Optimisation : l’IA à la recherche de la solution optimale

Par Dana Pizarro, chercheuse à l’Institut interdisciplinaire d’intelligence artificielle de Toulouse (ANITI - Artificial and Natural Intelligence Toulouse Institute) à la Toulouse School of Economics - Research

Nous sommes quotidiennement confrontés à des problèmes d’optimisation. Nous avons un objectif et nous cherchons le meilleur moyen de l’atteindre, en prenant en compte toutes les contraintes imposées.

Ainsi, par exemple, si nous disposons d'une voiture autonome et que nous lui confions le calcul de l'itinéraire le plus court à emprunter le matin pour aller au travail, en respectant la contrainte de passer récupérer une collègue ou déposer les enfants à l’école, elle va chercher à résoudre un problème d'optimisation.

Il n'est pas toujours facile de résoudre un problème d'optimisation. Des éléments, comme le nombre de variables ou le type de contraintes, peuvent compliquer l’exercice. La recherche de la meilleure solution peut prendre du temps et devenir complexe. Des algorithmes d'approximation sont ainsi utilisés, afin de trouver de « bonnes » solutions, même si elles ne sont pas optimales, dans un temps raisonnable.

Tous les problèmes ont-ils une solution optimale ?

Certains problèmes n’ont pas de solution. D’autres peuvent avoir une solution unique ou encore plusieurs solutions. Reprenons l’exemple où une voiture autonome est chargée de calculer l’itinéraire le plus court qui nous permet d’aller au travail et de déposer nos enfants à l’école.

Si l’école se trouve sur une île totalement isolée de la ville par une rivière, sans aucune liaison, il n’y a pas de solution au problème. S’il existe plusieurs trajets pour aller de la maison à l’école et de l’école au travail et que l’un d’eux passe par l’autoroute, il est donc l’itinéraire le plus rapide. La solution optimale est unique. En revanche, s'il y a plusieurs trajets avec la même durée minimale, chacune de ces routes sera une solution optimale au problème. C’est souvent le cas de figure rencontré, lorsque l’on cherche un itinéraire sur un GPS.

Des trajets terrestres et aériens optimisés

L'optimisation est largement utilisée dans de nombreuses applications en intelligence artificielle.  Au sein de l’Institut interdisciplinaire d’intelligence artificielle de Toulouse, les chercheurs améliorent par exemple la planification de réseaux électriques. Comme il est généralement difficile de trouver la solution optimale à de tels problèmes, le problème général est ici remplacé par une série de problèmes plus simples résolubles efficacement. À partir de ces solutions, il est possible d’obtenir une bonne solution au problème global initial.   

Des outils d'optimisation sont également utilisés pour prendre des décisions dans le domaine du transport terrestre et aérien. Les chercheurs, industriels et opérateurs s’appuient sur ces techniques pour traiter différentes actions, telles que le séquencement à l’atterrissage, le roulage, l’allocation des pistes et des portes…

Au-delà des secteurs techniques, l’optimisation en IA trouve sa place dans des domaines plus surprenants, comme la création de poèmes. Le chercheur en neurosciences Tim Van de Cruys a conçu « Charles », un système automatique qui rédige de la poésie à partir d'informations disponibles sur Internet. Des techniques d’optimisation appliquées à l’entraînement de ses réseaux neuronaux lui permettent de produire un texte efficacement, même s’il n’en comprend pas le sens.

L’IA, sous la forme d’une voiture autonome ou d’un robot poète, est capable de fournir des solutions optimales, des poèmes ou des trajets qui vont dans le bon sens…

Illustration de Cyril Hermosilla