Catégorie : Bon à savoir

Avec le lancement de la guerre commerciale tous azimuths par les Etats-Unis le mercredi 2 avril, je me suis dit qu’ il est plus que jamais opportun et urgent de se renseigner sur les alternatives digitales européennes disponibles. Cet article fait donc suite à mon billet précédent et va plus loin dans le détails de l’ offre européenne pour les applications numériques de la vie quotidienne.

Voyons donc quelles sont les possibilités européennes en termes de

• suites bureautiques intégrées;
• applications de prise de notes;
• applications de visioconférence et de messagerie instantanée;
• applications de navigation et de cartographie;
• applications de streaming auido et vidéo;
• engins de recherche et navigateurs .

1. Suites bureautiques intégrées et partage de documents

Commençons par les alternatives européennes aux suites applicatives intégrées comme Google Workspace et Microsoft365.

Nextcloud est une plateforme de collaboration open-source assez complète qui permet aux utilisateurs de stocker, partager et synchroniser des fichiers. Nextcloud comprend également des applications de chat et de vidéoconférence ainsi qu’ une suite bureautique appelée Nextcloud Office qui permet de créer et d’ éditer des documents, feuilles de calcul et présentations. Son module Nextcloud Groupware offre également des fonctionnalités d’ email, de calendrier, de contacts et de gestion de tâches.

Proton Suite est une collection d’outils développés Proton Technologies, une entreprise suisse. Elle comprend principalement :

• ProtonMail, un service de messagerie sécurisé;
• ProtonVPN, un réseau privé virtuel;
• Proton Calendar, un service de calendrier;
• Proton Drive, un espace de stockage virtuel pouvant être synchronisé à vos données locales;
• Proton Docs, un éditeur de documents comparable à Google docs;
• Proton Pass, un gestionnaire de mots de passe.

Proton Suite se distingue par son engagement envers la confidentialité et la sécurité des données, ce qui en fait une alternative attrayante pour ceux qui recherchent des solutions respectueuses de la vie privée.

Cryptpad est une suite en ligne développée par la société française XWiki. Elle permet le partage de fichiers et propose une suite d’ outils bureautiques assez complète comprenant le traitement de texte, les feuilles de calcul, les présentations et les kanbans, tous chiffrés de bout en bout.

Parmi les alternatives mentionnées, Nextcloud est la solution la plus complète et la plus largement adoptée dans l’ UE, en particulier par les secteurs de l’ éducation, des soins de santé et les pouvoirs publics.

Par contre Nextcloud me semble fort complexe pour une installation dans un cadre privé.

Proton Suite me semble plus adaptée à une utilisation privée. Elle pourra être complétée par des applications open-source comme LibreOffice pour les traitements de texte, feuilles de calcul et présentations, ou d’ autres applications reprises ci-dessous pour la vidéoconférence ou les messageries instantanées.

2. Applications de prise de notes et services de traduction

J’ utilise beaucoup Notion pour prendre des notes tandis que d’ autres ne jurent que par Evernotes ou Microsoft OneNote . Mais toutes ces applications sont américaines. StandardNotes est une alternative suisse, au design minimaliste et encryptée de bout en bout. Standardnotes est accessible ici.

Pour les traductions, Deepl est un service de traduction automatique développé par une entreprise allemande. Il est disponible en version gratuite et payante. Il est très performant et je l’ utilise régulièrement. Il remplacera avantageusement Google Translate.

3. Services de visioconférence et messageries instantanées

Jitsi est une collection d’applications open-source multiplateformes pour la voix (VoIP), la visioconférence et la messagerie instantanée. Plus spécifiquement, Jitsi propose Jitsi Meet, une application complète de visioconférence. Jitsi est soutenu par diverses institutions, dont l’ Université de Strasbourg, et la Commission européenne.

Whereby est une plateforme de visioconférence sur le web qui se distingue par sa simplicité d’ utilisation, ne nécessitant aucun téléchargement ni inscription pour les invités. La plateforme offre des fonctionnalités telles que le chat intégré, le mode audio uniquement, et des conversations sécurisées sans stockage ni analyse des données audio et vidéo.

