L'intelligence artificielle (IA) désigne un ensemble de techniques permettant à un ordinateur d'effectuer des tâches qui nécessitent habituellement certaines capacités humaines, comme reconnaître des images, comprendre du langage, traduire un texte, produire du contenu ou analyser des informations.

L'IA ne correspond pas à un seul programme ni à une seule technologie. Elle regroupe différentes méthodes informatiques. Certaines permettent à une machine de suivre des règles définies à l'avance, tandis que d'autres lui permettent d'apprendre à partir de grandes quantités de données. Le machine learning, ou apprentissage automatique, constitue ainsi l'une des principales méthodes utilisées dans l'IA moderne.

Le fonctionnement général

Un système d'IA reçoit des données, les traite avec des algorithmes et produit un résultat. Dans le cas d'un modèle utilisant le machine learning, une phase d'entraînement permet au système d'analyser de nombreux exemples afin de repérer des régularités. Le modèle entraîné peut ensuite traiter de nouvelles données et produire une prédiction, une classification ou une réponse.

Par exemple, un système entraîné avec de nombreuses photographies de chats et de chiens peut apprendre à distinguer certaines caractéristiques des deux animaux. Lorsqu'une nouvelle photographie lui est présentée, il peut alors estimer à quelle catégorie elle appartient.

Les principales technologies

L'intelligence artificielle fait partie d'un ensemble plus large de technologies qui permettent aux machines de percevoir leur environnement, de traiter des informations et d'effectuer des actions.

• Intelligence artificielle : analyse de données, reconnaissance d'images, traitement du langage, traduction, génération de contenu ou aide à la décision.
• Robotique : conception de machines capables d'effectuer automatiquement des actions physiques.
• Internet des objets : utilisation d'objets connectés capables de recueillir et d'échanger des données.
• Réalité virtuelle : création d'un environnement numérique dans lequel l'utilisateur peut être immergé.
• Réalité augmentée : ajout d'informations numériques à l'environnement réel.

Les applications

Ces technologies sont utilisées dans de nombreux domaines. En médecine, l'IA peut aider à analyser des images ou des données. Dans les transports, elle peut assister la navigation et l'analyse du trafic. Dans l'industrie, elle permet de surveiller des machines et d'automatiser certaines opérations. Dans l'éducation, elle peut servir à créer des outils d'apprentissage adaptés. Elle intervient également dans la recherche scientifique, la finance, les jeux vidéo et de nombreux services numériques.

Les robots utilisent de leur côté des capteurs, des programmes et des actionneurs pour agir physiquement sur leur environnement. Certains fonctionnent selon des instructions préprogrammées, tandis que d'autres utilisent des systèmes d'IA pour analyser les informations recueillies et adapter leurs actions.

Les objets connectés permettent également de recueillir et de transmettre automatiquement des informations. Une montre connectée peut par exemple mesurer une activité physique et transmettre les données à un smartphone ou à un serveur.

Les progrès technologiques

Les progrès des processeurs, des cartes graphiques, du stockage et des réseaux permettent de traiter des quantités de données de plus en plus importantes. Cette évolution a rendu possible l'entraînement de modèles d'IA beaucoup plus complexes qu'auparavant.

Les assistants virtuels, les systèmes de reconnaissance d'images, les outils de traduction et les générateurs de contenu utilisent ainsi des modèles capables de traiter rapidement de grandes quantités d'informations.

Les limites et les enjeux

Les résultats produits par une IA ne sont pas toujours exacts. Ils dépendent notamment de la qualité des données utilisées et de la manière dont le système a été conçu. Des données incomplètes ou déséquilibrées peuvent entraîner des biais, tandis qu'un modèle peut produire une information incorrecte avec une apparence convaincante.

Le développement de ces technologies soulève également des enjeux concernant la protection des données personnelles, la fiabilité des résultats, la responsabilité en cas d'erreur, l'évolution de certains métiers et la consommation de ressources informatiques.

L'intelligence artificielle et les nouvelles technologies permettent donc d'automatiser certaines tâches, d'analyser rapidement de grandes quantités d'informations et de créer de nouveaux outils. Leur utilisation nécessite cependant de connaître leurs possibilités, leurs limites et leurs conséquences afin de les employer de manière fiable et responsable.

