Lorsqu’on parle d’intelligence artificielle (IA), on imagine souvent des robots capables de penser comme des humains ou des algorithmes qui devinent nos goûts. Mais l’IA est en réalité un domaine très vaste, composé de plusieurs sous-domaines.
Pour bien comprendre, on peut visualiser cela comme des cercles imbriqués :
1. L’intelligence artificielle : le grand ensemble
L’intelligence artificielle désigne l’ensemble des méthodes, techniques et systèmes informatiques qui visent à simuler ou reproduire certaines formes d’intelligence humaine : apprendre, raisonner, percevoir, décider, interagir.
Concrètement, cela englobe :
La logique symbolique : l’usage de règles, de représentations explicites de connaissances, de chaînes de raisonnement formel pour que la machine tire des conclusions.
Les systèmes experts : des programmes conçus pour imiter un expert humain dans un domaine précis grâce à des bases de connaissances et des inférences.
Les algorithmes de recherche et d’optimisation : par exemple pour explorer un espace de solutions, trouver le meilleur chemin, résoudre des contraintes.
La reconnaissance de la parole (speech recognition) : permettre à la machine d’écouter, transcrire et interpréter la voix humaine.
La vision par ordinateur (computer vision) : permettre à la machine de voir, d’interpréter des images ou des vidéos, de reconnaître des objets ou des scènes.
2. Le Machine Learning : apprendre à partir des données
Le Machine Learning est un sous-domaine de l’IA.
Au lieu de programmer explicitement chaque règle, on entraîne des modèles à apprendre à partir d’exemples.
Exemple :
Pour qu’un ordinateur reconnaisse des chats, on lui montre des milliers d’images de chats et d’objets non-chats. Le modèle apprend ensuite par lui-même à repérer les caractéristiques distinctives.
Types d’apprentissage :
1. Apprentissage supervisé
Le modèle apprend à partir de données étiquetées, c’est-à-dire des exemples pour lesquels la réponse correcte est déjà connue.
2. Apprentissage non supervisé
Ici, les données ne sont pas étiquetées. Le modèle doit découvrir seul des structures cachées, des regroupements ou des tendances dans les données.
3. Apprentissage par renforcement
Le modèle apprend par essais et erreurs, en recevant des récompenses ou des pénalités selon ses actions.
Exemples concrets :
-
Les systèmes de recommandation (Spotify, YouTube, Netflix) apprennent de nos comportements passés.
-
Les banques utilisent le ML pour détecter les fraudes.
-
Les entreprises l’utilisent pour prédire la demande, analyser des sentiments sur les réseaux sociaux, ou encore automatiser des décisions.
3. Le Deep Learning : l’apprentissage profond
Le Deep Learning est une branche du Machine Learning qui utilise des réseaux de neurones artificiels à plusieurs couches.
Chaque couche apprend à extraire une représentation de plus en plus abstraite des données :
-
La première couche repère les éléments simples (par exemple des bords ou des couleurs dans une image).
-
La deuxième couche combine ces éléments pour reconnaître des motifs plus complexes (yeux, oreilles).
-
Les couches suivantes reconnaissent des objets entiers (un chat, un chien, une voiture, etc.).
Domaines d’application
Le Deep Learning est aujourd’hui derrière la plupart des innovations spectaculaires de l’IA :
-
Reconnaissance vocale (Siri, Alexa, Google Assistant)
-
Traduction automatique (DeepL, Google Translate)
-
Voitures autonomes
-
Génération de texte ou d’images (ChatGPT, DALL·E, Midjourney)
-
Diagnostic médical assisté par IA
