L’intelligence artificielle, souvent abrégée en IA, désigne l’ensemble des technologies qui permettent aux ordinateurs d’accomplir des tâches généralement associées à l’intelligence humaine. Parmi celles-ci figurent la reconnaissance d’images, la compréhension du langage, la traduction, la formulation de réponses, l’identification de modèles, la prise de décisions et la réalisation de prédictions.
Bien que certains systèmes d’intelligence artificielle puissent sembler capables de « penser », ils fonctionnent différemment de l’esprit humain. En réalité, la plupart des systèmes actuels analysent de grandes quantités de données, repèrent des régularités et utilisent celles-ci pour produire de nouveaux résultats.
Les données – la matière première de l’intelligence artificielle
Tout système d’intelligence artificielle a besoin de données. Celles-ci peuvent prendre la forme de textes, d’images, d’enregistrements audio, de vidéos, de mesures, de transactions commerciales, d’informations médicales ou d’autres types de documents.
Par exemple, pour créer un système capable de reconnaître des chats sur des photographies, le programme est entraîné à l’aide d’un grand nombre d’images. Certaines contiennent des chats, tandis que d’autres n’en contiennent pas. En analysant ces exemples, le système apprend à identifier des caractéristiques fréquentes, telles que la forme des oreilles, le contour du corps, les yeux, le pelage ou d’autres combinaisons d’éléments visuels.
Le système ne reçoit pas nécessairement une définition complète du chat. Il découvre plutôt, grâce à des calculs, quels modèles apparaissent le plus souvent dans les images étiquetées comme contenant un « chat ».
La qualité des résultats dépend en grande partie de la qualité des données. Si celles-ci sont insuffisantes, erronées ou déséquilibrées, le système peut apprendre des règles incorrectes. C’est pourquoi la sélection et la préparation des données constituent une étape essentielle du développement de l’intelligence artificielle.
Les algorithmes et les modèles
Un algorithme est une suite d’instructions utilisée pour résoudre un problème. Dans le domaine de l’intelligence artificielle, les algorithmes servent à construire des modèles mathématiques.
Un modèle est le composant qui a appris certaines relations à partir des données et qui peut produire des réponses ou des prédictions. Par exemple, un modèle peut estimer le prix d’un logement en fonction de sa superficie, de sa localisation, du nombre de pièces et de son ancienneté.
Au départ, le modèle ne sait pas quelle importance accorder à chaque information. Pendant le processus d’entraînement, ses paramètres sont ajustés jusqu’à ce que ses prédictions deviennent suffisamment proches des résultats connus.
Un modèle simple peut ne comporter que quelques paramètres. Les modèles modernes d’intelligence artificielle peuvent toutefois en contenir des millions, voire des milliards. Ces paramètres ne représentent pas des informations stockées sous forme de phrases, mais des valeurs numériques exprimant les relations apprises à partir des données.
L’apprentissage automatique
Une grande partie de l’intelligence artificielle actuelle repose sur l’apprentissage automatique, également appelé « machine learning ». Au lieu que le programmeur écrive explicitement toutes les règles, le système les déduit à partir d’exemples.
Il existe plusieurs formes principales d’apprentissage automatique.
L’apprentissage supervisé
Dans l’apprentissage supervisé, le système reçoit des exemples accompagnés des bonnes réponses. Par exemple, des images peuvent être étiquetées comme représentant un « chat », un « chien » ou un « oiseau ».
Le modèle compare ses prédictions aux étiquettes correctes et ajuste ses paramètres afin de réduire l’écart entre les deux. Après de nombreuses répétitions, il devient capable de classer des images qu’il n’a jamais vues auparavant.
Cette méthode est utilisée pour la reconnaissance d’objets, la détection des courriers indésirables, l’aide au diagnostic, l’évaluation des risques financiers ou la prédiction de valeurs futures.
L’apprentissage non supervisé
Dans l’apprentissage non supervisé, les données ne sont pas accompagnées de réponses prédéfinies. Le système recherche lui-même des groupes, des similitudes ou des structures.
Par exemple, une entreprise peut utiliser cette méthode pour regrouper ses clients en fonction de leur comportement d’achat. Le système ne reçoit pas les catégories à l’avance, mais les identifie en analysant les données.
L’apprentissage par renforcement
Dans l’apprentissage par renforcement, un agent effectue des actions dans un environnement et reçoit des récompenses ou des pénalités. Au fil du temps, il apprend quelles actions produisent les meilleurs résultats.
Cette méthode est utilisée dans les jeux, la robotique, l’optimisation du trafic, le contrôle des processus industriels et d’autres situations dans lesquelles les décisions sont prises successivement.
Les réseaux de neurones artificiels
Les réseaux de neurones sont des modèles mathématiques inspirés, de manière très simplifiée, de l’organisation du cerveau. Ils sont constitués d’unités de calcul appelées neurones artificiels, regroupées en couches.
Un neurone artificiel reçoit plusieurs valeurs numériques, les combine et produit un résultat. Ce résultat est ensuite transmis à d’autres neurones. En reliant un grand nombre de ces unités, le réseau peut apprendre des relations complexes.
Un réseau de neurones comprend généralement une couche d’entrée, une ou plusieurs couches intermédiaires et une couche de sortie. Les données sont introduites dans la première couche, puis progressivement transformées jusqu’à ce que le système produise la réponse finale.
Dans le cas de la reconnaissance d’images, les couches proches de l’entrée peuvent détecter des lignes, des contours et des couleurs. Les couches suivantes peuvent combiner ces éléments en formes plus complexes, tandis que les couches finales peuvent identifier l’objet.
