L'intelligence artificielle, généralement désignée par le sigle IA, est l'un des domaines les plus importants de l'informatique moderne. Elle intervient aujourd'hui dans de nombreuses applications : moteurs de recherche, assistants conversationnels, traduction automatique, reconnaissance d'images, médecine, robotique, cybersécurité, programmation et création de contenus.

Dans ce cours, nous allons découvrir ce qu'est l'intelligence artificielle, ses objectifs, son fonctionnement général, ses principales familles ainsi que les différences entre intelligence artificielle, Machine Learning, Deep Learning et informatique traditionnelle.

1. À propos de l'intelligence artificielle

L'idée fondamentale de l'intelligence artificielle consiste à concevoir des systèmes informatiques capables d'effectuer des tâches qui nécessitent habituellement certaines capacités associées à l'intelligence humaine.

Ces tâches peuvent notamment consister à :

• comprendre un texte ;
• reconnaître une image ;
• comprendre ou produire la parole ;
• traduire une langue ;
• identifier des objets dans une photographie ;
• détecter des anomalies dans des données ;
• effectuer des prédictions ;
• recommander des contenus ;
• résoudre certains problèmes ;
• générer du texte, des images, du son, de la vidéo ou du code.

L'intelligence artificielle ne correspond donc pas à une seule technologie. Il s'agit d'un vaste domaine de l'informatique regroupant différentes méthodes permettant aux machines d'analyser des informations et d'accomplir certaines tâches complexes.

Avec le développement de l'IA générative, les systèmes d'intelligence artificielle ne se limitent plus à analyser, classer ou prédire. Ils peuvent également produire de nouveaux contenus à partir des instructions fournies par l'utilisateur.

2. Définition de l'intelligence artificielle

L'intelligence artificielle est une branche de l'informatique qui vise à concevoir des systèmes capables d'effectuer des tâches faisant appel à des capacités telles que l'apprentissage, la reconnaissance, la prédiction, le traitement du langage, la résolution de problèmes ou la prise de décision.

On peut retenir la définition simplifiée suivante :

L'intelligence artificielle est l'ensemble des techniques permettant à une machine d'accomplir des tâches qui nécessitent habituellement certaines formes d'intelligence humaine.

Le terme intelligence doit cependant être interprété avec prudence. Une intelligence artificielle n'est pas nécessairement consciente et ne pense pas forcément comme un être humain.

Les systèmes actuels utilisent principalement des algorithmes, des données et des modèles mathématiques pour identifier des structures, calculer des probabilités, effectuer des prédictions ou produire des résultats.

2.1. Qu'est-ce qu'un système d'intelligence artificielle ?

Un système d'intelligence artificielle est un programme ou un ensemble de programmes capables de recevoir des données, de les traiter et de produire un résultat correspondant à une tâche déterminée.

Par exemple, un système de reconnaissance d'images peut recevoir une photographie et déterminer si celle-ci contient un chat, une voiture, une personne ou un autre objet.

2.2. L'intelligence artificielle n'est pas nécessairement un robot

Il est fréquent d'associer l'intelligence artificielle aux robots. Pourtant, la majorité des systèmes d'IA ne possèdent aucune forme physique.

Un assistant conversationnel, un système de recommandation, un filtre anti-spam ou un programme de reconnaissance faciale sont des exemples de systèmes d'intelligence artificielle qui fonctionnent sous forme de logiciels.

3. Les objectifs de l'intelligence artificielle

L'objectif général de l'intelligence artificielle est de permettre à une machine d'accomplir certaines tâches complexes de manière automatisée ou assistée.

Parmi les principaux objectifs de l'IA, on trouve :

• apprendre à partir de données ;
• reconnaître des objets, des sons ou des situations ;
• comprendre certaines informations exprimées en langage naturel ;
• prédire des résultats à partir de données existantes ;
• classer automatiquement des informations ;
• détecter des anomalies ou des comportements inhabituels ;
• aider à la décision ;
• automatiser certaines tâches ;
• générer de nouveaux contenus.

3.1. Apprendre à partir des données

L'un des objectifs majeurs de l'IA moderne consiste à permettre aux systèmes informatiques d'exploiter des données afin d'améliorer leur capacité à accomplir une tâche. Cette approche constitue le principe fondamental du Machine Learning.

3.2. Faire des prédictions

Une IA peut analyser des données historiques afin d'estimer la probabilité qu'un événement se produise. Elle peut par exemple participer à la détection de fraudes, à la prévision de certaines demandes ou à l'identification d'anomalies.

