/
/
La pierre apprenante. Les intelligences artificielles à l’assaut de l’immobilier

La pierre apprenante. Les intelligences artificielles à l’assaut de l’immobilier

27 janvier 2021

27 janvier 2021

Par Alexandra Ivanovitch

“Dès que cela fonctionne, plus personne ne l’appelle IA.”
John McCarthy, pionnier de la recherche en intelligence artificielle

L’IA, grand architecte de la valeur immobilière à venir ? Entre promesses et réalités.

Tour à tour présentée comme le “grand mythe de notre temps” ou le miracle technologique ultime, l’intelligence artificielle (IA) fascine et pourtant demeure largement incomprise, tant elle est auréolée d’une nébuleuse de termes connexes et pourtant distincts : « machine learning », « deep learning », etc.

Quoique la plupart du temps “faible” car spécifique et non générale, l’intelligence artificielle, avec sa vague d’automatisation de processus, a déjà pris d’assaut des industries phares, bastions traditionnels de l’élite tels que la banque, la finance et la santé.

Solidement ancré dans la pierre, l’immobilier fait figure de secteur irréductible qui résiste encore et toujours. Et pourtant les signes précurseurs d’une disruption prochaine émergent depuis l’autre côté de l’Atlantique, avec plusieurs remarquables levées de fonds qui financent généreusement des proptech propulsées par l’IA.

Classification automatisée des documents, maintenance prédictive, détection des signaux faibles de valorisation du patrimoine, bots collaborateurs et assistants, assets managers artificiels : autant de promesses exponentielles par lesquelles l’intelligence artificielle pourrait augmenter les métiers de l’immobilier. Pourtant la réalité du développement est bien plus humble.

Pour cette nouvelle génération de développeurs immobiliers à l’assaut des terres numériques, la donnée est la nouvelle pierre et l’IA serait le nouvel architecte de la valeur immobilière – omniscient, infatigable et adaptatif.

Nous sommes allés à la rencontre de notre équipe de data scientists ici à STONAL aux prises avec la réalité quotidienne du développement pour mieux comprendre les enjeux concrets et répercussions pour les professionnels de l’immobilier. En route pour notre laboratoire R&D ! Ci-après le portrait-robot d’une intelligence accélérée : incomprise, protéiforme et prometteuse.

Intelligences artificielles : histoire et définition entre mirages, échecs et apprentissage

Définitions et histoire. “Intelligence artificielle” : par-delà l’oxymore “Une machine peut-elle penser ?”
Des interrogations philosophiques aux premières expérimentations

L’intelligence des machines est-elle une « idée hérétique » ? C’est en répondant à cette question qu’Alan Turing a livré la première version de son fameux test pour évaluer la capacité d’un programme à imiter la conversation humaine.

Baptisée par John McCarthy dès 1955, l’intelligence artificielle est définie comme « la construction de programmes informatiques qui s’adonnent à des tâches qui sont, pour l’instant, accomplies de façon plus satisfaisante par des êtres humains car elles demandent des processus mentaux de haut niveau tels que : l’apprentissage perceptuel, l’organisation de la mémoire et le raisonnement critique » (Marvin Lee Minsky).

 

John McCarthy, Stanford

Dans cette quête d’un graal scientifique et mathématique, la recherche en IA s’est d’abord attelée au modèle ultime de l’intelligence dans son expression la plus noble et mathématique, à savoir le jeu (d’imitation du jeu) d’échecs : depuis le programme d’échecs balbutiant développé par John McCarthy écrit en langage Fortran (tournant années 50 et 60) jusqu’à Deep Blue, superordinateur en mesure d’anticiper 100 millions de positions par seconde, et vainqueur de Garry Kasparov.

Le périmètre de l’intelligence machine. Faiblesses, forces et malentendus

De plus en plus omniprésente, l’IA est tantôt qualifiée de « faible » ou de « forte ». Faible, elle l’est déjà lorsque se consacre à une tache au périmètre clairement prédéfini. Forte, elle le deviendra selon certains futurologues lorsqu’elle sera douée de conscience et en mesure de s’atteler à n’importe quel problème, y compris ceux qu’elle aura définis de son propre chef.

