Cet article permet de comprendre l’univers de l’Intelligence Artificielle (IA) de manière générale et les méthodes d’apprentissage avec lesquelles elle se développe.
Rappelons avant tout le concept même de l’Intelligence Artificielle, une technologie programmée de manière à pouvoir réaliser des actions de manière autonome. Le tout, inspiré des méthodes d’apprentissage de nous, êtres humains.
Beaucoup d’entre nous n’y voit encore qu’un concept beaucoup trop abstrait ou trop idéalisé par rapport aux réels bénéfices que cela pourrait nous apporter.
Pourtant, dans un certain nombre de domaines, comme la médecine ou l’écologie, l’IA peut tout changer.
Mais plutôt que d’essayer de convaincre en citant des projets IA impactful, ou des projets IA crypto qui ont du sens, voyons le sujet d’un autre oeil.
Essayons de comprendre comment les machines utilisant l’IA fonctionnent, de manière globale, et sur quelle méthode d’apprentissage elles se fondent. Essayons également de faire un état des lieux des différentes branches de l’IA, comme le machine learning ou la robotique.
Vous l’aurez compris, l’IA désigne une technologie bien spécifique, qui se divise en sous-catégories selon son application et ses méthodes d’apprentissage.
Comprendre les différentes catégories d’Intelligence Artificielle : IA faible, IA forte et super IA
Tout d’abord, on distingue un type d’IA en fonction de ses capacités de pouvoir réfléchir et penser comme un être humain ou non.
De là, on distingue 3 catégories : l’IA faible, l’IA forte, et la “super” IA.
L’IA faible (appelée aussi l’IA étroite/l’IA spécialisée)
Elle est utilisée pour la réalisation de tâches simples. Fonctionne selon des algorithmes programmés par des humains. Ici on accomplie une tâche prédéfinie. Pas de pensée autonome pour ce type de machine.
Exemple : l’assistance vocale Siri d’Apple, Google Assistant ou Amazon avec Alexa. Ces derniers utilisent l’IA pour les commandes vocales et fournir aux utilisateurs les réponses appropriées. On trouve encore des exemples, dans la détection de fraude ou la traduction automatique.
L’IA d’intelligence générale (IA forte ou IA complète)
Dans ce cadre, l’IA dispose de la capacité de pouvoir penser et prendre des décisions comme un humain. Avec cette précision que pour le moment, il n’existe pas encore d’IA forte.
Exemple hypothétique : une IA capable de résoudre des problèmes que les êtres humains ne peuvent pas résoudre comme des raisonnements scientifiques ou mathématiques.
Un débat existe sur la possibilité même de son existence avec 2 écoles distinctes. ?
La super IA (ASI ou Artificial Super Intelligence)
On est ici dans un scénario de science-fiction, la super IA désigne le fait pour une IA de surpasser l’intelligence des êtres humains avec toutes les théories que cela comporte.
Les méthodes d’apprentissage au cœur des machines d’IA
A. Machine Learning : exploration des méthodes d’apprentissage essentielles
Le machine learning (aussi appelé l’apprentissage automatique) représente cette partie de l’IA qui permet aux machines d’interpréter, de traiter et d’analyser un certain nombre de données pour résoudre les problématiques du monde réel.
En bref, on donne beaucoup de données à digérer à une machine pour qu’elle puisse ensuite analyser le tout.
Le machine learning dispose de différentes méthodes d’apprentissage programmées selon qu’il s’agisse de : l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement.
1/ La méthode d’apprentissage supervisé du machine learning fondé sur des exemples étiquetés
Ici, les ordinateurs doivent réaliser des tâches spécifiques à partir d’exemples qui ont été étiquetés (des données d’apprentissage).
Exemple : sur la reconnaissance d’images.
L’idée étant que la machine puisse déterminer si l’image qu’on lui montre, appartient à la même catégorie que celles qu’on a pu lui montrer dans des exemples précédents. ?
Si on prend l’exemple d’images de chats, on va montrer d’abord des milliers d’images étiquetées comme “chat” à cet ordinateur. Ce dernier analyse ensuite ces images et apprend à identifier les caractéristiques qui les distinguent des autres animaux.
