Intelligence artificielle (IA) au Canada

Contexte historique

Bien avant la création des premiers ordinateurs, l’idée qu’une machine puisse agir comme un humain fascine plusieurs penseurs partout dans le monde. Ces créatures mythiques comprennent notamment le personnage grec Talos, un guerrier géant fait de bronze destiné à être le gardien de l’île de Crête. Une légende chinoise raconte l’histoire d’un homme mécanique conçu par l’ingénieur Yan Shi qui est présenté au roi de la dynastie Zhou au 10^e siècle avant notre ère. Au cœur de la mythologie juive se trouve le Golem, qui est une créature faite d’ argile qui peut exécuter les ordres de son créateur à l’aide de sorts magiques. Plus généralement, l’animisme, soit la croyance que les objets et les êtres vivants non humains possèdent un esprit animé et peuvent interagir avec l’intellect humain, est un élément important de plusieurs religions du monde, y compris les pratiques spirituelles des peuples autochtones de l’Amérique du Nord. Ces contextes culturels sous-tendent la fascination humaine pour la création d’une intelligence artificielle.

Grâce à l’accès aux technologies de métallurgie de précision, plusieurs sociétés du monde entier commencent à développer des automates, c’est-à-dire des appareils mécaniques capables d’imiter partiellement le comportement humain. En 807, Haroun al-Rashid, le calife abbasside de Bagdad, envoie en cadeau à Charlemagne, empereur du Saint-Empire romain, une horloge mécanique spectaculaire agrémentée de 12 cavaliers mécaniques. Dans le Livre de la connaissance des procédés mécaniques (vers l’an 1206), l’ingénieur mécanique turc al-Jazari décrit des plans pour créer un orchestre mécanique alimenté par la pression de l’eau.

Au cours de la Renaissance européenne, l’inventeur et humaniste italien Léonard de Vinci (1452-1519) conçoit un chevalier mécanique entièrement blindé, ainsi que plusieurs figurines mécaniques installées dans des horloges d’églises de certaines villes allemandes, comme Nuremberg. Au tournant du 18^e siècle, les artisans français et suisses produisent des automates qu’on peut toujours voir dans des musées de nos jours. Parmi de célèbres exemples de ces automates, on trouve un garçon mécanique de la taille d’une poupée qui peut écrire à l’encre, créé par l’horloger suisse Pierre Jaquet-Droz, et une œuvre du Français Jacques de Vaucanson intitulée le Canard Digérateur, qui est un oiseau mécanique qui impressionne le public en ingérant de la vraie nourriture et, apparemment, en l’expulsant par la suite. Les colons français et anglais apportent des automates au Canada. Par exemple, une poupée mécanique du 19^e siècle conçue par l’artisan Léopold Lambert fait partie de la collection du Musée McCord de Montréal.

Premières utilisations de l’électronique dans les recherches sur l’IA

Bien que les automates mécaniques puissent reproduire certains comportements humains, leur « intelligence », soit leur habileté à atteindre des objectifs complexes et modifiables dans un contexte social, s’avère simpliste et unidimensionnelle. Cependant, avec le développement des ordinateurs numériques électroniques dans les années 1930 et 1940, les scientifiques commencent à croire que les appareils de calcul peuvent être conçus de manière à adopter un comportement intelligent en reproduisant le fonctionnement du cerveau humain.

Les pionniers de l’informatique, comme Alan Turing du Royaume-Uni, sont fascinés par la manière dont les machines numériques se rapprochent et se différencient du cerveau humain et par la façon dont elles peuvent être programmées pour penser (et peut-être même ressentir) comme les humains. En 1943, les Américains Warren S. McCulloch, spécialiste des neurosciences, et Walter Pitts, logicien, formulent un concept théorique de « neurone artificiel », marquant ainsi l’une des premières tentatives d’imitation du fonctionnement du cerveau humain à l’aide de charges électriques.

