|
Édition du: 09/12/2025 |
|
INDEX |
LOGIQUE et IA |
||||
|
MSI (Maths) |
|||||
|
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 :
|
|
Suite |
||
|
Voir |
|
|
|
|
||
|
Sites |
|
|
|
Cette
page |
||