Une fois que l’ordinateur a appris à reconnaître les images de chats à partir de ces exemples, on va lui donner de nouvelles images, des images jamais vues auparavant. Puis on va lui demander s’il s’agit ou non d’une image de chat. ?
L’ordinateur utilise alors ce qu’il a appris à partir des exemples pour faire une prédiction.
2/ L’apprentissage non-supervisé par comparaison
L’apprentissage non-supervisé s’oppose à l’apprentissage supervisé, car l’appareil ne fera pas appel à des exemples étiquetés pour réaliser son analyse.
Il procèdera par comparaison, en fonction des caractéristiques des divers éléments.
Exemple : la segmentation d’image. Le but étant de pouvoir regrouper des images similaires en fonction de leurs similitudes, sans avoir de réponse pré-établie.
Très utile dans la recommandation de produits sur internet par exemple ou sur les apps.
3/ Méthode d’apprentissage par renforcement, l’expérience
Cette forme d’apprentissage correspond à celle que l’on retrouve finalement chez nous, êtres humains. Ainsi, on se base sur les expériences et sur les interactions avec l’environnement.
De la même façon, l’ordinateur explore les prises de décisions ou les commandes, il reçoit soit une récompense soit une pénalité en fonction de ses choix.
Le but étant bien entendu, que l’ordinateur avance en récoltant le plus de récompenses et ainsi, améliorer ses futurs choix.
B/ Le Deep Learning : l’apprentissage qui plonge dans les réseaux de neurones
Le deep learning est une sous-catégorie du machine learning qui utilise des réseaux de neurones artificiels pour traiter des données plus complexes et des modèles plus profonds.
En somme, le deep learning est une technique plus avancée et puissante de machine learning, capable d’analyser des données plus complexes grâce à des réseaux de neurones plus profonds et sophistiqués.
C’est l’image d’un enfant en plein apprentissage qui apprend tout d’abord les formes. Et qui peu à peu, se sert de ce qu’il voit et comprend pour réaliser des constructions à partir de ces formes (voir ce qui fonctionne ou non).
Ainsi, avec le deep learning, un réseau de neurones virtuels se développe sur des données de grandes dimensions afin d’obtenir des informations et de créer de nouvelles solutions.
Plus ces réseaux de neurones virtuels explorent les couches, plus les données deviennent de plus en complexes à analyser.
C/ L’apprentissage à partir du traitement du langage naturel
L’apprentissage de l’IA reposera sur la méthode scientifique qui consiste à tirer des enseignements du langage humain naturel pour créer des machines capables de communiquer, et in fine, de développer des entreprises
D/ Les autres branches de l’IA : la robotique, les systèmes d’experts, la logique “floue”
Sans entrer dans les détails, on retrouve parmis ces autres méthodes d’apprentissage :
- La robotique qui est l’application de l’IA sur des robots ;
- Les systèmes experts qui reprennent les expertises d’un être humain afin de développer une capacité réflexion bien spécifique ;
- La technique de la logique floue, une manière pour les ordinateurs de comprendre des choses qui ne sont pas seulement “vrai” ou “faux”, mais qui peuvent être un peu des deux. Ça aide les machines à prendre des décisions plus proches de celles que nous, les humains, pourrions prendre dans des situations un peu compliquées (ex : la médecine).
En bref.
- On retient surtout 2 types d’IA : l’IA faible (spécialisée) et l’IA forte (générale). L’IA faible est conçue pour réaliser des tâches spécifiques, tandis que l’IA forte peut penser et prendre des décisions comme un humain (n’existe pas encore). La “super” IA est une 3e hypothèse de type d’IA, un peu science-fiction, qui dépasse l’intelligence humaine.
- Il y a plusieurs branches de l’IA dont le machine learning, le deep learning, le traitement du langage naturel, la robotique, les systèmes experts et la logique floue.
- Il existe trois méthodes d’apprentissage dans le machine learning : l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement.
0 comments