3.3. Générer du contenu

L'IA générative ajoute une dimension particulièrement importante : elle permet de produire du texte, des images, du code informatique, de l'audio ou encore de la vidéo.

4. Bref historique de l'intelligence artificielle

L'intelligence artificielle n'est pas une invention récente. Ses origines remontent aux débuts de l'informatique moderne.

4.1. Alan Turing et la question de l'intelligence des machines

En 1950, le mathématicien britannique Alan Turing publie un article majeur consacré à la question de savoir si les machines peuvent manifester un comportement intelligent. Il propose notamment ce qui deviendra connu sous le nom de test de Turing.

4.2. Naissance du terme intelligence artificielle

Le terme Artificial Intelligence est généralement associé à John McCarthy et à l'atelier de Dartmouth organisé en 1956. Cet événement est souvent considéré comme un moment fondateur de l'intelligence artificielle en tant que domaine de recherche.

4.3. Développement des systèmes experts

À partir des années 1960 et surtout durant les décennies suivantes, les chercheurs développent notamment des systèmes experts. Ces programmes utilisent des connaissances et des règles définies afin de résoudre des problèmes dans des domaines spécialisés.

4.4. L'essor du Machine Learning

Avec l'augmentation des capacités de calcul et la disponibilité croissante des données, les méthodes basées sur l'apprentissage automatique prennent une importance considérable.

4.5. Le développement du Deep Learning

Les progrès réalisés dans les réseaux de neurones, associés à de grandes quantités de données et à des moyens de calcul plus puissants, ont permis au Deep Learning de réaliser des avancées importantes dans la reconnaissance d'images, la parole et le traitement du langage.

4.6. L'ère de l'IA générative

Le développement des architectures de type Transformer à partir de 2017 a fortement contribué à l'évolution des modèles de langage et des systèmes génératifs modernes. L'arrivée d'assistants conversationnels accessibles au grand public a ensuite accéléré la diffusion de l'IA générative.

5. Comment fonctionne une intelligence artificielle ?

Le fonctionnement d'une intelligence artificielle dépend fortement du type de système utilisé. Il n'existe donc pas un fonctionnement unique applicable à toutes les IA.

Dans de nombreux systèmes modernes fondés sur l'apprentissage automatique, on peut cependant distinguer plusieurs éléments essentiels.

5.1. Les données

Les données constituent une ressource essentielle pour de nombreux systèmes d'IA. Elles peuvent prendre différentes formes : textes, images, sons, vidéos, mesures numériques ou données structurées.

5.2. Les algorithmes

Un algorithme est un ensemble d'instructions ou de méthodes permettant de traiter des informations et de résoudre un problème.

5.3. L'entraînement

Dans le contexte du Machine Learning, l'entraînement consiste à ajuster les paramètres d'un modèle à partir de données afin qu'il apprenne à réaliser une tâche donnée.

5.4. Le modèle

Le modèle est le résultat du processus d'apprentissage. Une fois entraîné, il peut être utilisé pour traiter de nouvelles données et produire une prédiction, une classification ou une génération.

5.5. L'inférence

L'inférence correspond à l'utilisation d'un modèle entraîné pour produire un résultat à partir de nouvelles données.

On peut représenter très simplement ce fonctionnement par la chaîne suivante :

Par exemple, après avoir appris à distinguer certaines caractéristiques présentes dans des images, un modèle de classification peut recevoir une nouvelle photographie et estimer la catégorie à laquelle elle appartient.

6. Les grandes familles de l'intelligence artificielle

Il existe plusieurs manières de classer les systèmes d'intelligence artificielle. Une distinction courante consiste à considérer l'étendue des capacités du système.

6.1. Intelligence artificielle spécialisée

L'IA spécialisée, parfois appelée IA étroite ou Artificial Narrow Intelligence, est conçue pour accomplir une tâche ou un ensemble limité de tâches.

La très grande majorité des systèmes d'intelligence artificielle actuellement utilisés appartiennent à cette catégorie.

On peut citer comme exemples :

• les systèmes de recommandation ;
• les logiciels de reconnaissance d'images ;
• les outils de traduction automatique ;
• les systèmes de détection de spam ;
• les assistants d'IA générative.

6.2. Intelligence artificielle générale

L'intelligence artificielle générale, souvent appelée AGI pour Artificial General Intelligence, désigne l'idée d'un système capable d'accomplir avec une grande généralité de nombreuses tâches intellectuelles différentes, plutôt que d'être limité à un domaine particulier.