Le principe du machine learning

Le machine learning, ou apprentissage automatique, est une branche de l'intelligence artificielle qui permet à un ordinateur de réaliser une tâche en apprenant à partir de données.

Dans une programmation classique, le programmeur écrit les règles que l'ordinateur doit appliquer. En machine learning, le fonctionnement est différent : le système reçoit de nombreux exemples et construit lui-même un modèle capable de reconnaître des régularités dans ces données.

Par exemple, pour reconnaître des photographies de chats, il n'est pas nécessaire de programmer une liste précise de caractéristiques définissant tous les chats possibles. Le système analyse de nombreuses images identifiées comme représentant ou non un chat et apprend progressivement les caractéristiques statistiques permettant de les distinguer.

Les données d'apprentissage

Le fonctionnement commence par la collecte de données. Ces données servent d'exemples au système : photographies, textes, sons, mesures, transactions ou tout autre type d'information adapté à la tâche.

La qualité de ces données est essentielle. Des données trop peu nombreuses, erronées ou mal représentatives peuvent conduire à un modèle qui produit de mauvaises prédictions. Les données utilisées pour l'apprentissage doivent donc être suffisamment nombreuses, pertinentes et variées.

L'entraînement du modèle

Les données sont ensuite utilisées pour entraîner un modèle. Pendant cette phase, l'algorithme analyse les exemples et ajuste progressivement ses paramètres afin de mieux reproduire les résultats attendus.

Le modèle ne mémorise pas nécessairement chaque exemple. Il cherche surtout à apprendre des relations et des régularités qui pourront être utilisées sur de nouvelles données.

Le test du modèle

Une partie des données peut être conservée pour le test et ne pas être utilisée pendant l'apprentissage. Le modèle est alors confronté à des données qu'il n'a pas vues afin de mesurer sa capacité à produire des résultats corrects sur de nouvelles situations.

Un modèle qui fonctionne très bien sur les exemples utilisés pour son apprentissage mais beaucoup moins bien sur de nouvelles données peut avoir mémorisé ces exemples au lieu d'apprendre des règles suffisamment générales. Ce problème est appelé surapprentissage.

Les prédictions

Une fois entraîné et évalué, le modèle peut recevoir de nouvelles données. Il analyse ces informations et produit une prédiction, une classification, une recommandation ou une estimation selon la tâche pour laquelle il a été conçu.

Un système de détection de spam peut par exemple analyser un nouveau message et estimer la probabilité qu'il soit indésirable. Un système de reconnaissance d'images peut identifier les objets présents sur une photographie.

Les applications du machine learning

• Reconnaissance d'images : identification d'objets, de visages ou de différentes catégories d'images.
• Reconnaissance et traitement du langage : analyse de textes, traduction automatique et reconnaissance de la parole.
• Recommandation : sélection de vidéos, de produits ou de contenus susceptibles de correspondre aux habitudes d'un utilisateur.
• Détection de fraudes : repérage de transactions ou de comportements inhabituels.
• Prévision : estimation de valeurs ou d'événements à partir de données précédentes.
• Médecine : aide à l'analyse de certaines images médicales ou de données, sous le contrôle de professionnels.

Les limites du machine learning

Un modèle de machine learning ne comprend pas les informations comme un être humain. Il exploite des relations statistiques apprises à partir des données pour produire le résultat correspondant le mieux à ce qu'il a appris.

Les résultats peuvent donc être inexacts. Un modèle peut reproduire les erreurs ou les biais présents dans ses données d'apprentissage. Il peut également rencontrer des situations très différentes de celles rencontrées pendant son entraînement.

L'entraînement de modèles complexes peut nécessiter une grande quantité de données et une importante puissance de calcul. La durée dépend notamment de la taille des données, de la complexité du modèle et des ressources informatiques disponibles.

Le machine learning permet ainsi à un ordinateur de tirer des informations de données pour produire des résultats sur de nouvelles situations. Il constitue aujourd'hui l'une des principales techniques utilisées pour développer des systèmes d'intelligence artificielle.