Pourquoi l'IA a-t-elle eu besoin de 14 millions de photos étiquetées pour enfin voir ?

L'IA a eu besoin de millions de photos étiquetées parce qu'un programme apprend à voir à partir d'exemples, et les bons exemples manquaient. En 2006, l'essentiel de la recherche en IA portait sur des modèles et des algorithmes plus astucieux. La chercheuse Fei-Fei Li a parié sur l'autre moitié du problème. Elle s'est lancée dans l'enrichissement des données dont les programmes de vision apprennent.

Elle est partie des quelque 22 000 noms communs anglais de WordNet. Elle s'est aussi inspirée d'une estimation selon laquelle une personne moyenne reconnaît environ 30 000 sortes d'objets. Le plan initial prévoyait 400 millions d'images, chacune vérifiée trois fois. Mais un humain peut trier au maximum deux images par seconde. À ce rythme, le travail aurait demandé environ 19 années-personnes sans la moindre pause.

L'équipe de Li s'est donc tournée vers Amazon Mechanical Turk, un site pour embaucher à distance des travailleurs chargés de petites tâches que les ordinateurs ne savaient pas encore faire à bas coût. De juillet 2008 à avril 2010, 49 000 travailleurs dans 167 pays ont filtré et étiqueté plus de 160 millions d'images candidates. Il en est resté 14 millions, réparties en plus de 20 000 catégories, chacune étiquetée trois fois.

ImageNet a fait ses débuts sous forme d'une modeste affiche lors d'une conférence en 2009. À partir de 2010, un concours annuel a mis des programmes en compétition pour reconnaître ses images. En 2012, un réseau de neurones profond appelé AlexNet l'a emporté avec plus de 10 points d'avance sur le deuxième. Il avait été entraîné sur deux cartes graphiques du commerce, dans la chambre d'Alex Krizhevsky chez ses parents. Yann LeCun y a vu un tournant pour la vision par ordinateur, et toute l'industrie technologique a commencé à s'y intéresser.