À la fin de la Deuxième Guerre mondiale, les ordinateurs électroniques deviennent plus facilement accessibles aux chercheurs universitaires, gouvernementaux et militaires, qui commencent à les programmer pour accomplir des tâches autrefois considérées comme réservées à l’esprit humain. Ces tâches comprennent la résolution de problèmes mathématiques complexes et la compréhension de phrases dans certaines langues comme l’anglais, le français et le russe.

Le saviez-vous?
Le jeu d’échecs faisait partie des activités qui ont le plus intéressé les chercheurs en IA, et ceux-ci ont commencé à créer des logiciels de jeu d’échecs dans les années 1940. L’idée d’automates jouant aux échecs a été introduite au 18^e siècle, alors qu’un « Turc mécanique » faisait la tournée des cours royales d’Europe et impressionnait les curieux grâce à son apparente capacité à jouer aux échecs. Le Turc mécanique s’est avéré être une supercherie (un opérateur humain était glissé à l’intérieur du mécanisme), mais les échecs sont toutefois demeurés un défi logique évident pour la recherche en IA. La défaite du champion d’échec mondial Gary Kasparov par l’ordinateur Deep Blue de IBM en 1997 a marqué un tournant dans la recherche en IA.

En 1950, Alan Turing conçoit ce qu’il appelle le « jeu d’imitation », aujourd’hui mieux connu sous le nom de « test de Turing ». Alan Turing propose d’abord un scénario où un interrogateur humain assis dans une pièce doit deviner lequel des deux individus assis dans une autre pièce est un homme et lequel est une femme en se basant uniquement sur leurs réponses écrites. Il suggère ensuite d’échanger l’homme par un ordinateur. « L’interrogateur se trompera-t-il aussi souvent avec cette version du jeu que lorsque les candidats sont un homme et une femme? », se demande Alan Turing. « Dans ce cas », déclare-t-il, « on pourrait considérer qu’une machine est capable de penser ».

Le test de Turing est aujourd’hui simplifié et réfère à la capacité d’un ordinateur de faire croire à un humain qu’il est lui aussi humain, avec un grand pourcentage de réussite. Cependant, la formule originale d’Alan Turing relève le fait que les genres et les autres formes d’identité humaine peuvent remettre en question la compréhension simpliste et uniforme de l’intelligence humaine.

Naissance du domaine de l’IA

L’intelligence artificielle prend forme en tant que sous-domaine de l’informatique, de la science cognitive et de l’ingénierie au début des années 1950. Un moment important dans son développement a lieu au Dartmouth College au New Hampshire, lors de l’été 1956. Plusieurs universitaires travaillant dans des institutions américaines, y compris Marvin Minsky de Harvard, Allen Newell et Herbert Simon du Carnegie Institute of Technology, Claude Shannon de Bell Labs et John McCarthy de Dartmouth, s’y réunissent pendant deux mois pour « découvrir comment faire en sorte que les machines utilisent la langue, forment des abstractions et des concepts, résolvent des types de problèmes réservés à l’intellect humain et s’améliorent elles-mêmes ». Selon John McCarthy, les premières recherches en IA se concentrent surtout sur la manière de « considérer l’ordinateur comme un outil pour résoudre certains types de problèmes ». L’IA est donc « créée comme une branche de l’informatique et non de la psychologie », une décision qui façonne profondément l’histoire de ce domaine en le séparant des sciences sociales.

La question de savoir s’il faut comparer l’intelligence artificielle à l’intelligence humaine continue de faire l’objet d’un intense débat. Ce débat sous-tend également une division conceptuelle importante dans la recherche sur l’IA; celle entre la recherche d’une intelligence artificielle générale et l’intelligence artificielle appliquée. L’intelligence artificielle générale, ou l’IA forte, désigne les systèmes machines qui sont dotés de capacités cognitives égales ou supérieures à celles d’un être humain. L’intelligence artificielle appliquée, ou l’IA faible, désigne les systèmes machines qui sont capables d’accomplir des tâches particulières inspirées de la cognition humaine.

