|
Édition du: 02/06/2026 |
|
INDEX |
LOGIQUE et IA |
|||||
|
Jeux |
||||||
|
Le monde industriel de l'IA
(2026) |
||||||
|
Avril 2026 – pdf – 234 pages |
|
|||||
Faites un double-clic pour un retour
en haut de page
|
Intelligence artificielle – I.A. Personne ne viendra lire
cette page sans avoir sa petite idée sur ce qu’est l’intelligence
artificielle. C'est un vaste sujet. Il s'agit de la faculté de reproduire un
" raisonnement " par des moyens informatiques. C’est
l’ordinateur qui "pense"… pour reconnaître, s'adapter à des
situations… comme le ferait un être humain. L'I.A fait partie de la cognitique. En 1950, Alan Turing se posait la question: "Can machine think?". Quelques années plus tard, McCarthy propose
de nommer les recherches dans ce domaine: intelligence artificielle. À cette
époque les chercheurs, outre Turing et McCarthy sont: Claude Shannon, Marvin
Minsky, Rochester … John McCarthy (1958 –
MIT; puis Stanford en 1962) est l'inventeur du premier langage d'intelligence
artificielle: le langage LISP (List Processor).
Suivra en 1972, le langage PROLOG conçu par le Français Alain Colmeraurer.
C'est McCarthy qui a proposé le terme: intelligence artificielle dont il propose la définition suivante: l'IA est
la science et l’ingénierie de fabrication des machines intelligentes,
notamment des programmes informatiques intelligents. |
|||
|
|
Sommaire de cette page >>>
Approche >>> Trois méthodes >>> Trois méthodes par
l'exemple >>>
Ascendant ou descendant >>>
Une vision du domaine >>>
Crainte de l'IA >>> Vocabulaire >>>
Glossaire de l'IA |
|
Débutants Glossaire |
Anglais: Artificial
Intelligence – A.I.
|
C'est logique ! Où il y a de l'intelligence artificielle, il a
forcément de la stupidité artificielle. |
It figures*. If
there's artificial intelligence, there's bound to be some artificial
stupidity. * Lit. ça n'a rien d'étonnant |
Voir Pensées
& humour / Tournures
anglaises
En bref
|
L'informatique traite les données (informations numériques). L'intelligence artificielle traite les connaissances (informations symboliques). Prospective: beaucoup croient que le projet de l'intelligence
artificielle va bien au-delà de la simple simulation de comportements
intelligents et qu'il porte sur la réification
d'une conscience. Les développements actuels (2017) porteraient sur l'IA
faible pour devenir, à terme, une IA forte. |
Marché prévisionnel de l'IA
|
Les mots clés de l'IA:
Deux vagues d'IA
|
|
Il existe de nombreux sites expliquant la théorie. On essaie, ici, de toucher du doigt le domaine, de comprendre les mécanismes et les enjeux. |
|
Weapon
or Math Destruction Titre du livre (2018) de Cathy O'Neil,
mathématicienne américaine, dénonçant les dangers des algorithmes d'IA
conduisant à la prise automatique de décisions. Jeu de mots avec Weapons of Massive Destruction, armes de destruction
massive. |
Voir Pensées & humour
|
|
||
|
Ordinateurs |
Les ordinateurs sont devenus de plus en
plus puissants, mais ils ne permettent pas de toujours résoudre tous les
problèmes. La matériel n'est peut être pas en cause. C'est le logiciel qu'il faut améliorer. |
|
|
Logiciels |
La construction de logiciels s'appuie
sur plusieurs approches:
|
|
|
|
|||
|
Une approche algorithmique |
Elle nécessite l’écriture du processus
à suivre pour résoudre le problème puis sa transcription en un programme. Lorsque
le problème est complexe, ce peut être une étape coûteuse ou impossible. D’autre part, les ordinateurs sont des
machines complètement logiques qui suivent à la lettre chacune des
instructions du programme. C’est un avantage lorsque tous les cas ont été
prévus à l’avance par le développeur de l'algorithmique. |
||
|
Systèmes experts |
La seconde approche par possible est celle de
l’intelligence artificielle (IA),
avec pour application la plus connue les systèmes experts. Voir
Raisonnement par
système expert Ici, la résolution du problème s'appuie
sur un ensemble de règles données par l’expert humain du domaine. Il n’en demeure pas moins que toutes
les règles doivent avoir été exprimées préalablement au traitement, et que le
programme demeure binaire dans son exécution. Les cas qui n’ont pas été
prévus par l’expert ne seront pas correctement traités. L’introduction de la logique floue
ne change pas la nature des limitations d’emploi du programme: l'exécution
