L’Institute for Human-Centered AI (HAI) de Stanford mène des recherches sur l’IA avec une approche centrée sur l’humain, inspirée par la richesse et la diversité de l’esprit humain et attentive, à chaque étape, à son impact éthique sur la société. Leur mission : utiliser l’IA pour augmenter les capacités humaines, et non les remplacer.
Recherché et rédigé par les meilleurs spécialistes du monde académique et de l’industrie, la cinquième édition annuelle du rapport AI Index met en lumière les données qui sous-tendent les dernières tendances en IA sur l’année passée. Le rapport compte 230 pages. Dans cet article, nous résumons l’essentiel à retenir de chaque chapitre.
Découvrez quels pays ont le plus progressé en IA, les principaux bassins d’emploi dans le monde, l’état de la régulation, et bien plus encore.
Chapitre 1 : recherche et développement
Résumé du chapitre
L’IA suscite un vif intérêt, et un large éventail de travaux de recherche et développement a vu le jour l’an dernier. Ce chapitre tente de quantifier ces efforts au sein des institutions académiques, des organismes publics et de l’industrie.
Le rapport a constitué le jeu de données suivant à partir de sources publiques : actes de conférences, articles de revues, publications de recherche et brevets. Il analyse aussi les étoiles GitHub des dépôts open source, ainsi que la fréquentation des conférences. De quoi offrir une vue d’ensemble sur l’avancée de la R&D en IA dans le monde.
Points clés
États-Unis et Chine, partenaires de fait en IA
En matière de coopération internationale, les États-Unis et la Chine affichent le plus grand nombre de collaborations sur des publications en IA entre 2010 et 2021, multipliées par cinq depuis 2010 malgré les divergences politiques. Le deuxième tandem le plus proche est le Royaume-Uni et la Chine.
La Chine mène la danse des publications
Avec le plus grand nombre d’articles, de revues, de conférences et de dépôts publiés, la Chine est aujourd’hui en tête de l’activité de recherche en IA.
Les revues scientifiques à un niveau record
En 2021, 51,5 % de l’ensemble des documents liés à l’IA publiés étaient des articles de revues. Globalement, les publications en revues et les dépôts sont à leur plus haut niveau. À l’inverse, le nombre de conférences diminue depuis 2018.
Domaines d’étude en plus forte croissance
Les publications en reconnaissance des formes et en apprentissage automatique ont plus que doublé depuis 2015. En 2021, environ 52 000 et 40 000 articles de recherche ont été publiés dans chacun de ces domaines, respectivement.
Collaborations intersectorielles
Entre 2010 et 2021, les fondations et les établissements d’enseignement ont produit le plus grand nombre de publications intersectorielles en IA. Viennent ensuite les collaborations entre secteur privé et établissements d’enseignement, puis entre administrations publiques et établissements d’enseignement.
Les brevets en IA à un niveau inédit
Avec l’accélération des avancées en IA, chercheurs et ingénieurs se sont précipités pour protéger leurs travaux, les dépôts de brevets affichant un taux de croissance annuel composé de 76,9 %.
Dépôts IA : la nouvelle manière de partager la recherche
La publication de prépublications non encore évaluées par les pairs sur arXiv et SSRN est devenue un moyen privilégié pour les chercheurs en IA de diffuser leurs résultats. En 12 ans, le volume de publications dans les dépôts a été multiplié par près de 30.
Bibliothèques open source les plus populaires
Le rapport compare, sur les sept dernières années, le total des étoiles GitHub de bibliothèques IA open source populaires. Tensorflow arrive en tête, suivi de OpenCV, Keras et Pytorch. Parmi les autres bibliothèques connues sous le seuil des 40 000 étoiles : faceswap, 100-Days-Of-ML-Code et AiLearning.