En ce qui concerne les messageries instantanées européennes, j’ avais déjà cité Threema et Element dans mon précédent article.

J’ en profite pour compléter le tableau avec l’ application française Olvid, qui est une messagerie instantanée chiffrée et sécurisée. Elle est considérée par l’ Agence Nationale de la Sécurité des Systèmes d’ Information (ANSSI) comme techniquement supérieure à Whatsapp, Signal et Telegram. Olvid ne demande aucune information personnelle comme numéro de téléphone ou adresse mail pour fonctionner. Elle est notamment utilisée par le gouvernement français.

Une autre possibilité est l’ application Wire qui est une messagerie instantanée, chiffrée et sécurisée. Wire est développée par l’ entreprise suisse Wire Swiss GmbH qui compte dans son personnel de nombreux anciens employés de Skype. Elle est disponible gratuitement pour les utilisateurs privés.

4. Applications de navigation et de cartographie

L’ application web allemande HereWeGo offre des services comparables à Google Maps.

Pour la navigation embarquée type Waze, vous pouvez vous tourner vers les apps Osmand, MagicEarth et OrganicMaps. Osmand possède aussi une interface Web similaire à Google Maps accessible ici. Osmand est estonien et MagicEarth est néerlandais.

5. Applications de streaming audio et vidéo

Le streaming audio est un domaine dans lequel la plupart des leaders du marché sont européens : Spotify est suédois, Deezer est français et SoundCloud, une plateforme s’ adressant aux artistes indépendants est allemande.

C’est le tout le contraire dans le domaine du streaming vidéo : Netflix, Amazon Prime Video et Disney+ sont tous américains. Ces géants n’ ont pas à ma connaissance d’ équivalent européen à ce jour. Une solution est de se retourner vers des acteurs traditionnels de la télévision payante comme Canal+ qui offre un service de streaming appelé myCANAL. Cependant ce type d’ offre reste plus axé sur le marché francophone et européen, avec un accent sur le contenu local et les partenariats avec les studios de cinéma.

Youtube est bien entendu américain, mais il existe une alternative française : Dailymotion, actuellement détenue par le groupe Canal+. Deuxième plus grande plateforme de partage de vidéos après YouTube avec environ 112 millions de visiteurs mensuels, Dailymotion permet aux utilisateurs de télécharger et de regarder des vidéos, avec une limite de 60 minutes par vidéo. Dailymotion est gratuit et se finance par la publicité, comme YouTube.

6. Engins de recherche et navigateurs web

Plusieurs engins de recherche européens sont accessibles comme Mojeek, Qwant, Metacrawler et Ecosia.

Ecosia est un moteur de recherche qui plante des arbres avec les profits générés par ses activités.

Qwant et Mojeek sont des moteurs de recherche qui ne tracent pas les utilisateurs. En d’ autres terme, la même recherche donnera les mêmes résultats pour tous les utilisateurs ayant les mêmes paramètres de recherche (notamment le pays d’ origine et la langue).

Enfin, Metacrawler est un moteur de recherche qui utilise plusieurs moteurs de recherche pour donner les résultats.

Concernant les navigateurs web, Vivaldi est développé par la société Vivaldi Technologies, basée en Norvège. Il est connu pour ses nombreuses fonctionnalités intégrées, telles que les onglets empilés, les notes et les captures d’écran. Vivaldi met l’accent sur la confidentialité et le contrôle utilisateur, offrant une alternative aux navigateurs plus traditionnels.

LibreWolf est un navigateur web développé par une communauté internationale mais principalement soutenue par des contributeurs européens. Il est basé sur Mozilla Firefox mais supprime tous les éléments de télémesure et de suivi, offrant ainsi une expérience de navigation plus sécurisée et respectueuse de la vie privée.

Waterfox est un navigateur développé par System1, une société basée au Royaume-Uni. Il est également dérivé de Mozilla Firefox et conçu pour être rapide et respectueux de la vie privée, avec un accent sur la compatibilité des extensions et la performance. Waterfox est une alternative intéressante pour les utilisateurs qui recherchent un navigateur performant sans compromettre leur confidentialité.