Le degré ultime de la force pour une IA dite « générale » sera atteint des lors que l’IA sera en mesure de se reprogrammer en s’améliorant elle-même de façon exponentielle, ou qui sait, en inventant un langage propre à elle-même qui demeurera impénétrable à l’intelligence humaine – peut-être à la manière des IA négociatrices développées et désactivées par Facebook qui prirent l’initiative de créer un langage artificiel ad hoc pour optimiser la communication entre elles ?

En attendant cette apocalypse ou apothéose que l’on nomme la « Singularité », comment faire le départ entre les multiples terminologies qui coexistent pour désigner l’intelligence artificielle ?

Un chapeau englobant pour une nébuleuse de termes et de réalités

Dès sa création, l’intelligence artificielle tente de mimer l’intelligence humaine par deux approches distinctes.

  • L’IA symbolique, i.e., l’approche par règles, concerne l’apprentissage où les règles sont bien identifiées. Par exemple, apprendre, dans une langue, les règles de grammaire ou de conjugaison, identifier les contraintes liées à l’élaboration d’un emploi du temps.
  • L’IA par apprentissage, i.e., l’apprentissage par l’exemple, concerne tous les domaines où les règles ne peuvent être clairement identifiées, comme par exemple, apprendre à marcher ou parler, la reconnaissance des formes.

Dans la première approche, il est primordial d’identifier les règles et l’intelligence s’exerce dans la recherche des meilleures solutions qui respectent lesdites règles.

Dans la seconde approche, on a besoin de nombreux exemples qui vont constituer notre base d’apprentissage et l’intelligence advient lors de l’apprentissage à partir de cette base. D’où l’appellation de « machine learning » pour désigner ce sous-domaine de l’IA où les algorithmes apprennent en se nourrissant de bases de données sans avoir été programmés explicitement.

Parmi toutes les approches de machine learning se distingue plus spécifiquement le sous-domaine du « deep learning », où les modèles imitent le fonctionnement des réseaux neuronaux d’un cerveau humain. Voir schéma ci-dessous.

Pour donner un aperçu rapide des capacités du machine learning, parcourons trois types de problèmes résolus par l’apprentissage machine :

  • La régression : prédiction d’un nombre (ex : connaissant la surface, la localisation, la qualité du bâtiment, le nombre d’étages, l’exposition, … ; on souhaite savoir le prix d’un bien immobilier)
  • La classification : prédiction d’une catégorie. On associe une classe à un objet en entrée, qui peut être une image, un ensemble de valeurs, un modèle 3D, un composant architectural ou technique… (ex : étant donné un document PDF, on souhaite savoir s’il s’agit d’un contrat de maintenance, d’un document de taxe ou encore d’un bail)
  • Le clustering : regroupement des données. Ici on ne connait pas les données a priori, le but est de trouver une structure inhérente (ex : une équipe d’asset managers essayant de segmenter ses actifs)
Intelligences artificielles : histoire et définition entre mirages, échecs et apprentissage

Quelles erreurs fait-on fréquemment lorsqu’on parle d’IA ? 

L’intelligence artificielle n’existe pas.” – Luc Julia, co-créateur de Siri

 

Direction le Pôle IA de STONAL pour en rencontrer sa responsable, Mahat Khelfallah et démêler les mirages de la réalité du développement :

“La principale erreur c’est de croire que l’IA est magique. C’est loin d’être le cas. L’intelligence artificielle, tout comme l’intelligence humaine, s’appuie sur des connaissances acquises soit sous forme de règles (à la base du raisonnement) ou bien sous forme d’exemples (tirés de l’expérience).”

Il faut être très prudent lorsque l’on parle d’IA. Pour un humain, apprendre à différencier et reconnaitre deux types nouveaux d’animaux est une formalité. Pour une machine il est nécessaire de créer un jeu d’entrainement colossal de ces deux espèces pour espérer que l’algorithme de classification puisse les différencier (et pas à 100% !). Pour l’anecdote récente et amusante, un algorithme de pilotage de caméra avec suivi de ballon de foot a confondu le ballon avec le crâne chauve d’un arbitre de ligne… Erreur compréhensible d’un point de vue machine, mais qu’un humain ne ferait jamais.