Chapitre 2 : performances techniques
Résumé du chapitre
Ce chapitre suit les progrès de divers modèles en vision par ordinateur, traitement du langage naturel, parole, recommandation, apprentissage par renforcement, matériel et robotique. Il cherche à quantifier leurs performances à l’aide de jeux d’évaluation reconnus et d’enquêtes professionnelles sur une période de dix ans. Quelques benchmarks utilisés dans le rapport :
|
Vision par ordinateur : image et vidéo |
|
|
Problème d’apprentissage |
Benchmark utilisé |
|
Classification d’images |
ImageNet : précision Top-1 et Top-5 |
|
Détection de deepfakes |
FaceForensics++ : précision |
|
Segmentation sémantique |
Cityscapes Challenge : moyenne de l’intersection-sur-union (IoU) |
|
Reconnaissance d’activités |
Kinetics-400, Kinetics-600, Kinetics-700 : précision Top-1 |
|
Détection d’objets |
COCO test-dev (Common Objects in Context) : moyenne de la précision moyenne (mAP) |
|
Langage |
|
|
Problème d’apprentissage |
Benchmark utilisé |
|
Compréhension de l’anglais |
SuperGLUE : score, SQuAD 1.1 et SQuAD 2.0 : score F1, ReClor (jeu de données de compréhension nécessitant un raisonnement logique) : précision |
|
Résumés de textes |
arXiv : ROUGE-1, PubMed : ROUGE-1 |
|
Inférence en langage naturel |
Stanford Natural Language Inference (SNLI) Abductive Natural Language Inference (aNLI) |
|
Recommandation |
|
|
Problème d’apprentissage |
Benchmark utilisé |
|
Recommandation commerciale |
MovieLens 20M : nDCG@100 (Normalized Discounted Cumulative Gain) |
|
Prédiction du taux de clic |
Criteo : aire sous la courbe (AUC) |
|
Apprentissage par renforcement |
|
|
Problème d’apprentissage |
Benchmark utilisé |
|
Jeux d’arcade |
Atari-57 : score moyen normalisé sur l’humain |
|
Jeux humains : échecs |
Moteurs logiciels d’échecs : classement Elo |
Points clés
Le Big Data, clé du succès
De vastes jeux d’entraînement sont essentiels pour construire des modèles très performants. La quasi-totalité des modèles de pointe, riches de millions de paramètres, sont entraînés exclusivement sur de grands volumes de données pour atteindre d’excellents résultats. Les grandes entreprises technologiques disposent ici d’un avantage, car elles détiennent beaucoup de données.
Une IA plus abordable
Des années d’innovations portent leurs fruits : il est désormais à la portée du plus grand nombre de construire des modèles à grande échelle. Depuis 2018, le coût d’entraîner un classifieur d’images a chuté de 63,6 %. Par ailleurs, le temps d’entraînement s’est amélioré de 95 %. Cette accélération explique en partie la baisse des coûts. D’autres facteurs contribuent également : services cloud dédiés, bibliothèques open source plus efficaces et disponibilité des talents.
Des bras robotiques moins chers
D’après une enquête de l’équipe AI Index, le prix des bras robotiques suit une tendance nette à la baisse. Le prix médian était de 42 000 $ en 2017, et a quasiment diminué de moitié pour atteindre 22 600 $ en 2021.
Cap sur l’imagerie médicale
Selon le rapport, la recherche en vision par ordinateur se tourne vers des applications davantage orientées cas d’usage, comme l’imagerie médicale. D’après leurs données, l’AI Index observe une hausse marquée des travaux utilisant le jeu Kvasir-SEG et CVC-ClinicDB : en 2020, seuls trois articles utilisaient ces données, contre 25 publications pertinentes en 2021.
L’IA manque encore d’aisance linguistique
Bien que des modèles comme SuperGLUE et SQuAD dépassent déjà les humains sur des tâches relativement simples de compréhension de texte, sur des tâches linguistiques plus complexes, comme l’inférence abductive (aNLI), les modèles d’IA restent loin du niveau humain.
Progrès en apprentissage par renforcement général
Au cours des dix dernières années, l’IA s’est montrée performante sur des tâches de renforcement étroites, comme le jeu d’échecs. En 2021, une tendance notable apparaît toutefois : l’amélioration sur des tâches de renforcement plus générales, telles que Procgen, un environnement publié par OpenAI en 2019 qui teste la capacité d’une IA à apprendre des compétences généralisables.
Chapitre 3 : éthique technique de l’IA
Résumé du chapitre
Incontestablement, l’IA a créé d’énormes leviers de valeur pour les entreprises ces dernières années. Mais à mesure que ces modèles de machine learning passent en production, leurs usages ont mis en lumière des limites majeures liées aux biais. Dans de nombreux cas, les modèles sont entraînés sur des données réelles contenant des biais sociaux, accentués ensuite par l’algorithme construit sur ces données.
Ce chapitre tente de quantifier les progrès réalisés pour réduire ces biais, en proposant des évaluations approfondies pour le langage naturel et la vision par ordinateur. Quelques benchmarks mobilisés :
|
Langage naturel |
|
|
Enjeux éthiques |
Benchmarks |
|
Toxicité du langage |
|
|
Stéréotypes |
StereoSet : score selon la taille du modèle |
|
Biais de genre |
|
Points clés
L’éthique de l’IA devient un sujet de fond
La recherche sur l’équité des modèles d’IA s’est envolée : depuis 2014, le nombre de publications progresse de 71 % par an. Des biais observés dans des modèles commerciaux ont conduit à des discriminations à l’encontre de sous-groupes dans des applications réelles, par exemple le scoring de cartes de crédit. Cela a suscité un vif intérêt, tant chez les chercheurs que dans les entreprises, pour développer des modèles plus équitables.