Les chercheurs des années 1950 et 1960 commencent à étudier la traduction automatique, l’apprentissage automatique et les approches de la logique symbolique en IA. Les débuts des recherches en IA tendent à se concentrer autour de deux approches. La première consiste à développer des langages de programmation symboliques pour un usage général, comme ceux capables de comprendre des commandes écrites dans des langues humaines comme l’anglais. La deuxième consiste à encoder de grandes quantités de connaissances spécialisées et à utiliser les machines pour tirer des conclusions pertinentes à partir de ces connaissances. Les limites techniques des ordinateurs de l’époque posent des défis aux premiers chercheurs. Les méthodes de recherche exhaustive et d’apprentissage statistique ne permettent pas d’accomplir des tâches cognitives à une vitesse proche de celle d’un humain moyen.

De l’âge d’or à « l’hiver de l’IA »

Malgré de grandes ambitions et quelques succès initiaux impressionnants, le principal résultat pratique des débuts de la recherche en IA est le développement d’outils informatiques de base. Certains de ces outils, aujourd’hui souvent tenus pour acquis, incluent les langages de programmation de traitement de listes, comme LISP (inventé par John McCarthy entre 1956 et 1958 et encore utilisé aujourd’hui), et le partage de temps (qui permet à plusieurs personnes d’utiliser les capacités de traitement d’un ordinateur au même moment).

En raison de notre héritage bilingue, les Canadiens ont une longue tradition de recherche sur la traduction automatique. Au milieu des années 1970, un groupe de l’ Université de Montréal développe ce qui est alors le seul système de traduction entièrement automatique et de haute qualité utilisé quotidiennement. Connu sous le nom de système MÉTÉO, il traduit les prévisions météorologiques standardisées du Centre météorologique canadien situé à Dorval, une banlieue de Montréal. Un système bien plus sophistiqué est plus tard développé par le même groupe pour la traduction de manuels d’entretien des avions. Même si la qualité de la traduction est considérée comme plutôt élevée, le financement gouvernemental pour le deuxième projet est abandonné en 1981, car les coûts de la révision des traductions du système et la mise à jour de son dictionnaire rendent son utilisation peu rentable. Le système MÉTÉO est cependant utilisé jusqu’en 2001.

En 1973, la Société canadienne pour l’étude de l’intelligence par ordinateur (aujourd’hui nommée l’Association pour l’intelligence artificielle au Canada) est fondée à l’Université Western Ontario (aujourd’hui l’Université Western) par des chercheurs universitaires de partout au pays.

Les années 1970 voient également la première utilisation commerciale de machines pouvant réfléchir en fonction d’une base de données compilée par des experts humains. Ces « systèmes experts » sont utilisés pour soutenir le développement de domaines d’expertise plutôt précis, y compris les diagnostics médicaux avancés, les analyses chimiques, la conception de circuits électriques et la prospection de minéraux. L’expert minier canadien Alan Campbell collabore à la mise au point d’un système de prospection IA très connu, soit PROSPECTOR, qui est développé à l’Université Stanford en Californie.

D’autres logiciels d’IA émergent dans les années 1970, et ils peuvent réussir à « comprendre » un éventail limité de langues écrites et parlées. Certains peuvent également examiner visuellement des configurations, comme des pièces moulées en métal ou des puces de circuits intégrés sur une chaine de montage.

Toutefois, le succès mitigé des traductions automatiques durant cette période est décevant pour les agences de financement gouvernementales. Les coûts élevés et les minces possibilités d’applications concrètes de l’IA sont bien loin des affirmations optimistes de plusieurs chercheurs. À partir du milieu des années 1970, le premier « hiver de l’IA » s’installe, alors que les gouvernements en Amérique du Nord et en Europe réduisent leur financement pour la recherche sur l’intelligence artificielle.