L’ Intelligence Artificielle a pour objectif de construire des systèmes qui simulent un comportement intelligent. Ceci reprend un grand nombre de techniques dont l’ apprentissage machine constitue une partie importante. C’est l’apprentissage machine, et plus particulièrement sa déclinaison moderne faisant appel aux réseaux de neurones artificiels, appelée apprentissage profond qui a vu une croissance explosive ces dernières années et se retrouve au coeur de tous les progrès récents (conduite autonome, modèles de langage, générateurs d’image…).

Il me semble donc intéressant de décrire un peu plus en détail les grandes techniques de l’ apprentissage machine, qui se caractérisent par la quantité et le type de supervision qu’ ils reçoivent pendant l’ entraînement.

On distingue de ce fait trois grandes catégories d’ algorithmes :

• l’ apprentissage supervisé;
• l’ apprentissage non supervisé;
• l’ apprentissage par renforcement

Le nombre de techniques et d’ algorithmes utilisés en apprentissage machine est assez important, comme vous le verrez sur la figure ci-dessous. Mon but n’ étant pas ici de faire un exposé exhaustif, je me limiterai à présenter les techniques les plus connues.

L’ apprentissage machine recourt à une démarche inductive qui va chercher à construire un modèle sur base d’ exemples fournis pendant l’ entraînement. Une fois l’ entraînement terminé, le modèle sera utilisé sur d’ autres données. Un modèle bien entraîné va donc tenter de généraliser les corrélations apprises pendant l’ entraînement sur de nouvelles données. Ceci est à contraster avec l’ approche algorithmique de l’ IA classique qui est de nature déductive: un algorithme fixe est appliqué systématiquement à des données et fournit ses conclusions.

1. L’ apprentissage supervisé

C’ est le cas le plus simple à comprendre. Ces algorithmes définissent une correspondance entre des données d’ entrée et des données de sortie. Un modèle supervisé est donc une sorte de boîte noire qui va apprendre à ingérer des données en entrée pour restituer les données en sortie correspondantes. La boîte noire est en réalité une fonction mathématique contenant de (nombreux) paramètres réglables.

Le lien entre données d’ entrée et de sortie est établi lors de l’ apprentissage: on évalue l’ écart entre la réponse désirée et la réponse du modèle. Les paramètres du modèle sont ensuite modifiés de manière à réduire progressivement cette erreur au fil des itérations par des techniques mathématiques qui vont tenter de « dévaler la montagne » de l’ erreur en suivant la direction de la plus forte pente…

Tout cela n’est possible que si les données à la fois d’entrée et de sortie dont de nature numérique, ce qui ne pose en général pas de problème : tout ce qui est stocké sur un ordinateur l’ est sous forme numérique : texte, image, audio…

Une fois l’ entraînement terminé, on introduira des données en entrée et le modèle de produira la sortie correspondante. Bien sûr, cela ne présenterait aucun intérêt si le modèle était seulement capable de répondre aux données d’entrée de l’entraînement : ce que l’ on veut réellement, c’ est que le modèle soit capable de généraliser en répondant de manière plausible à de nouvelles données d’entrée qui ne lui ont jamais été présentées.

Les deux grands exemples classiques d’ apprentissage supervisé en apprentissage machine sont la régression et la classification. La régression est utilisée pour prédire des valeurs numériques telles que le prix, le salaire, l’ âge, etc… Elle aide à prédire les tendances du marché, les prix de l’ immobilier, la consommation électrique etc…

La classification est un processus qui consiste à diviser l’ ensemble des données en différentes classes. Les algorithmes de classification sont utilisés pour classer dans une catégorie/classe telles que Homme ou Femme, Vrai ou Faux, Spam ou Non Spam, etc. Le nombre de de classes peut être supérieur à deux, on pourrait vouloir classer des voitures en fonction de la marque par exemple (on parle de classification binaire ou multiclasse).