L'AGI reste un objectif de recherche et il n'existe pas de consensus établissant qu'un système actuel constitue une véritable intelligence artificielle générale.

6.3. Superintelligence artificielle

La notion de superintelligence artificielle désigne un système hypothétique dont les capacités dépasseraient largement celles des humains dans de nombreux domaines intellectuels. Il s'agit actuellement d'un concept théorique et prospectif, et non d'une technologie existante démontrée.

7. Les principales techniques utilisées en intelligence artificielle

L'intelligence artificielle regroupe de nombreuses méthodes. Certaines sont historiques, tandis que d'autres jouent aujourd'hui un rôle central dans les systèmes modernes.

7.1. Les systèmes à base de règles

Les systèmes à base de règles utilisent des instructions explicites, souvent représentées sous la forme de règles conditionnelles.

Le code Python suivant illustre de manière très simplifiée une décision basée sur des règles. Il ne constitue pas à lui seul un système d'IA moderne, mais permet de comprendre le principe d'un raisonnement conditionnel explicite.

Sortie :

Ici, la décision dépend directement d'une règle définie par le programmeur. Le programme n'a pas appris cette règle à partir de données.

7.2. Le Machine Learning

Le Machine Learning, ou apprentissage automatique, permet à des modèles d'apprendre des relations ou des régularités à partir de données plutôt que de dépendre uniquement de règles écrites explicitement pour chaque situation.

7.3. Les réseaux de neurones

Les réseaux de neurones artificiels sont des modèles mathématiques composés d'unités organisées en couches. Ils jouent un rôle fondamental dans de nombreuses applications modernes de l'intelligence artificielle.

7.4. Le Deep Learning

Le Deep Learning, ou apprentissage profond, repose sur des réseaux de neurones comportant plusieurs couches de traitement. Il est notamment utilisé pour le traitement des images, de la parole et du langage.

7.5. Le traitement automatique du langage naturel

Le traitement automatique du langage naturel, souvent désigné par NLP pour Natural Language Processing, regroupe des techniques permettant aux systèmes informatiques de traiter le langage humain.

8. Intelligence artificielle, Machine Learning et Deep Learning

Les termes intelligence artificielle, Machine Learning et Deep Learning sont parfois employés comme s'ils étaient synonymes. Ils désignent pourtant des concepts différents.

8.1. Intelligence artificielle

L'intelligence artificielle constitue le domaine général. Elle regroupe différentes méthodes permettant de créer des systèmes réalisant des tâches associées à certaines capacités intelligentes.

8.2. Machine Learning

Le Machine Learning est un sous-domaine de l'intelligence artificielle dans lequel des modèles apprennent à partir de données.

8.3. Deep Learning

Le Deep Learning est à son tour un sous-domaine du Machine Learning fondé sur l'utilisation de réseaux de neurones profonds.

On peut donc représenter cette relation de manière simplifiée :

L'IA générative moderne peut utiliser des techniques de Deep Learning, mais toutes les applications de l'intelligence artificielle ne sont pas génératives.

9. Exemples d'intelligence artificielle dans la vie quotidienne

Nous utilisons régulièrement des systèmes d'intelligence artificielle, parfois sans nous en rendre compte.

9.1. Moteurs de recherche

Les moteurs de recherche utilisent différentes techniques d'IA pour comprendre les requêtes, classer les résultats et améliorer leur pertinence.

9.2. Systèmes de recommandation

Les plateformes de vidéos, de musique, de commerce électronique ou de contenus peuvent utiliser des systèmes de recommandation afin de proposer des éléments susceptibles d'intéresser l'utilisateur.

9.3. Reconnaissance d'images

Les systèmes de vision par ordinateur peuvent détecter ou classifier des objets présents dans une image.

9.4. Traduction automatique

L'intelligence artificielle permet de traduire automatiquement du texte entre différentes langues et d'améliorer progressivement la qualité de certaines traductions.

9.5. Assistants conversationnels

Les assistants basés sur de grands modèles de langage peuvent comprendre des instructions en langage naturel et générer des réponses, des explications, des synthèses ou du code.

9.6. Cybersécurité

L'IA peut contribuer à la détection d'activités inhabituelles, de spams, de tentatives de fraude ou de certains comportements potentiellement malveillants.

9.7. Médecine

Des systèmes d'intelligence artificielle peuvent assister des professionnels dans l'analyse de certaines données médicales. Ils constituent des outils d'aide et ne remplacent pas automatiquement le jugement d'un professionnel de santé.