Les années 1980 et la « cinquième génération » de l’informatique

Au début des années 1980, le Japon, suivi de près par le Royaume-Uni et la Communauté économique européenne, annonce d’importants programmes nationaux visant à développer ce qu’on appelle parfois des systèmes informatiques d’IA de « cinquième génération ». Le gouvernement japonais les déclare comme une étape importante de la sophistication technologique, au-delà des ordinateurs à microprocesseurs de « quatrième génération » qui sont développés à la fin des années 1970. Ces systèmes d’IA reposent sur le modèle d’encodage de connaissances spécialisées dans les machines. Ils sont également basés sur le traitement parallèle, soit l’utilisation simultanée de plusieurs processeurs pour analyser des données à grande échelle. Ces améliorations du matériel et des logiciels informatiques mènent les chercheurs de partout dans le monde à prédire des avancées importantes en IA.

Dans le contexte de l’enthousiasme pour l’informatique de cinquième génération, un certain nombre de groupes privés et de ministères gouvernementaux commencent à reconnaitre l’importance de la recherche en IA pour l’avenir du Canada. Ils reconnaissent également la nécessité de soutenir la recherche universitaire et industrielle dans le domaine de l’IA au Canada. L’Institut canadien de recherches avancées (CIFAR) est fondé en 1982 pour promouvoir la recherche novatrice dans des domaines d’importance stratégique. Il choisit l’IA et la robotique comme premier point d’intérêt avec le programme Intelligence artificielle, robotique et société, qui est lancé en 1983. Des groupes de recherche spécialisés en IA sont également déjà actifs dans plusieurs provinces (notamment en Alberta, en Colombie-Britannique, en Ontario et au Québec).

À la fin des années 1980, un groupe de douzaines d’entreprises canadiennes forment Precarn Associates, un consortium visant à promouvoir la recherche appliquée à long terme en technologies d’IA. En facilitant la collaboration entre l’industrie, le gouvernement et les chercheurs universitaires, le groupe contribue au développement de nouvelles applications commerciales de l’IA et il aide les compagnies canadiennes à être compétitives sur les marchés mondiaux. Le regroupement Precarn comprend non seulement de petites industries de haute technologie, mais également de grandes compagnies sidérurgiques et minières ainsi que des services publics. Le groupe est renommé Precarn Incorporated en 2001. Au milieu des années 2000, sous le gouvernement conservateur du premier ministre Stephen Harper, le consortium fait face à des restrictions en matière de financement, ce qui mène éventuellement à sa dissolution. Precarn cesse ses activités en 2011.

À la fin des années 1980, les ordinateurs de bureau équipés de microprocesseurs de quatrième génération, comme ceux fabriqués par des firmes comme Intel, deviennent plus puissants et trouvent des utilisations plus variées dans la vie quotidienne. Ceci entraine l’effondrement du marché des ordinateurs spécialisés de cinquième génération conçus en fonction des systèmes d’IA. Le deuxième « hiver de l’IA » qui s’ensuit voit le financement gouvernemental pour la recherche en intelligence artificielle coupé à nouveau.

Années 1990 et 2000 : essor de l’apprentissage automatique et de l’apprentissage profond

Malgré les restrictions budgétaires de la fin des années 1980, les recherches en IA se poursuivent dans les institutions universitaires. Les années 1990 voient une intensification des activités de recherche dans le sous-domaine de l’IA connu sous le nom d’apprentissage automatique. L’apprentissage automatique utilise des analyses statistiques de grandes quantités de données pour former des systèmes numériques à l’accomplissement de tâches précises. De telles tâches incluent la récupération de toutes les images numériques d’un chat dans un ensemble donné, ou l’identification et l’interprétation réussies de mots dans une langue humaine particulière (processus connu sous le nom de traitement automatique du langage naturel ou TALN). Avec la quantité grandissante de données numériques disponibles depuis l’introduction de l’internet dans la vie quotidienne des gens, l’apprentissage automatique devient rapidement un sous-domaine majeur de la recherche en IA.

