François Rouhban

L’intelligence artificielle désigne les théories et les techniques visant à permettre à des machines de mimer le fonctionnement de l’intelligence humaine.

L’intelligence artificielle se trouve au croisement de plusieurs disciplines :

• La neurobiologie particulièrement les réseaux neuronaux,
• La logique mathématique et
• L’informatique.

Les fonctions humaines reproduites par l’Intelligence artificielle

Grâce à l’intelligence artificielle, les fonctions humaines peuvent être reproduites.

• Perception,
• Émotions,
• Compréhension,
• Apprentissage,
• Raisonnement,
• Décision,
• Planification,
• Action,
• Communication,
• Interactions.

L’IA, telle que nous la connaissons aujourd’hui, ne peut pas faire de miracle si elle ne dispose pas de données à partir desquelles apprendre.

La donnée est une représentation numérique de la réalité.

La donnée peut prendre plusieurs formes :

• Tableau de chiffres,
• Texte,
• Images,
• Vidéos,
• Sons.

Algorithme

Un algorithme est ensemble fini d’instructions et d’opérations mathématiques traduites dans un langage de programmation compris des ordinateurs visant à obtenir un résultat attendu.

• Par exemple, pour répondre à la question : est-ce que cette photo représente un chat ?, il est nécessaire d’élaborer l’algorithme avec un arbre de décision complet :
  • Est-ce qu’il y a des poils ?
  • Si oui, est-ce qu’il y a des pattes ?
  • Si oui… ?

• Pour que l’algorithme soit pertinent, il faut :
  • Préalablement, savoir quel problème résoudre ou quel résultat obtenir,
  • Être suffisamment précis pour prévoir toutes les hypothèses.

La démarcher algorithmique est donc limitée à la capacité humaine de programmation.

Apprentissage machine

L’apprentissage machine (autrement dit apprentissage automatique ou apprentissage artificiel ou machine learning) est un sous-domaine de l’intelligence artificielle qui cherche à reproduire la logique de l’humain lors de prise de décision.

Avec l’apprentissage machine, au fur et à mesure que l’algorithme traite les demandes, il ajuste ses paramètres et optimise ses calculs jusqu’à atteindre un résultat satisfaisant avec un niveau de performance moyen au moins supérieur à un humain moyen.

• Par exemple, pour répondre à la question est-ce que cette photo représente un chat ?, il est possible d’informer partiellement l’algorithme de quelques caractéristiques du chat :
  • Il existe des chats sans poils,
  • Et certains animaux avec des poils peuvent ne pas être des chats,
  • Et les chats ont des pâtes…
• Pour que l’algorithme soit pertinent :
  • Il n’est pas nécessaire de décrire toutes les caractéristiques du chat,
  • Il est nécessaire de l’entrainer sur un grand volume de données pour qu’il ajuste ses paramètres jusqu’à obtenir des résultats satisfaisants.

Apprentissage machine supervisé

L’homme connaît le résultat attendu pour un échantillon de données.

À partir de données structurées et préalablement annotées, la machine construit un modèle (un ensemble de règles, un arbre de décision, un ensemble de matrices comme dans les réseaux de neurones…) pour produire le résultat attendu sur un plus large panel de données.

Par exemple :

• Dans un premier temps, l’algorithme est alimenté en image annotées c’est un chat ou ce n’est pas un chat.
• Dans un deuxième temps, l’algorithme est alimenté en image non annotées pour déterminer si c’est un chat ou pas en fonction de son expérience passée.
• Dans un troisième temps, l’homme valide le résultat.

L’apprentissage machine supervisé est la technique d’intelligence artificielle la plus courante et la moins performante, car les résultats attendus sont forcément chiffrés ou binaires (classification, score, statistique…).

Apprentissage machine non-supervisé

L’homme ne connaît pas le résultat attendu.

Avec l’apprentissage machine non supervisé :

• L’algorithme reçoit un ensemble de données structurées à partir desquelles le chercheur n’est pas capable de tirer de conclusion parce qu’elles sont :
  • Trop volumineuses ou
  • Pas assez caractérisées.
• L’algorithme est appelé à créer un lien entre toutes les données, à les classifier, à les structurer, à les organiser en groupes homogènes de manière à déduire un résultat exploitable pour résoudre la question posée.

Apprentissage machine par renforcement

Avec l’apprentissage machine par renforcement, l’algorithme procède par essais et erreurs, récompenses et punitions.

Apprentissage profond

L’apprentissage profond (autrement dit deep learning) est un type d’apprentissage machine dont l’algorithme appelé réseaux de neurones est entrainé sur un grand volume de données pour exécuter des tâches complexes.

Les réseaux de neurones :

• Ajustent leurs paramètres au fil de l’apprentissage (boucle de rétroaction).
• Engendrent de nombreuses couches cachées par rapport à un réseau de neurones simple.

L’apprentissage profond est la technique d’intelligence artificielle la plus performante et aussi la plus opaque. En effet, l’algorithme ne décrit pas l’ensemble des étapes d’ajustement de ses paramètres pour aboutir au résultat souhaité. En conséquence, un contrôle du résultat est requis pour limiter le risque d’aberration.

Algorithmes combinés

Les algorithmes peuvent être combinés :

• Un algorithme Générateur apprend,
• Un algorithme Discriminateur contrôle l’apprentissage du Générateur.
• Par exemple :
  • Un Générateur crée des miaulements de chat sous le contrôle d’un Discriminateur alimenté en une diversité de miaulement de chat.
  • Le contrôle s’arrête lorsque le Discriminateur ne peut plus faire la différence entre les « vrais » miaulement de chat de sa base de données et les miaulements de chat créés par le Générateur.

Intelligence artificielle générative

L’intelligence artificielle générative est un sous-domaine de l’apprentissage profond capable de crée des contenus (image, texte, code, vidéo, 3D) à partir d’une instruction (prompt).

La révolution d’OpenAI avec ChatGPT est que l’intelligence artificielle est proposée avec l’interface très basique du langage naturel. ChatGPT est un robot conversationnel. Le robot conversationnel prédit la séquence de mots la plus probable à partir des données fournies.

Intelligence artificielle faible

L’intelligence artificielle faible est le premier degré de l’intelligence artificielle avec un apprentissage sur des jeux de données avec des résultats attendus et des décisions connus.

Intelligence artificielle forte

L’intelligence artificielle forte imite l’intelligence humaine avec une réflexion stratégique, créative, abstraite, tout en traitant un grand nombre de tâches complexes.

N’hésitez pas à parcourir nos contenus pour continuer à nourrir votre curiosité et votre savoir.