Beyond disposable AI

Thomas Solignac, CEO, Golem.AI

Beyond disposable AI, Thomas Solignac, CEO, Golem.AI
Regarding the current landscape of AI, we observe that the term “machine learning” appears more in Internet searches than the term “artificial intelligence”, whereas these are in no way synonymous since AI ​​includes machine learning.
There are two types of AI:
Symbolic AI: characterized by an approach based on knowledge and explicit reasoning.
Connectionist AI: characterized by a rather mathematical approach, based on statistics. The machine learning belongs to this category, and it is not limited to networks of artificial neurons, there are also plenty of other techniques.

Why is machine learning so popular, when it is only a subset of artificial intelligence? Firstly, there is certainly a marketing effect, but it is also because machine learning software is very accessible and based on the assumption that their possible dysfunctions are linked to a lack of data. Finally, the digital transformation means an increase of the volume of data, and therefore the desire to develop the AI.

Let’s focus on how to make sense of a text through AI. Most of the time, datasets are manually generated by tagging each word by hand. Then, words are associated with a number, and the software uses mathematical correlations (which evacuate the meaning of the words). There are advantages to this method, since it creates a multilingual AI that can be trained in any language, and no expertise is required for its configuration. Nevertheless, there are serious disadvantages, since the training is extremely long, and creates a black box effect. Indeed, by creating a purely mathematical system working with statistical approximations, the results are not explicable because there is no reasoning with a quantitative method. We are thus moving towards a world of disposable AI: we have to resume the training of a chatbot every time since the beginning, whether to integrate a specific vocabulary or another language. This means we capitalize very little on those algorithms, hence the term disposable AI. We can think of an AI that knows the basic language and the links between words, which is part of a symbolic approach. This method is not widespread today.

French:
Au-delà des IA jetables, Thomas Solignac, CEO et cofondateur de Golem.AI

Concernant le paysage actuel de l’IA, on observe que le terme « machine learning » apparait davantage dans les recherches internet que le terme « intelligence artificielle », alors que ce ne sont en aucun cas des synonymes, puisque l’IA englobe le machine learning.
Il faut savoir qu’il existe deux familles d’IA :
IA symbolique, caractérisée par une approche basée sur la connaissance et un raisonnement explicite.
IA connexionniste, caractérisée par une approche plutôt mathématique, reposant sur les statistiques. Le machine learning appartient à cette catégorie, et il ne se résume pas au réseau de neurones artificiels, il existe également plein de sous-techniques.

Pourquoi le machine learning est-il tellement populaire, alors qu’il ne s’agit que d’une sous-partie d’un plus vaste ensemble qu’est l’intelligence artificielle ? Tout d’abord, il y a certainement un effet marketing, mais c’est également dû au fait que les logiciels de machine learning sont très accessibles, et reposent sur le postulat que leurs dysfonctionnements éventuels sont liés à un manque de données. Enfin, l’explosion du numérique entraine l’augmentation du volume de données, et donc la volonté de développer l’IA.

Focalisons-nous sur la manière de donner du sens au texte grâce à de l’IA. Il s’agit majoritairement aujourd’hui de générer manuellement des jeux de données en étiquetant à la main chaque mot, qui est ensuite associé à un numéro, puis le logiciel utilise les corrélations mathématiques (ce qui évacue le sens des mots). Il existe des avantages à cette méthode, puisqu’elle crée une IA multilingue, pouvant être entrainée dans n’importe quelle langue, et qu’aucune expertise n’est requise pour sa configuration. Néanmoins, il y tout de même des inconvénients, puisque l’entrainement est extrêmement long, et crée un effet boîte noire. En effet, en créant un système purement mathématique fonctionnant avec des approximations statistiques, les résultats ne sont pas explicables puisqu’il n’y a aucun raisonnement du fait de la méthode quantitative. On se dirige ainsi vers un monde d’IA jetables : il faut reprendre l’entrainement d’un chatbot (ou agent conversationnel) à chaque fois depuis le début, que ce soit pour intégrer un vocabulaire spécifique ou une autre langue. Cela signifie que ce sont des algorithmes sur lesquels on ne capitalise que très peu, d’où le terme d’IA jetable.
On peut tout de même faire l’hypothèse d’une IA qui connait le langage de base et les liens entre les mots, ce qui s’inscrit dans une approche symbolique. Cette méthode est très peu utilisée aujourd’hui.

Published by, Bibin Ponnachan, Digital Marketing Strategist, Braincities Lab