La traduction automatique (TA) est l’un des sous-domaines de l’apprentissage automatique et du TALN qui continuent de bénéficier de l’expertise canadienne. En 1992, une importante conférence portant sur la traduction automatique à Montréal donne lieu à un débat animé entre deux courants de recherche en traduction automatique; les « rationalistes » qui utilisent des théories linguistiques pour structurer la traduction automatique, et les « empiristes » qui utilisent le traitement statistique à grande échelle d’énormes quantités de données. La recherche menée par IBM, qui adopte l’approche empirique, se base sur les dossiers parlementaires bilingues du Canada, le Hansard, pour appuyer ses projets en traduction.

Les universités canadiennes investissent rapidement dans la recherche en apprentissage automatique, et ce en partie grâce au soutien constant que le CIFAR apporte au domaine. En 1987, l’Université de Toronto embauche Geoffrey E. Hinton, un pionnier de l’apprentissage profond (l’utilisation de réseaux de neurones artificiels pour analyser des données). En 1993, l’Université de Montréal embauche un chercheur en apprentissage automatique, Yoshua Bengio, qui a reçu son doctorat de l’Université McGill deux ans auparavant. Et en 2003, l’Université de l’Alberta engage l’Américain Richard Sutton, un pionnier de l’apprentissage par renforcement.

Le saviez-vous?
Geoffrey E. Hinton a partagé le prix Nobel de physique 2024 avec John Hopfield de l’Université de Princeton. Selon l’Académie royale des sciences de Suède, Geoffrey E. Hinton et John Hopfield ont reçu le prix « pour leurs découvertes et inventions fondamentales qui permettent l’apprentissage automatique avec des réseaux neuronaux artificiels ». (Voir aussi Les prix Nobel et le Canada.)

En 2004, le CIFAR contribue à catalyser les recherches universitaires sur apprentissage profond grâce à son programme Calcul neuronal et perception adaptative sous la direction de Geoffrey Hinton. Le programme (aujourd’hui connu sous le nom d’Apprentissage automatique, apprentissage biologique) vise à raviver l’intérêt envers les réseaux de neurones en réunissant des spécialistes en informatique, en biologie, en neuroscience et en psychologie. Rich Sutton, Yoshua Bengio et Geoffrey Hinton, ainsi que plusieurs de leurs collègues et collaborateurs, jouent un rôle central dans la création des conditions qui permettent au Canada de devenir un centre de recherche en IA de plus en plus important.

Le saviez-vous?
Yoshua Bengio, Geoffrey Hinton et leur collègue informaticien Yann LeCun ont remporté le prix A.M. Turing 2018 pour leurs travaux de recherche novateurs sur les réseaux neuronaux profonds. Décerné par la Association for Computing Machinery (ACM), le prix d’un million de dollars est reconnu comme le prix Nobel de l’informatique. La ACM a qualifié les travaux des trois hommes comme étant à l’origine d’avancées rapides dans des domaines tels que la vision artificielle, la reconnaissance de la parole et le traitement du langage naturel. Lors des entrevues qui ont suivi l’attribution du prix, Yoshua Bengio et Geoffrey Hinton ont émis des mises en garde contre l’usage de l’IA dans les systèmes d’armes et ils ont fait appel à un accord international pour limiter ces technologies de guerre.

De 2005 à aujourd’hui : le Canada prend les devants à l’échelle mondiale

Depuis 2005, on assiste à un regain d’intérêt commercial et académique pour l’IA, désormais synonyme d’apprentissage automatique. Le Canada est à l’avant-garde de cette nouvelle vague d’enthousiasme pour l’IA, avec des centres de recherche universitaires de premier plan dans des institutions canadiennes comme l’Université de la Colombie-Britannique, l’Université de l’Alberta, l’ Université de Waterloo, l’Université de Toronto, l’Université de Montréal, et l’Université McGill. L’accueil réservé par le Canada à des talents intellectuels diversifiés de partout dans le monde est également un facteur déterminant dans le succès du pays à attirer des investisseurs internationaux pour sa recherche en technologies d’IA.