Les grands modèles de langage restent biaisés
Des modèles de pointe massifs, totalisant des centaines de milliards de paramètres comme GPT-3, excellent sur de nombreuses tâches linguistiques. Leur innovation technique : l’entraînement bidirectionnel de transformeurs avec mécanisme d’attention. Mais de nouvelles données montrent que leur échelle les rend aussi plus sujets à intégrer et amplifier les biais présents dans leurs vastes corpus d’entraînement.
Les modèles multimodaux présentent davantage de biais
À l’instar des grands modèles de langage, les modèles texte-image multimodaux tels que DALL·E 2 dévoilent un large éventail de capacités grâce à un entraînement massif où texte et image sont traités comme un flux de données unique. Résultat : des images photoréalistes de très haut niveau à partir de simples invites textuelles, mais aussi des sorties qui reflètent des stéréotypes et des biais sociétaux.
Chapitre 4 : économie et éducation
Résumé du chapitre
Ce chapitre étudie l’impact de l’IA sur l’économie et l’éducation. Le rapport a agrégé des données publiques de LinkedIn, de la Computing Research Association, de McKinsey, de Netbase Quid et d’EMSI Burning Glass. Il analyse aussi les effets de l’IA sur l’emploi : recrutement, demande de main-d’œuvre et diffusion des compétences.
Points clés
Des investissements au plus haut
En 2021, les startups IA ont levé 93,5 milliards de dollars, soit le double de 2020. En revanche, le nombre de nouvelles startups financées est passé de 1 051 en 2019 à 746 en 2021. L’année 2021 a compté 15 tours de table de 500 millions de dollars ou plus.
Les États-Unis misent sur l’innovation en IA
Les États-Unis concentrent les investissements privés les plus importants en IA et le plus grand nombre de nouvelles entreprises financées, respectivement presque deux et trois fois plus que la Chine, deuxième.
Le cloud, priorité des financements
Les entreprises de gestion et de traitement des données dans le cloud, comme Databricks, ont reçu le plus de financements privés. La santé et la fintech suivent.
Régions les plus dynamiques pour l’emploi en IA
La Nouvelle-Zélande, Hong Kong, l’Irlande, le Luxembourg et la Suède affichent la plus forte croissance d’offres d’emplois en IA entre 2016 et 2021.
Panorama des emplois IA aux États-Unis
La Californie, berceau de la Silicon Valley, publie le plus d’offres, avec 2,3 fois plus que le Texas, deuxième. Rapporté au volume global d’offres de chaque État, Washington D.C. est toutefois celui où la part d’offres en IA est la plus élevée.
L’IA, spécialité phare des thèses en informatique
Sur la dernière décennie, l’apprentissage automatique et l’intelligence artificielle sont la spécialité la plus prisée chez les titulaires d’un doctorat en informatique. En 2020, un doctorant en informatique sur cinq s’est spécialisé en IA.
Chapitre 5 : politiques publiques et gouvernance de l’IA
Résumé du chapitre
Ce chapitre décompose les textes législatifs et réglementaires touchant l’intelligence artificielle dans le monde. Il montre comment pays et régions s’organisent pour intégrer ces technologies tout en plaçant le bien-être des populations au centre. Les chercheurs ont analysé les politiques publiques à l’échelle mondiale et quantifié les propositions et lois adoptées mentionnant l’intelligence artificielle.
Points clés
De plus en plus de pays régulent l’IA
Le rapport a analysé le nombre de textes liés à l’IA (contenant le mot-clé « intelligence artificielle ») adoptés dans 25 pays entre 2016 et 2021. Il met en évidence une forte hausse des lois adoptées sur les deux dernières années. L’Espagne, le Royaume-Uni et les États-Unis sont en tête, avec trois lois chacun.
Les États-Unis en tête des propositions de loi
Les archives législatives américaines montrent une hausse marquée des propositions de loi pour réguler l’IA. En 2021, 130 textes ont été proposés au Congrès, mais seuls 2 % ont été promulgués.
Législation au niveau des États américains
Aux États-Unis, la question de l’IA est débattue à l’échelle du pays : 41 États sur 50 ont proposé au moins un texte entre 2012 et 2021. Les trois États les plus actifs :
- Massachusetts (40)
- Hawaï (35)
- New Jersey (32)
Démocrates vs Républicains
Au niveau des États, l’analyse par parrainage politique révèle que les Démocrates soutiennent davantage la législation sur l’IA que les Républicains, un écart qui s’est creusé au fil du temps. En 2021, les Démocrates ont parrainé 39 textes de plus.
Mentions de l’IA dans les auditions parlementaires à l’échelle mondiale
AI Index a analysé les transcriptions d’auditions de 25 pays contenant le mot-clé « intelligence artificielle » entre 2016 et 2021. En six ans, les mentions d’IA ont été multipliées par 7,7, pour atteindre 1 323 occurrences en 2021.
Rester à la page sur l’IA
Le domaine de l’IA évolue sans cesse, et des millions d’experts travaillent partout dans le monde pour y contribuer. Pour suivre ses avancées, explorez les ressources ci-dessous.