La différence majeure entre un humain et une intelligence artificielle est le pouvoir de généralisation et d’abstraction qui est extrêmement difficile pour une machine. Nous insistons tous les jours sur le fait que « l’IA n’est pas de la magie ». Derrière chaque problème résolu par une méthode d’apprentissage machine, il y a des années de recherche, des mathématiques extrêmement complexes, des milliers d’essais, des résultats explicables, d’autres non… Et bien entendu, si une tâche est difficile pour un humain expert dans le domaine, elle l’est tout autant pour un algorithme !
D’aucuns pensent qu’un jour le monde sera dominé par une IA post-singularité, alors qu’en réalité les plus éminents chercheurs peinent à différencier à coup sûr une photo de bateau d’une photo de grenouille.

En bref, l’erreur communément admise est de parler d’IA en ne pensant qu’au machine learning, qui englobe lui aussi le deep learning (les grands réseaux de neurones profonds). La seconde erreur, et la plus importante, est de penser que si une tâche est simple pour un humain alors elle est magiquement triviale pour une machine. En effet une machine n’a aucun a priori sur ce qu’elle traite. Enfin, même si on a une très bonne base d’apprentissage pour un problème donné (ce qui est très rare, ou très coûteux puisqu’il faut que des humains experts fassent ce travail), il est possible qu’aucune technique d’IA (au sens large) ne résolve le problème de manière satisfaisante. Le meilleur exemple est celui de la finance de marché : l’historique des cours de bourse est parfaitement connu, tout l’environnement décisionnel également (connaissance des M&A, des caractéristiques des CEO, lancements de produits, et de millions d’autres critères accessibles en temps réel parfaitement vérifiés) pourtant personne ne peut prévoir les variations de la bourse (et pourtant des ressources sont massivement investies dans ce champ de recherche).

L’IA, enfant terrible des data sciences. Potentialités et réalités d’une intelligence accélérée

Applications contemporaines : l’IA transdisciplinaire

Cette surpuissance computationnelle a naturellement fait de l’intelligence artificielle un outil de choix pour le secteur de la banque et de finance : par exemple, des systèmes experts d’évaluation de risque (en l’occurrence, lié à l’octroi d’un crédit) ou encore le hedge fund Bridgewater Associates (portfolio de $170 milliards) qui utilise une IA opérationnelle nommée « Le Livre de l’avenir » qui agit comme un « GPS personnel » pour manager les équipes et aider à la prise de décision .

Ces dernières années ont vu l’intelligence artificielle s’émanciper de ces modèles purement computationnels pour conquérir ce qui apparaissait jusqu’à peu comme les forteresses inexpugnables de l’intelligence humaine : la créativité, l’art oratoire, la méthode scientifique. L’IA a déjà écrit son premier spot de pub pour Lexus , produit un avis argumenté sur les subventions des classes maternelles , développé son premier programme de recherche .

En octobre 2018, une équipe américaine du Massachusetts Institute of Technology a tenté d’apprendre le langage naturel à un robot par le biais d’analyseurs syntaxiques et sémantiques traitant des vidéos sous-titrées, et a remarqué que l’android apprend à la manière d’un enfant .

Enfant, l’IA l’est assurément depuis plusieurs décennies pour les générations de chercheurs qui ont tenté de lui inculquer les rudiments d’une éducation généraliste. Née en sachant compter, l’IA a successivement appris à lire, écrire, écouter, classer et … voir.

Derniers articles

L’intelligence artificielle au service de l’immobilier.
Metaverse et Immobilier, ça ne fait que commencer.
Retour sur la dernière conférence Proptech organisée par le Monaco Economic Board et le Gouvernement Princier, le 1er décembre 2021 avec pour thème : Le numérique au service de l’immobilier de demain.
Dans la recherche constante de l’optimisation des processus, des dépenses et des charges, les bailleurs sociaux peuvent compter sur les outils digitaux comme alliés de taille pour gérer et analyser un volume documentaire considérable.

Catégories