Comprendre l’IA : Guide pour les débutants

Je vais te vulgariser le concept d’Intelligence Artificielle, t’expliquer ses différentes composantes en répondant à tes questions : Comment ça marche ? C’est quoi les réseaux de neurones ? Et quelle est la différence entre « machine learning » et « deep learning » ?

Je t’explique tout ça ! 👇

De quoi on parle quand on parle d’IA ?

En fait, cela fait référence à des systèmes informatiques capables d’exécuter des tâches qui nécessitent normalement une intelligence humaine.

C’est pourquoi on parle et on voit souvent des réseaux de neurones quand on parle de cette technologie, elles essaient de reproduire le même système que le cerveau humain.

Mais attention, toutes les IA ne sont pas exclusivement basées sur des réseaux de neurones.

Bien que les réseaux de neurones soient largement utilisés aujourd’hui, il existe d’autres systèmes et approches pour construire des intelligences artificielles :

LES IA AVEC PROGRAMMATION HUMAINE

• Les algorithmes basés sur des règles

Avant l’essor des réseaux de neurones, de nombreuses IA étaient basées sur des systèmes d’algorithmes définis par des règles explicites rédigées par un humain.

• Les systèmes multi-agents

Ici, plusieurs agents autonomes interagissent entre eux pour résoudre un problème ou accomplir une tâche. Ces agents peuvent être programmés pour coopérer ou rivaliser, ce qui permet de modéliser des systèmes complexes comme les marchés financiers, la gestion de trafic ou les simulations de comportement.

LES IA AVEC APPRENTISSAGE AUTOMATIQUE

C’est dans cette section que l’on va retrouver les IA qui émergent peu à peu dans notre quotidien, celles qui apprennent de manière automatique et en autonomie et il existe plusieurs systèmes d’apprentissage :

• Le machine learning

Également communément appelé apprentissage machine, c’est une sous-catégorie de l’IA. Cette approche permet d’entraîner un modèle, par exemple de reconnaissance d’image ou de texte à partir d’un jeu de données initial alimentant le modèle.

À partir de ces données d’entrée, le modèle définit ainsi mathématiquement un ensemble de critères pour permettre d’estimer une probabilité de similarité.

Un système de machine learning va apprendre à reconnaître des images de chats en analysant des milliers d’images étiquetées comme étant des chats.

Tu vois les captchas qui te demandent d’identifier les images de voiture, de vélos ou de passages piétons ? Cela permet entre autres de protéger les sites de robots malveillants mais ils permettent aussi à Google d’entraîner leur modèle d’apprentissage !

En effet, le volume et la variété de données collectées représente un véritable enjeu pour l’entraînement d’IA.

La machine aura effectué un prétraitement, mais l’intervention humaine permet de confirmer cette classification initiale. Démultipliez cela par le nombre d’utilisateurs en variant les propositions d’images, et vous obtenez ainsi un système de confirmation optimisé à moindre coût pour les voitures autonomes, Google Image et Google maps principalement.

• Reinforcement Learning (Apprentissage par renforcement)

  Dans l’apprentissage par renforcement, une IA apprend à prendre des décisions en recevant des récompenses ou des punitions en fonction de ses actions. Ce type de learning est utilisé dans des domaines comme les jeux vidéo, la robotique, et la gestion des ressources, où une IA doit apprendre à optimiser ses actions pour maximiser une récompense à long terme.

• Les algorithmes évolutionnaires sont inspirés des principes de la sélection naturelle.

  Ils sont utilisés pour résoudre des problèmes en “évoluant” vers une solution optimale. Ces algorithmes manipulent une population de solutions possibles, les combinent, les mutent, et sélectionnent les meilleures solutions au fil des générations.

Il y a aussi des systèmes d’apprentissage automatique qui n’utilisent pas de réseaux de neurones :

• Les modèles bayésiens ou probabilistes utilisent des probabilités pour gérer l’incertitude dans la prise de décision. Ces modèles sont couramment utilisés dans des applications comme la reconnaissance de motifs, la prévision, et le diagnostic médical.

• Les arbres de décision

  Méthode où des décisions sont prises en suivant une série de questions hiérarchiques basées sur les caractéristiques des données. Les forêts aléatoires sont une extension de cette méthode, où plusieurs arbres de décision sont combinés pour améliorer la précision et réduire le risque de surapprentissage.

• Les Machines à Vecteurs de Support (SVM)

  Les SVM sont une méthode de classification qui trouve une frontière optimale entre différentes classes dans les données. Ils sont particulièrement efficaces pour les tâches de classification dans des espaces de haute dimension et sont utilisés dans des applications telles que la reconnaissance de texte manuscrit ou la classification d’images.

Et il en existe d’autres comme la régression linéaire ou les Key-Nearest Neighbors (KNN).

LES IA AVEC APPRENTISSAGE AUTOMATIQUE PROFOND

• Le deep learning

  C’est une branche du machine learning qui utilise des réseaux de neurones profonds, c’est-à-dire des réseaux avec de nombreuses couches. Cette technique est particulièrement efficace pour traiter des volumes de données massifs et des problématiques complexes.

  Cette avancée a ouvert de nouvelles perspectives passionnantes pour l’IA.

• Les Transformers qui sont spécialisés dans le traitement du langage naturel (Ce qu’on appelle le NLP). Je t’ai expliqué ce concept dans mon article sur L’histoire de l’IA.

• Les systèmes basés sur la logique « Fuzzy » (Floue)

  La logique floue permet à un système de prendre en compte des valeurs incertaines ou approximatives plutôt que des valeurs binaires strictes (vrai ou faux). Cela est particulièrement utile dans des situations où les décisions doivent être prises en tenant compte d’incertitudes ou de variables floues, comme le contrôle d’un appareil ou la gestion des risques.

• Les Réseaux Antagonistes Génératifs (GANs)

  Les GANs sont une technique où deux réseaux de neurones, un générateur et un discriminateur, sont mis en compétition. Le générateur crée des exemples faux, tandis que le discriminateur tente de distinguer les exemples vrais des faux. Cette méthode est utilisée pour générer des images, des vidéos, et d’autres types de données synthétiques.

Et il existe encore pleins d’autres architectures : Réseaux de Neurones Récurrents (RNN), Réseaux de Neurones Convolutionnels (CNN), Réseaux de Neurones Graphiques (GNN)…

Pour conclure

Si on devait schématiser ce que je viens de te dire, globalement, voilà ce que ça donnerait :

Le machine learning a fourni les bases générales pour développer des modèles,

Le deep Learning est intervenu pour traiter la complexité du langage,

Et le NLP est l’application de ces technologies pour résoudre des problèmes liés au langage humain.

A bientôt ! 🤖