L’ apprentissage profond permet d’ étendre ces techniques à des données d’ entrée perceptuelles comme des images ou des sons. Le « détecteur de chat » dans les images qui faisait fureur il y a une dizaine d’ années l’ illustre bien : il s’agit d’ un système de classification d’ image (chat ou pas chat).

Un problème de l’ apprentissage supervisé est qu’ il faut fournir au modèle un ensemble de solutions (les sorties) pour l’ entraînement, ce qui n’ est pas toujours facile et requiert parfois de fastidieux efforts surtout pour les problèmes perceptuels qui demandent un grand volume de données d’ entraînement. Des entreprises entières ont vu le jour, qui mettent à disposition des ressources humaines en grand nombre pour labelliser des images ou autres données d’ entraînement.

2. L’ apprentissage non supervisé

Ce type d’ algorithme se fait sans que l’ entraînement n’ utilise de données de sortie (il est donc « sans supervision »). Le but cette fois n’est pas d’ apprendre une correspondance entre entrée et sortie, mais bien d’ identifier et d’ exploiter la structure sous-jacente dans les données elles-mêmes : un assemblage de mots aléatoire ne constitue pas un texte, et un ensemble de points chosis au hasard ne constituera pas une image interprétable… il y a donc quelque chose de plus dans les données qui nous intéressent. L’ apprentissage non supervisé cherche à identifer ce « quelque chose ».

Les techniques génératives relèvent de l’ apprentissage non supervisé. On y retrouve donc les modèles de langage et des générateurs d’ image.

Dans le cas des modèles de langage, le générateur va chercher à prolonger la séquence de mots qui lui est fournie dans l’ invite (le prompt). Une phrase peut se voir comme une séquence de mots. Le générateur va se baser sur l’ immense volume de textes ingurgités pendant l’ entraînement pour définir le prochain mot qui prolonge la séquence de la manière la plus plausible. Ce mot est ensuite ajouté à la séquence d’ entrée et l’ algorithme est exécuté à nouveau, et ainsi répétitivement jusqu’à génération de la réponse complète.

Les modèles générateurs d’ image vont fonctionner de manière un peu plus étonnante. Cette fois, le modèle va apprendre une représentation compacte des images. La technique utilisée pour apprendre cette représentation est assez indirecte puisqu’on va demander à l’ algorithme de retirer des parasites des images (les « débruiter »), ce qui amène le modèle à extraire les caractéristiques essentielles des images, et donc leur représentation compacte…

La représentation compacte est alors mise en correspondance avec le texte décrivant l’ image (texte qui fait aussi partie des données d’ entraînement). Le modèle va donc apprendre à « débruiter » une image en tenant compte de la description textuelle de cette dernière.

Une fois l’ entraînement terminé, il suffira d’ introduire un texte arbitraire, ainsi qu’une image ne contenant que des parasites. Le modèle va chercher à « débruiter » les parasites en tenant compte du texte que vous avez introduit ce qui, si tout va bien, convergera vers une image originale basée sur votre texte. Je suis bien conscient que ça paraît un peu fou mais c’ est le principe de l’ algorithme Stable Diffusion qui est utilisé par la quasi-totalité des générateurs d’ image actuels…

3. L’ apprentissage par renforcement

Le troisième grand domaine de l’ apprentissage machine est l’ apprentissage par renforcement. Cet apprentissage introduit la notion d’ un agent autonome qui agit dans un environnement et peut effectuer des actions et d’ en constater ensuite les conséquences. Les actions peuvent modifier l’ environnement et également donner lieu à des récompenses (ou des pénalités).

L’ apprentissage par renforcement consiste à apprendre ce qu’ il faut faire – comment associer des situations à des actions – de manière à maximiser le signal de récompense numérique. On ne dit pas au modèle quelles actions il doit entreprendre, mais il doit découvrir les actions qui rapportent le plus en les essayant.