Le Canada cherche à tirer parti de ses atouts existants dans le domaine de la recherche en IA. Dans son budget fédéral de 2017, le gouvernement libéral du premier ministre Justin Trudeau annonce l’investissement de 125 millions de dollars dans la Stratégie pancanadienne en matière d’intelligence artificielle, un programme de cinq ans coordonné par le CIFAR. La Stratégie finance la création de trois nouveaux instituts d’IA : le Alberta Machine Intelligence Institute (AMII) à Edmonton, le Vector Institute à Toronto, et l’Institut des algorithmes d’apprentissage de Montréal (MILA). Elle vise également à soutenir une communauté nationale de recherche axée sur l’IA, à augmenter le nombre de chercheurs en IA au Canada, et à « développer un leadership mondial en matière de réflexions sur les implications économiques, éthiques, politiques et juridiques des avancées en intelligence artificielle ». Avant le Sommet du G7 de 2018 qui se tient à Charlevoix au Québec, Justin Trudeau et le président français Emmanuel Macron s’engagent à créer un groupe d’étude international portant sur l’IA inclusive et éthique. Le Canada organise également une conférence pour le G7 en décembre 2018 axée sur l’utilisation responsable de l’IA et sur son application en affaires.

Le gouvernement fédéral prend également des mesures pour répondre aux préoccupations concernant les abus potentiels et les risques associés à l’IA, comme la désinformation (voir Fausses nouvelles [ou désinformation] au Canada). En 2024, François-Philippe Champagne, ministre de l’Innovation, des Sciences et de l’Industrie, annonce le lancement de l’Institut canadien de la sécurité de l’intelligence artificielle (ICSIA). En collaboration avec des partenaires internationaux, l’ICSIA vise à aider les gouvernements à comprendre et à gérer les risques liés à l’IA, tout en soutenant le développement et l’utilisation responsables de l’IA.

En 2025, le premier ministre Mark Carney crée un nouveau ministère de l’IA et il nomme l’ancien journaliste Evan Solomon au poste inaugural de premier ministre de l’Intelligence artificielle et de l’Innovation numérique. (Voir aussi Cabinet.) Durant sa campagne électorale, Mark Carney met en lumière la valeur économique de l’IA et il promet d’investir dans les infrastructures d’IA. Ces promesses, ainsi que la nomination d’un nouveau ministre de l’IA, sont perçues comme un progrès vers la commercialisation des technologies d’IA et le développement économique au Canada.

Entreprises canadiennes spécialisées en IA

Les entreprises canadiennes travaillent de manière à transposer leur expertise et leur enthousiasme pour l’IA en activités d’affaires solides. L’une de ces réussites est Maluuba, une entreprise fondée par des diplômés de l’Université de Waterloo en 2011. Maluuba conçoit des systèmes d’IA capables de comprendre et d’interpréter les langues humaines naturelles. Dotée d’une équipe de recherche en apprentissage profond axée sur la compréhension des langues naturelles, l’entreprise basée à Montréal est achetée par Microsoft en 2017 et elle est transformée en laboratoire de recherche de Microsoft (voir aussi Microsoft Canada Inc.).

Un autre exemple est celui de Borealis AI, un centre de recherche fondé par la Banque Royale du Canada en 2016. Borealis AI applique une technologie d’apprentissage automatique aux services financiers. Ses domaines d’intérêt comprennent l’apprentissage par renforcement, le traitement du langage naturel et l’éthique en matière d’intelligence artificielle. La compagnie a des bureaux à Toronto, Montréal, Vancouver et Waterloo.

