IA

Pour trouver des motifs aussi tordus que « ce qui fait qu'un visage est ce visage », on a eu besoin d'un outil souple. Gonzalez décrit les réseaux de neurones : des structures inspirées, de très loin, du cerveau. Le mot « neurone » est trompeur — il ne s'agit pas de biologie, mais d'une petite fonction mathématique qui reçoit des nombres, les combine, et en ressort un autre. Rien de magique, une opération élémentaire répétée des millions de fois.

Ce qui fait la force de l'approche, c'est l'empilement. On range ces neurones en couches successives. La première couche regarde les pixels bruts et repère des choses simples : un bord, un contraste, une tache de couleur. La couche suivante combine ces bords pour former des motifs plus riches — un coin, une courbe, une texture. Encore au-dessus, on commence à voir émerger un œil, une oreille, le contour d'un museau. À mesure qu'on monte, le réseau passe du détail brut au concept. C'est ce qu'on appelle l'apprentissage profond, et « profond » veut simplement dire : beaucoup de couches.

Reste la question centrale : comment le réseau trouve-t-il les bons réglages ? Au départ, ses millions de nombres internes sont tirés au hasard. On lui montre un premier exemple, il répond n'importe quoi. Gonzalez décrit alors le cœur battant de l'apprentissage : on mesure l'écart entre sa réponse et la bonne, puis on corrige très légèrement chaque réglage pour réduire cet écart. Un pas minuscule, dans la bonne direction, à chaque erreur.

Cette correction porte un nom — la rétropropagation — et c'est elle qui a débloqué tout le domaine. L'idée est de remonter l'erreur depuis la sortie jusqu'aux premières couches, en attribuant à chaque neurone sa part de responsabilité dans la faute. Chacun est ajusté en conséquence. Répété sur des millions d'exemples, ce lent grignotage transforme un réseau qui disait n'importe quoi en un réseau qui se trompe rarement. L'entraînement, au fond, c'est une longue descente : on cherche les réglages qui minimisent l'erreur, pas par raisonnement, mais par tâtonnement guidé.

Une fois la mécanique posée, Gonzalez élargit la focale vers ce qui se joue vraiment quand on confie des décisions à ces systèmes. Le fait central à garder en tête : une IA n'a aucune idée de ce qu'elle fait. Elle calcule une corrélation, elle ne saisit pas un sens. Un modèle qui trie des candidatures ne « comprend » pas une carrière ; il reproduit des régularités trouvées dans les données passées. Si ces données reflètent des discriminations anciennes, la machine les prolonge, avec en prime l'apparence de la neutralité mathématique.

C'est tout le paradoxe des usages. Ces systèmes sont déployés pour accorder un crédit, repérer une tumeur, modérer des millions de messages, recommander une vidéo après l'autre. Ils y sont souvent plus rapides et plus réguliers qu'un humain fatigué. Mais leur force — épouser parfaitement les motifs des données — est aussi leur angle mort : ils héritent des biais qu'on leur donne sans jamais pouvoir les interroger. Gonzalez rappelle qu'un modèle performant en moyenne peut se tromper lourdement sur les cas rares, précisément ceux où l'erreur coûte le plus cher.

Toute l'intelligence artificielle moderne tient dans ce renversement qu'Hugo Gonzalez déroule pas à pas : on a cessé d'écrire des règles pour montrer des exemples, et des machines ont appris à repérer des motifs trop subtils pour qu'un humain les formule. Des couches de calcul simples empilées, un lent ajustement par l'erreur, des montagnes de données — et au bout, des systèmes qui reconnaissent, traduisent, prédisent avec une aisance qui semblait hors de portée il y a quinze ans. Le livre a le mérite de montrer que, sous le mot « intelligence », il n'y a pas de pensée cachée, mais une statistique d'une finesse redoutable.