10. Intelligence artificielle, automatisation et informatique classique

Il est important de ne pas confondre intelligence artificielle et automatisation. Un programme peut automatiser une tâche sans utiliser d'intelligence artificielle.

10.1. Informatique classique

Dans un programme informatique classique, le développeur définit explicitement les instructions que l'ordinateur doit exécuter.

L'exemple Python suivant demande deux nombres puis applique une opération parfaitement déterminée par le programmeur.

Sortie :

Le programme n'apprend rien. Il applique simplement l'instruction a + b.

10.2. Automatisation

L'automatisation consiste à faire exécuter automatiquement une tâche par une machine ou un logiciel. Elle peut reposer sur des règles classiques sans faire appel au Machine Learning.

10.3. Intelligence artificielle

Dans de nombreux systèmes d'IA moderne, le comportement du modèle est obtenu en partie par un processus d'apprentissage à partir de données. Le programmeur ne définit donc pas nécessairement une règle explicite pour chaque cas possible.

11. Avantages et limites de l'intelligence artificielle

L'intelligence artificielle offre des possibilités considérables, mais elle possède également des limites qu'il est indispensable de connaître.

11.1. Les principaux avantages

• automatisation de certaines tâches répétitives ;
• traitement rapide de grandes quantités de données ;
• détection de structures difficiles à identifier manuellement ;
• assistance à la prise de décision ;
• personnalisation de certains services ;
• amélioration de la productivité ;
• génération rapide de contenus avec l'IA générative.

11.2. Les principales limites

• possibilité de produire des résultats incorrects ;
• dépendance à la qualité des données et de l'entraînement ;
• présence possible de biais ;
• difficulté à expliquer certaines décisions de modèles complexes ;
• risques concernant la confidentialité des données ;
• risques de désinformation et de contenus trompeurs ;
• nécessité d'une supervision humaine dans de nombreuses situations.

Dans le cas de l'IA générative, il faut également connaître le phénomène des hallucinations : un modèle peut produire une information fausse ou inventée tout en la présentant d'une manière apparemment convaincante.

12. Intelligence artificielle et intelligence humaine

Malgré les performances impressionnantes des systèmes modernes, il est important de distinguer intelligence artificielle et intelligence humaine.

Un système d'IA peut être extrêmement performant pour certaines tâches précises tout en étant incapable d'accomplir correctement d'autres tâches qui semblent simples pour un être humain.

Il faut également éviter d'anthropomorphiser les systèmes d'intelligence artificielle. Lorsqu'un assistant utilise des expressions comme « je pense », « je comprends » ou « je crois », cela ne démontre pas nécessairement qu'il possède une conscience ou une expérience subjective comparable à celle d'un être humain.

L'IA doit donc être considérée avant tout comme un outil informatique puissant dont les capacités et les limites dépendent du système utilisé.

13. À retenir

• L'intelligence artificielle est un vaste domaine de l'informatique visant à créer des systèmes capables d'accomplir certaines tâches associées à l'intelligence.
• Une IA peut notamment reconnaître, classer, prédire, recommander, traiter le langage ou générer du contenu.
• L'intelligence artificielle ne désigne pas uniquement les robots : de nombreuses IA sont simplement des logiciels.
• Le terme intelligence artificielle a été consacré comme domaine de recherche au milieu des années 1950.
• Les données, les algorithmes et les modèles jouent un rôle essentiel dans de nombreux systèmes modernes.
• Le Machine Learning est un sous-domaine de l'intelligence artificielle.
• Le Deep Learning est un sous-domaine du Machine Learning utilisant des réseaux de neurones profonds.
• L'IA générative est capable de produire de nouveaux contenus tels que du texte, des images, de l'audio, de la vidéo ou du code.
• Une automatisation n'est pas nécessairement une intelligence artificielle.
• Les systèmes d'IA actuels possèdent des limites et leurs résultats doivent être vérifiés lorsque l'exactitude est importante.
• Une IA générative peut produire des hallucinations, c'est-à-dire des informations incorrectes ou inventées.
• L'intelligence artificielle et l'intelligence humaine ne doivent pas être confondues.

Auteur : Younes Derfoufi
Lieu de travail : CRMEF OUJDA
Site Web : www.tresfacile.net
Chaine YouTube : https://www.youtube.com/user/InformatiquesFacile
Me contacter : https://www.tresfacile.net/me-contacter/