Les entreprises en démarrage canadiennes en IA situées à Montréal et à Toronto développent des applications allant du marketing conversationnel à la livraison de repas et à la vente au détail en ligne. En janvier 2018, l’entreprise de télécommunications mobiles BlackBerry signe une entente avec le moteur de recherche chinois Baidu pour développer conjointement une technologie d’apprentissage automatique pour créer des voitures autonomes. D’autres sociétés informatiques mondiales comme Facebook, Google, Samsung et NVIDIA ouvrent également des centres de recherche à Montréal et à Toronto. DeepMind, une filiale de Google, possède un laboratoire de recherche à Montréal.

Possibilités et défis liés à l’IA

L’intelligence artificielle a déjà un impact sur la vie quotidienne des Canadiens, car les technologies d’IA sont de plus en plus intégrées dans les systèmes informatiques utilisés tant par les gouvernements que par les entreprises. La majeure partie du débat public à propos de l’IA (et de son marketing) fait référence à l’image de « l’IA forte » véhiculée par les mythes, les légendes et la science-fiction. Cependant, les technologies appliquées d’IA comme l’apprentissage automatique et les agents intelligents (par exemple les robots de clavardage sur les pages web de service à la clientèle ou les agents virtuels comme Siri de Apple sur les téléphones intelligents) font déjà partie de la société canadienne. Ces technologies ont de nombreuses utilisations positives potentielles dans des contextes commerciaux et gouvernementaux; un rapport de 2018 du Conseil du Trésor du Canada souligne le potentiel des technologies d’IA pour aider les Canadiens et les entreprises avec leurs transactions routinières grâce à des agents de service virtuels, pour surveiller les industries afin de détecter les premiers signes de non-conformité aux processus réglementaires, et pour façonner les politiques gouvernementales en facilitant l’accès à de nouvelles informations sur les données gouvernementales.

Toutefois, les technologies d’IA posent également un certain nombre de défis pour la société canadienne. L’une des principales préoccupations est la perte potentielle d’emplois engendrée par une nouvelle vague d’automatisation des tâches des « cols blancs ». Une autre inquiétude est la possibilité que les systèmes d’apprentissage automatique dans des domaines comme la justice pénale renforcent divers préjugés raciaux et autres qui sont déjà existants. Les techniques telles que l’apprentissage automatique se basent sur de grandes quantités de données numériques mondiales, et il s’avère difficile d’éviter de transférer et d’amplifier le racisme, le sexisme et d’autres préjugés humains exprimés dans les données des systèmes informatiques d’IA.

Dans le même ordre d’idées, les technologies d’IA se basant sur de grandes quantités de données numériques soulèvent des inquiétudes considérables par rapport à la vie privée, car elles pourraient permettre à de grandes institutions de faire des suppositions au sujet des renseignements personnels que les Canadiens ne veulent pas partager. Des présomptions par rapport à la santé d’une personne pourraient par exemple augmenter son tarif d’assurance, tandis que des présomptions par rapport à son comportement pourraient être utilisées contre elle devant un tribunal. Même les systèmes d’apprentissage automatique les mieux conçus peuvent créer des inégalités ou de la discrimination s’ils sont utilisés dans des contextes injustes ou inéquitables, comme des mécanismes visant à solidifier ou exacerber les inégalités sociales.

Le saviez-vous?
Certaines unités de la Gendarmerie royale du Canada (GRC) ont utilisé un logiciel de reconnaissance faciale appelé Clearview AI pour enquêter sur des crimes. Clearview AI a été conçu pour trouver des détails sur une personne à partir d’une photo en balayant une base de données de milliards d’images collectées sur les médias sociaux et d’autres sites. Avant que la liste des clients de Clearview AI ne soit piratée et divulguée aux médias au début de l’année 2020, la GRC avait nié avoir utilisé la reconnaissance faciale. D’autres forces policières au Canada ont également admis avoir utilisé le logiciel à la suite de cette fuite. Dans un souci de respect de la vie privée, la GRC a déclaré qu’elle n’utiliserait le logiciel que dans des cas urgents, comme l’identification de victimes d’abus sexuels sur des enfants. La GRC a cessé d’utiliser Clearview AI lorsque cette compagnie a cessé ses activités au Canada en juillet 2020. Un rapport publié en juin 2021 par le Commissariat à la protection de la vie privée (CPVP) a conclu que la GRC avait enfreint la Loi sur la protection des renseignements personnels en utilisant Clearview AI.