reste totalement déterministe. |
||
|
Alors, comment aller plus loin? |
L’approche basée sur la connaissance s'applique
là où la modélisation de la connaissance est possible, sous forme de règles, par
exemple: |
||
|
|
Pour les sciences "exactes"
La
connaissance y est explicite. |
Et non
les sciences dites "humaines"
La
connaissance y est empirique. |
|
|
Les réseaux neuroniques |
Les deux approches indiquées ne
suffisent pas pour
Pour cette troisième approche, on
cherche à s’inspirer du traitement de l'information effectué par le cerveau. En effet, la structure du système
nerveux, les mécanismes mentaux, les processus neurophysiologiques,
l'architecture du cerveau sont à la base du développement d’un comportement
intelligent. Les réseaux de neurones artificiels tentent
de reproduire ce comportement. |
||
|
Approche avec l'exemple du jeu de dames |
|
|
|
Niveaux |
Trois niveaux possibles de
" raisonnement " |
|
|
ALGORITHME Programmation impérative |
Avant chaque mouvement de pièce, exploration
de tous les cas possibles. On peut, au prix d'une
certaine complexité, y ajouter des tests pour éviter d'explorer des cas de
figures très probablement perdants. Le but étant de diminuer le nombre des
calculs qui sont trop nombreux pour être calculés en un temps raisonnable.
C'est encore pire aux échecs comparés aux dames. >>> Suite |
|
|
EXPERT Programmation déclarative ou logique |
Dans une base de connaissances, on
pourrait enregistrer un grand nombre de parties connues. Si le système reconnaît une de ces
parties, il joue les coups enregistrés. On voit bien ici que l'algorithme
déroule systématiquement l'exploration de tous les coups permis. Avec le système expert, comme son nom
l'indique, une bonne dose de connaissances du jeu a été introduite. Ça n'est plus une simple mécanique en
action, mais l'utilisation de règles de déduction basées sur la forte
connaissance des spécialistes humains. >>> Suite |
|
|
NEURONIQUE Programmation fonctionnelle |
Apprentissage en jouant des parties et en
tentant de mémoriser les différences entre-elles. Trouver les caractéristiques de
chacune. La machine se bonifie à chaque partie L'homme en face ne sait pas très bien
ce que la machine mémorise pour arriver au résultat. Mais ça marche! Aucune expertise n'est apportée. Sinon
par mimétisme du joueur en face de la machine. Et encore! On a conçu des machines
neuroniques qui jouaient entre elles. Un programme de sélection récompensait
les plus fortes et éliminaient les plus faibles. Par auto-adaptation
restait une seule machine qui s'est révélée très performante. Voir l'exemple des échecs avec
l'évolution des programmes Deep Blue (1996 – Classique)) et AlphaZero (2017 – Apprentissage profond). >>> Suite |
|
|
Conclusion |
Les trois manières de trouver une solution
sont très différentes et s'appliquent à des cas d'application spécifiques.
Elles sont complémentaires. |
|
|
Le Machine Learning est
un sous-ensemble de l'IA. Les réseaux neuroniques sont une des technologies
de base. Arthur Samuel en 1959
en fut le pionnier et il définit le machine learning
comme le champ d’étude qui donne aux ordinateurs la capacité d’apprendre sans
être explicitement programmés à apprendre. La qualité des
prédictions des algorithmes s’améliore avec l’expérience. |
|
|
||
|
DESCENDANTE |
ASCENDANTE |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
D'après: Visions de Michio
Kaku – Chapitre sur la révolution informatique
|
|
|
|
Les systèmes experts, permettant d'appliquer des règles pour prendre
des décisions ou découvrir de nouvelles connaissances. >>> La logique floue, permettant de contrôler des systèmes
informatiques ou mécaniques de manière beaucoup plus souple que les
programmes traditionnels.>>>
Les algorithmes de recherche de chemin, dont le A* très utilisé dans les jeux vidéo pour
trouver les meilleurs itinéraires.>>>
Les algorithmes génétiques,
utilisant la puissance de l'évolution pour apporter des solutions à des
problèmes complexes.
Les principales métaheuristiques,
dont la recherche tabou, trouvant des optimums à des problèmes
d'optimisation, avec ou sans contraintes.
Les systèmes multi-agents,
simulant des foules ou permettant des comportements émergents à partir de
plusieurs agents très simples.