La difficulté de l’ apprentissage par renforcement est que la récompense peut se trouver plusieurs étapes dans le futur, et donc établir quelle action mènera à la plus grande récompense future n’ est pas évident. Pensez à un jeu d’ échecs : la récompense (positive ou négative) n’ arrive que lorsque le jeu se termine par échec et mat. Si vous êtes en début ou en milieu de partie, il faudra probablement de nombreux coups avant que la récompense ne soit obtenue…ce problème est appelé le problème de l’ assignation temporelle du crédit. Lorsque l’ agent apprend à naviguer dans l’ environnement pour obtenir la récompense, il doit aussi équilibrer les stratégies d’ exploration et celles d’ exploitation : après avoir trouvé une approche qui mène à la récompense, faut-il se borner à répéter cette approche (exploitation) ou bien prendre le risque de tenter une nouvelle approche qui pourrait mener à une récompense supérieure (exploration)…

L’ apprentissage par renforcement est un domaine fascinant qui concerne non seulement les machines devant agir dans un environnement (robotique, conduite autonome…), mais nous interpelle aussi sur certains mécanismes de fonctionnement de notre propre cerveau. L’ excellent livre de Max Benett en référence décrit l’ hypothèse selon laquelle certaines structures cérébrales apparues chez les premiers vertébrés il y a environ 500 millions d’ années (et toujours présentes chez nous) exploitent un mécanisme d’ apprentissage par renforcement, qui a ainsi conféré à ces animaux un avantage évolutif, en leur permettant de mettre en place de meilleures stratégies de survie…

Sources et références

• A Brief History of Intelligence: Evolution, AI, and the Five Breakthroughs That Made Our Brains, livre de Max Bennett publié par Mariner Books, ISBN 978-0063286344
  
• Understanding Deep Learning, par Simon J. D. Prince, https://udlbook.github.io/udlbook/
  
• Reinforcement Learning, an introduction, par Richard S. Sutton and Andrew G. Barto, publié par MIT Press, ISBN 978-0-262-04864-4.

Je voulais attirer votre attention sur deux ouvrages récents que je considère très utiles pour une compréhension plus profonde de l’ Intelligence Artificiele et de ses enjeux. Understanding Deep Learning de Simon Prince et Co-Intelligence de Ethan Mollick offrent des perspectives complémentaires et profondément éclairantes sur ces thèmes. Ces livres permettent non seulement de démystifier les aspects techniques de l’ apprentissage profond, mais aussi de réfléchir à notre relation interactive avec l’ IA.

1. Understanding Deep Learning

Le livre Understanding Deep Learning de Simon Prince offre une introduction exhaustive et détaillée aux concepts fondamentaux de l’ apprentissage profond. Le texte est structuré de manière à couvrir les divers aspects de cette discipline en pleine expansion, allant de l’ apprentissage supervisé, non supervisé et par renforcement, jusqu’à l’ examen des implications éthiques de l’ IA.

Le traitement des réseaux neuronaux profonds est particulièrement détaillé. Prince examine comment les couches se composent pour former des architectures complexes et comment ces structures peuvent être optimisées pour diverses applications, en soulignant la différence entre les réseaux peu profonds et profonds. Les chapitres sur les fonctions de perte et les algorithmes d’ optimisation fournissent des bases essentielles pour comprendre comment les modèles sont entraînés.

Un autre point fort du livre est l’ exploration des réseaux convolutifs, essentiels pour les applications de traitement d’ images et de séquences temporelles. Les réseaux de type transformers, qui ont révolutionné le traitement du langage naturel, sont également détaillés, mettant en lumière des architectures comme BERT et GPT-3.

Le livre ne néglige pas les aspects théoriques plus avancés, tels que les flux de normalisation et les autoencodeurs variationnels, qui sont cruciaux pour comprendre les modèles génératifs contemporains. Prince aborde des applications pratiques tout en fournissant les bases mathématiques nécessaires à une compréhension profonde des mécanismes sous-jacents.

La partie finale du livre s’ interroge sur les raisons de l’ efficacité de l’ apprentissage profond et examine les débats en cours sur le nombre et la profondeur des paramètres requis par les réseaux neuronaux. En conclusion, il réaffirme l’ importance de l’ éthique dans la pratique de l’ IA, un sujet qu’il avait introduit au début de l’ ouvrage.