Les entreprises de technologie numérique canadiennes, y compris celles travaillant en IA, ont énormément de travail à accomplir pour améliorer la diversité de genres et la diversité ethnique au sein de leur personnel dans leur milieu de travail. Elles doivent également redoubler d’efforts pour impliquer les membres de la société qui sont défavorisés sur le plan technologique. Plusieurs Canadiens, dont les peuples autochtones de plusieurs régions rurales et de communautés isolées, ont un accès limité aux technologies numériques. (Voir aussi L’informatique et la société canadienne; Société d’information.)

Développement responsable de l’IA

Alors que de plus en plus de compagnies et de gouvernements déploient des technologies d’IA, des membres de groupes de la société civile, d’associations professionnelles et même de firmes informatiques elles-mêmes s’inquiètent de l’éthique de l’utilisation de ces technologies, voire de leur développement. En 2017, un groupe basé à l’Université de Montréal dévoile la première ébauche de la Déclaration de Montréal pour un développement responsable de l’intelligence artificielle, qui trace les grandes lignes du développement de l’IA dans l’intérêt de l’humanité. Le document déclare que l’IA doit ultimement promouvoir le bien-être de tous les êtres sensibles, la participation éclairée à la vie publique et les débats démocratiques.

Les Canadiens sont confrontés à des débats nationaux difficiles, mais potentiellement fructueux, sur le rôle des technologies d’IA dans différents secteurs et sur les moyens de les utiliser pour renforcer le tissu social canadien. Un des points importants de la Stratégie pancanadienne en matière d’intelligence artificielle du CIFAR est l’étude des effets de l’IA sur la société canadienne. Les sociologues, les anthropologues, les avocats, les économistes et les historiens ont tous un rôle à jouer aux côtés des informaticiens et des ingénieurs pour comprendre ces implications. Il en va de même pour les Canadiens qui sont influencés par ces technologies dans leur vie quotidienne.

Termes clés

Intelligence artificielle faible : Capacité d’un système d’accomplir des tâches précises inspirées des connaissances et de la compréhension humaines.

Intelligence artificielle forte : Capacité d’un système d’accomplir une vaste gamme d’activités intellectuelles et sociales à un niveau équivalent ou supérieur à celui des humains.

Automate : Appareil mécanique pouvant imiter partiellement le comportement humain.

Apprentissage profond : Utilisation d’un réseau de neurones artificiel – un système numérique inspiré du cerveau et du système nerveux humains – pour analyser des données.

Recherche exhaustive : technique informatique de résolution de problèmes qui implique la collecte de toutes les solutions possibles et l’analyse de chacune de celles-ci pour déterminer si elles correspondent aux critères de la solution.

Intelligence : Capacité d’atteindre des objectifs complexes et modifiables dans un contexte social.

Apprentissage automatique : Sous-domaine de la recherche sur l’IA qui fait l’analyse statistique de grandes quantités de données pour entraîner les systèmes numériques à accomplir certaines tâches précises (par exemple, identifier toutes les images d’un ensemble qui contiennent un chat).

Réseau de neurones : Système informatique imitant le fonctionnement du cerveau et du système nerveux humains.

Travail de précision des métaux : Processus de création d’objets métalliques requérant une conception, un usinage et un assemblage extrêmement précis.

Apprentissage statistique : Méthode selon laquelle les systèmes informatiques utilisent des données pour calculer la probabilité de la véracité d’une hypothèse et pour faire des prédictions en fonction de cette probabilité.