Les réseaux de neurones,
capables de découvrir et de reconnaître des modèles, dans des suites
historiques, des images ou encore des données. >>> Extrait et
commentaire du sommaire du livre de Virginie Mathivet |
|
|
|
||
|
Trois personnages célèbres, entre
autres, se prononcent sur les dangers à terme de l'IA: Bill Gates, Stephen
Hawking et Elon Musk . Certains redoutent que ces
technologies:
La science-fiction invente des utopies;
l'IA pourrait devenir une dystopie. L'ordinateur ne peut pas se mettre à
avoir une conscience pour nuire à l'homme. Par contre,
il peut devenir idiot. Le cerveau humain, lui, est doué de discernement dans
notre environnement complexe. Un défi pour les informaticiens: mettre
en place les garde-fous pour assurer la sécurité des innovations en IA. |
Dans un premier temps
les machines seront bien utiles: accomplissant des tâches à notre place sans
être intelligente, malgré leur dotation en IA. Puis l'IA va progresser.
Elle deviendra très puissance au point de ne plus pouvoir la contrôler. Sentiment de Bill Gates, co-fondateur de Microsoft La plus grande menace
pour notre existence, c'est l'IA. Nous devrions mettre en place une
régulation au niveau national, voire international. Sentiment d'Elon Musk, fondateur et patron de Tesla Motors et SpaceX Réussir à créer une IA
serait le plus grand événement dans l'histoire de l'homme, mais ce pourrait
être le dernier. L'IA dépend de qui la contrôle et, on peut même se demander
si elle peut être contrôlée. Sentiment de Stephen
Hawking, scientifique. |
|
D'après: IA:
attention danger, même Bill Gates a peur! Raphaële
Karayan – L'Express 02/02/2015
|
|
||
|
Voici une liste de mots et sujets que
l’on retrouve dans le domaine de l’I.A. (Intelligence Artificielle). Voir le Glossaire
pour les explications. |
||
|
USAGES |
|
|
|
OUTILS |
|
|
|
MÉTHODES |
|
|
|
FONDEMENTS |
|
|
|
ÉPISTÉMOLOGIE (fondements théoriques et valeurs) |
|
|
|
Les bases et les fondations |
||
|
Terme |
Définition |
|
|
Intelligence artificielle (IA) |
Discipline informatique (et interdisciplinaire)
dont l’objet est de concevoir des systèmes capables d’imiter certaines
fonctions cognitives humaines (raisonnement, perception, prise de décision,
apprentissage…) afin d’assister ou de substituer l’effort humain. |
|
|
IA faible |
IA spécialisée dans une tâche précise, sans
compréhension générale ni conscience. C’est l’ensemble des IA existantes
aujourd’hui. |
|
|
IA forte |
Concept d’une IA capable de raisonnement général
et d’autonomie cognitive, comparable à l’intelligence humaine. Cette forme
d’IA reste théorique aujourd’hui. |
|
|
Concept |
IA faible |
IA forte / AGI |
|
Statut |
Réelle, utilisée aujourd’hui |
Théorique, n’existe pas encore |
|
Type d’intelligence |
Spécialisée |
Générale, polyvalente |
|
Capacités |
Exécute une tâche précise, pas de compréhension |
Raisonnement général, autonomie, adaptation |
|
Conscience |
Aucune |
Hypothétique, selon les définitions |
|
Exemples |
Chatbots, reconnaissance d’images, assistants vocaux |
IA fictives (HAL 9000, Data, etc.) |
|
Algorithme |
Suite d'instructions précises qu’un ordinateur
suit pour traiter des données, résoudre un problème ou produire un résultat.
