up, les grands groupes, les investisseurs et les pouvoirs publics.

[…]

Domaine « star » de l’informatique ces dernières années, grâce aux prouesses du Machine Learning ou du Deep Learning, l’Intelligence Artificielle (IA) peut-elle franchir un nouveau cap grâce à l’informatique quantique ?

Un facteur d’accélération

En première approche, très certainement : l’IA est gourmande en calcul et vise souvent à résoudre des problèmes d’optimisation, elle constitue donc a priori un sujet idéal pour l’informatique quantique.
Grâce à sa puissance combinatoire, le calcul quantique devrait donc permettre de réduire les temps d’apprentissage et les délais de traitement de nombreuses applications de l’IA, comme par exemple :

Finance – Secteur Public

L’une des applications majeures de l’IA aujourd’hui concerne la détection des fraudes et des comportements « anormaux », véritables enjeux du secteur financier et des services de sécurité des collectivités. L’informatique quantique devrait permettre de mieux identifier et plus rapidement, les patterns correspondants.

Automobile – Mobilité

La combinaison entre l’IA, pour rendre les véhicules autonomes, et l’informatique quantique, pour optimiser de façon centralisée les systèmes à plusieurs milliers de composants, peut ici être redoutablement mise à profit.
Des initiatives notables ont d’ailleurs été largement médiatisées : celle de Volkswagen et D-Wave, qui ont démontré en 2017 les bénéfices de la technologie sur l’optimisation du trafic de 10 000 taxis à Pékin, mais aussi celles de Ford et de la NASA (avec D-Wave là encore) en 2018 pour développer des véhicules autonomes.

Des impacts parfois plus indirects… mais à plus court terme !

L’informatique quantique oblige par ailleurs à revoir fondamentalement la façon de concevoir les algorithmes. Certes, cela oblige à se former à de nouvelles façons de faire, mais cela peut aussi avoir des retombées positives.
Ainsi, Ewin Tang une étudiante à l’Université du Texas améliora en 2018 un algorithme de Machine Learning « classique », pour l’amener au même niveau de performance que l’algorithme quantique publié en 2017. Celui-ci permettait de réaliser des recommandations de films, de livres ou de rencontres de manière exponentiellement plus efficace que les méthodes antérieures.
Sans remettre en cause l’intérêt du quantique, cette anecdote met en exergue un effet de bord intéressant : les recherches algorithmiques quantiques actuelles peuvent avoir des retombées positives à court-terme.

Un catalyseur indéniable, mais pas une baguette magique

L’informatique quantique dynamise dès à présent la découverte de nouveaux algorithmes et pourra considérablement contribuer à réduire la consommation d’énergie nécessaire à l’apprentissage des IA à long-terme. Cela pourra permettre de faciliter l’accès à ces technologies et donner un second souffle à l’IA en débloquant un second palier de développement : des intelligences s’appuyant sur la puissance quantique.
Néanmoins, l’informatique quantique n’est pas une solution miracle à tous les problèmes, et ne devrait pas permettre de traiter les principaux défauts actuels de l’IA :

L’explicabilité des algorithmes :

La capacité à expliquer la prise de décision d’une IA est aujourd’hui limitée et source de méfiance pour ses utilisateurs.

Le biais algorithmique :

L’erreur systématique d’un l’algorithme, liée aux données sur lesquelles il a été entraîné ; et plus globalement la capacité des algorithmes à s’adapter lorsque les données en entrée diffèrent grandement des données avec lesquelles il a été entraîné.

Lire l’intégralité de l’étude

Wavestone et France Digitale -

Les partenaires

Premium Sponsors

Silver Sponsors

Avec le soutien de

Gold Sponsors

Sponsors Hackathon

Sponsors Startup Valley