Ce livre se distingue par sa clarté et sa profondeur, rendant le domaine de l’ apprentissage profond accessible tout en offrant une richesse d’ informations techniques pour les praticiens et chercheurs expérimentés. Destiné à un public maîtrisant les sciences exactes et les mathématiques, ce livre constitue une ressource indispensable pour quiconque s’ intéresse ou travaille dans le domaine de l’ Intelligence Artificielle.

2. Co-Intelligence : living and working with AI

Le livre « Co-Intelligence: Living and Working with AI » d’ Ethan Mollick explore l’ intégration progressive de l’intelligence artificielle dans nos vies quotidiennes et professionnelles, et comment nous pouvons apprendre à cohabiter de manière efficace et éthique avec ces nouvelles formes d’ intelligence. Réparti en deux parties principales et un épilogue, le livre aborde les défis et les opportunités que cette coexistence engendre. Contrairement au premier livre, ce livre est accessible à tous les publics et ne nécessite aucune compétence technique particulière.

La première partie du livre s’ attarde sur la création et l’ alignement de cette forme d’ intelligence nouvelle et étrange que représente l’ IA. Mollick commence par discuter de la complexité inhérente à la création de ces intelligences non humaines, soulignant leur nature fondamentalement différente. Il propose ensuite des stratégies pour aligner les objectifs de l’ IA avec les valeurs humaines, un défi crucial pour éviter des conséquences imprévues. Il introduit également quatre règles pour une co-intelligence réussie : toujours inclure l’ IA dans les discussions, conserver l’ élément humain dans la boucle de décision, traiter l’ IA comme une personne à part entière, et partir du principe que l’ IA utilisée aujourd’ hui est la pire version à laquelle nous serons confrontés, impliquant une amélioration continue.

Dans la deuxième partie, Mollick examine les divers rôles que l’ IA peut jouer dans la société. Il souligne tout d’ abord les réactions étonnament humaines des modèles de langages, susceptibles de nous pousser à une certain anthropomorphisme. L’ IA en tant que créatif ouvre de nouvelles avenues dans les arts et la conception mais pose d’ épineuses questions jurdiques. L’ IA utilisée sur le lieu de travail soulève des enjeux autour de la collaboration et de l’ automatisation. L’ auteur explore ensuite l’ impact de l’ IA en tant que tuteur et coach, où elle peut personnaliser l’ apprentissage et offrir un soutien adapté aux besoins individuels.

À travers ce texte, Mollick offre une analyse approfondie et accessible des implications de vivre avec l’ IA. Il ne se contente pas de décrire les technologies actuelles, mais projette les lecteurs dans un futur proche où l’ IA est omniprésente et influente. En posant des principes de base pour une interaction saine et productive, Co-Intelligence: Living and working with AI sert de guide essentiel pour naviguer dans cette nouvelle ère technologique, soulignant la nécessité d’une approche réfléchie et éthique à l’ égard des technologies qui façonnent déjà notre monde.

Conclusion

Bien que Understanding Deep Learning et Co-Intelligence abordent l’IA sous des angles différents, ils sont fortement complémentaires. Alors que Prince nous fournit les outils pour comprendre le « quoi » et le « comment » des technologies, Mollick nous montre « avec qui » et « pour quoi » nous pourrions travailler main dans la main avec ces technologies. Ensemble, ces livres dessinent un tableau plus complet de l’ avenir de l’ intelligence artificielle, un avenir où la compréhension technique et la collaboration humaine se renforcent mutuellement.

Je vous en souhaite bonne lecture.

Référence des ouvrages

• Understanding Deep Learning, par le Prof. Simon J.D. Prince, MIT Press 2023, 544 pages : https://udlbook.github.io/udlbook/
  
• Co-Intelligence : Living and Working with AI, par le Prof. Ethan Mollick, publié par Portfolio, le 2 avril 2024 : https://www.penguin.co.uk/books/460207/co-intelligence-by-mollick-ethan/9780753560778