Tous les systèmes d’IA reposent sur des algorithmes. |
|
Données |
Matière première de l’IA : textes, images, sons,
chiffres utilisés pour entraîner les modèles. La qualité, la quantité et la
diversité des données influencent fortement les performances. |
|
Modèle |
Représentation mathématique d’un système capable
de faire des prédictions ou de prendre des décisions. |
|
Big Data |
Très grands volumes de données, souvent
hétérogènes, qu’un système d’IA peut analyser. Le Big Data rend possible
l’entraînement de modèles puissants, notamment quand les données sont
massives et variées. |
|
Réseau
de neurones artificiel |
Modèle computationnel inspiré — de façon
lointaine et abstraite — du fonctionnement des neurones biologiques. Constitué
de “neurones formels” interconnectés, il sert à traiter des données, détecter
des patterns, apprendre et généraliser. |
|
Pattern |
Motif régulier ou un schéma récurrent détecté
dans des données. C’est quelque chose qui se répète dans les
données et que le modèle apprend à identifier, classifier ou prédire. Dans le cadre de l’IA, un pattern correspond à :
Exemples En vision par ordinateur → reconnaître un
visage = détecter des patterns (contours, symétrie, contraste). En traitement du langage → détecter qu’un
texte exprime une émotion = reconnaître des patterns lexicaux. En analyse de données → repérer des clients
ayant un comportement similaire = trouver des patterns dans leur historique. |
|
Apprentissage supervisé |
Méthode d’apprentissage où le modèle est entraîné
à partir de données annotées (exemples avec réponses). |
|
Apprentissage non supervisé |
Méthode où le modèle découvre des structures ou
des regroupements sans indication préalable. |
|
Les méthodes d’apprentissage |
|
|
Machine Learning (ML) |
Sous-domaine de l’IA où les modèles apprennent à
partir de données sans être explicitement programmés. L’algorithme ajuste ses
paramètres selon les données d’entrée/sortie. |
|
Apprentissage supervisé |
Méthode ML dans laquelle les données
d'entraînement sont étiquetées (entrées + sorties connues). Le modèle apprend
à prédire la bonne sortie. Utile pour classification, reconnaissance
d’images, traduction, etc. |
|
Apprentissage non supervisé |
Méthode ML utilisant des données non étiquetées :
l’algorithme cherche par lui-même des structures, des régularités, des
regroupements, ou des motifs cachés dans les données. Utilisé pour
clustering, segmentation, détection d’anomalies, etc. |
|
Clustering |
Le clustering (ou regroupement, segmentation en
clusters) est une technique d’apprentissage non supervisé qui consiste à
regrouper automatiquement des données similaires entre elles, sans connaître
à l’avance les catégories. Autrement dit, l’algorithme cherche lui-même des
groupes naturels dans un ensemble de données. |
|
Apprentissage
par renforcement |
Méthode ML dans laquelle un agent interagit avec
un environnement : il effectue des actions, reçoit des récompenses ou
pénalités, et apprend à optimiser ses décisions pour maximiser la récompense
cumulative. Très utilisé en robotique, jeux, systèmes adaptatifs. |
|
Apprentissage profond Deep Learning (DL) |
Branche du ML utilisant des réseaux de neurones
profonds (à plusieurs couches) pour traiter des données souvent complexes ou
non structurées (images, texte, audio) et en extraire automatiquement des
caractéristiques, et résoudre des problèmes difficiles. |
|
Réseau de neurones |
Structure inspirée du cerveau humain, composée de
“neurones” artificiels interconnectés. |
|
Entraînement |
Phase où le modèle ajuste ses paramètres pour
minimiser les erreurs sur les données d’apprentissage. |
|
Overfitting
(surapprentissage) |
Situation où le modèle apprend trop bien les
données d’entraînement, au détriment de sa capacité à généraliser. |
|
Underfitting
(sous-apprentissage) |
Le modèle est trop simple ou trop peu entraîné :
il n’arrive pas à capturer les motifs (patterns) des données. |
|
Transformer |
Architecture de réseau de neurones introduite en
2017, permettant un traitement parallèle du texte grâce au mécanisme
d’attention. |
|
Attention / Self-Attention |
Mécanisme permettant à un modèle d’identifier
quelles parties d’un texte sont importantes pour comprendre ou générer une
phrase. Élément central des transformers. |
|
Embeddings |
Représentations numériques compressées de mots,
phrases, images ou concepts. Ils capturent les relations sémantiques (ex. :
“roi – homme + femme ≈ reine”). |
|
Prompting |
Technique consistant à guider un modèle de
langage par des instructions textuelles précises. Le prompting
est l’art de formuler ces instructions. |
|
Fine-tuning |
Réentraînement d’un modèle existant sur un jeu de
données plus petit et spécialisé pour l’adapter à une tâche ou un domaine
particulier. |
|
RLHF —
Reinforcement Learning from Human Feedback |
Technique de réglage des modèles où les humains
évaluent les réponses, et le modèle apprend à imiter celles jugées les
meilleures. Utilisé pour rendre les LLM plus sûrs et plus
utiles. |
|
Token |
Unité minimale utilisée par les modèles de
langage (souvent un morceau de mot ou un symbole). Moins qu’un “mot”, mais plus qu’un “caractère”. |
|
Les technologies et les évolutions |
|
|
GPU / TPU |
GPU : processeur graphique utilisé pour
l’entraînement des modèles (énormes capacités de calcul parallèle). TPU : processeur spécialisé conçu par Google pour
accélérer les réseaux de neurones. |
|
Modèle génératif |
Modèle capable de produire du contenu (texte,
image, son) à partir d’une consigne. Modèle d’IA entraîné pour générer de nouvelles
données similaires à celles sur lesquelles il a été entraîné (texte, image,
audio, etc.). Par exemple pour créer du texte, des images ou des sons
“nouveaux”. Les modèles génératifs modernes reposent souvent
sur des architectures de deep learning
ou des réseaux complexes. Cela reflète l’évolution de l’IA vers la
“génération” en plus de la “reconnaissance” |
|
LLM — Large Language
Model (Modèle de Langage de Grande Taille) |
Modèle d’IA entraîné sur d’immenses quantités de textes,
capable de prédire, générer et structurer du langage humain. Utilise souvent
des architectures comme les transformers. Exemples : GPT, Claude, Llama. |
|
IA conversationnelle |
Système capable de dialoguer avec un humain en
langage naturel (ex. assistants vocaux, chatbots). |
|
Vision par ordinateur |
Capacité d’un système à interpréter des images ou
des vidéos. |
|
Traitement du langage naturel (NLP) |
Ensemble de techniques permettant à une machine
de comprendre et produire du langage humain. |
|
IA embarquée |
IA intégrée dans des objets physiques (voitures,
robots, smartphones). |
|
Edge computing |
Traitement des données directement sur les
appareils, sans passer par le cloud. |
|
Inference
(inférence) |
Phase où le modèle utilise ce qu’il a appris pour
produire une réponse. Par opposition à l'entraînement, qui est la phase
d’apprentissage. |
|
Les enjeux et les limites |
|
|
Qualité et représentativité des données |
Comme les systèmes d’IA apprennent à partir de
données, si ces données sont biaisées, incomplètes ou non représentatives,
l’IA peut reproduire ou amplifier des biais, ou produire des résultats
incorrects. Le phénomène de biais algorithmique (ou biais de données) est un
des défis majeurs. |
|
“Boîte noire” / manque d’explicabilité (opacité) |
Les modèles complexes (notamment les réseaux
profonds) peuvent être très opaques : il est difficile de comprendre
exactement pourquoi ils prennent telle ou telle décision. Cela pose problème quand on cherche de la transparence, de la
confiance, ou pour répondre à des obligations légales/éthiques. |
|
Généralisation vs spécialisation |
Beaucoup de systèmes d’IA sont des IA “faibles” —
c’est-à-dire très performants sur un domaine précis, mais incapables de
“raisonner” ou de s’adapter à des situations très différentes. L’IA forte (ou
générale) reste un rêve/futur — les limites actuelles sont nombreuses. |
|
Biais algorithmique |
Distorsion involontaire dans les résultats d’un
modèle, souvent liée aux données d’entraînement. |
|
Explicabilité |
Capacité à comprendre comment une IA prend ses
décisions. |
|
Éthique de l’IA |
Réflexion sur les usages responsables, les
impacts sociaux et les limites morales de l’IA. |
|
Hallucination |
Production par une IA de réponses fausses ou
incohérentes, présentées comme vraies. Car l'IA génère du texte à partir de
probabilités et non de connaissances réelles. |
|
Vie privée, données sensibles, éthique |
L’emploi de grandes quantités de données —
souvent personnelles — pose des enjeux de confidentialité, consentement, et
responsabilité. L’utilisation de l’IA doit être guidée par des principes
éthiques, transparence et respect des droits. |
|
RGPD |
Règlement européen encadrant la protection des
données personnelles, impactant l’usage de l’IA. |
|
Ressources / coût computationnel |
Les modèles complexes, en particulier en deep learning, nécessitent
beaucoup de données, de puissance de calcul, d’énergie — ce qui pose des
défis techniques, environnementaux, économiques. |
|
Computationnel |
Le mot computationnel (anglicisme de computational) qualifie tout ce qui relève du calcul
automatisé réalisé par une machine. Dans l’IA, un modèle computationnel est
un système basé sur des calculs mathématiques et algorithmiques permettant de
traiter ou d'apprendre à partir de données. Dire qu’un système a une approche ou une méthode
computationnelle signifie qu’elle repose sur :
|
Haut de page
(ou double-clic)
|
Suite |
||
|
Voir |
|
|
|
|
||
|
Sites |
|
|
|
Cette page |
||