Lorsqu’un réseau comporte de nombreuses couches, on parle d’apprentissage profond ou de « deep learning ». Cette technologie est à l’origine de nombreux progrès récents dans la reconnaissance vocale, le traitement des images et la génération de langage.
Comment un modèle est-il entraîné ?
Le processus d’entraînement commence par l’introduction de données dans le modèle. Celui-ci produit une prédiction, qui est ensuite comparée au résultat correct. La différence est mesurée à l’aide d’une fonction de perte.
Un algorithme d’optimisation modifie ensuite les paramètres du modèle afin de réduire l’erreur. Ce processus est répété un très grand nombre de fois.
Dans le cas d’un réseau de neurones, l’ajustement est souvent réalisé au moyen d’une méthode appelée rétropropagation de l’erreur. L’algorithme calcule dans quelle mesure chaque paramètre a contribué au résultat incorrect et le modifie légèrement.
L’entraînement d’un modèle complexe peut nécessiter des ordinateurs très puissants, des processeurs graphiques spécialisés et de grandes quantités d’énergie. Une fois entraîné, le modèle peut être utilisé pour analyser de nouvelles données. Cette étape est appelée inférence.
Comment fonctionne l’intelligence artificielle générative ?
L’intelligence artificielle générative peut créer des textes, des images, des sons, de la musique, des programmes informatiques et d’autres types de contenu.
Un modèle de langage est entraîné sur de grandes quantités de textes et apprend les relations statistiques entre les mots, les parties de mots et les phrases. Lorsqu’il reçoit une question, il génère la réponse étape par étape, en estimant quel élément est le plus probable ou le plus approprié pour suivre.
Le modèle ne se contente pas de rechercher une phrase dans une base de données. Il construit une nouvelle réponse à partir des modèles appris pendant l’entraînement.
Les textes sont divisés en unités appelées jetons, ou « tokens ». Un jeton peut être un mot, une partie de mot ou un signe de ponctuation. Pour chaque position, le modèle calcule la probabilité de plusieurs continuations possibles et en sélectionne une.
Les modèles modernes utilisent une architecture appelée « transformeur ». Celle-ci permet au système d’analyser les relations entre les différents éléments d’un texte, même lorsqu’ils sont éloignés les uns des autres.
Un mécanisme essentiel est l’attention. Grâce à ce mécanisme, le modèle attribue des degrés d’importance différents aux mots du contexte. Par exemple, pour interpréter un pronom, le système peut analyser les mots précédents et déterminer à quel nom ce pronom se rapporte.
L’intelligence artificielle ne comprend pas toujours comme un être humain
Un système d’intelligence artificielle peut produire des explications cohérentes sans posséder de conscience, d’expérience personnelle ou de compréhension humaine. Il fonctionne à l’aide de représentations mathématiques et de probabilités.
Pour cette raison, une réponse formulée de manière convaincante n’est pas nécessairement correcte. Les modèles génératifs produisent parfois des informations fausses ou inventées. Ces erreurs sont souvent appelées « hallucinations ».
Le modèle peut combiner des informations de façon incorrecte, mal comprendre une question ou présenter comme un fait quelque chose qui semble simplement probable sur le plan linguistique. La vérification des sources demeure importante, notamment dans les domaines de la médecine, du droit, de la finance, de la recherche et dans tous les secteurs où les erreurs peuvent avoir de graves conséquences.
Pourquoi des biais et des erreurs apparaissent-ils ?
Les systèmes d’intelligence artificielle apprennent à partir de données produites ou sélectionnées par des êtres humains. Si ces données contiennent des biais, des inégalités ou des représentations inexactes, le modèle peut les reproduire.
Par exemple, si un système de recrutement est entraîné à partir de décisions historiques biaisées, il peut favoriser certaines catégories de personnes. Le problème n’est pas toujours causé par une règle explicitement discriminatoire, mais par des modèles déjà présents dans les données.
Des erreurs peuvent également apparaître lorsque le modèle rencontre des situations très différentes de celles utilisées pendant l’entraînement. Un système performant dans des conditions de laboratoire peut produire de mauvais résultats dans le monde réel.
La réduction de ces risques nécessite des tests, des évaluations indépendantes, une supervision humaine et des mises à jour régulières des modèles.
De la question à la réponse
Lorsqu’une personne saisit une demande dans un système d’intelligence artificielle, plusieurs étapes ont lieu.
Tout d’abord, la demande est transformée en une représentation numérique. Le modèle analyse les mots et le contexte, puis calcule les réponses possibles. Le résultat est généré progressivement avant d’être reconverti en texte, en image ou en son.
Dans certaines applications, le modèle peut également utiliser des outils supplémentaires, tels que des moteurs de recherche, des bases de données, des calculatrices, des programmes d’analyse ou des services externes. De cette manière, l’intelligence artificielle peut associer sa capacité de génération à l’accès à des informations actualisées ou à l’exécution d’opérations précises.
L’intelligence artificielle spécialisée et l’intelligence artificielle générale
Presque tous les systèmes actuels sont des formes d’intelligence artificielle spécialisée, également appelée intelligence artificielle étroite. Ils sont conçus pour accomplir certaines catégories de tâches, telles que la traduction, la reconnaissance faciale, la recommandation de produits ou la génération de textes.
Un système peut être très performant dans un domaine et totalement inutile dans un autre. Un programme qui joue aux échecs ne peut pas automatiquement conduire une voiture ou interpréter une analyse médicale.
L’intelligence artificielle générale désignerait un système capable d’apprendre et d’accomplir un très large éventail d’activités intellectuelles à un niveau humain ou supérieur. Une telle intelligence n’a pas encore été réalisée, et sa définition ainsi que ses critères font toujours l’objet de débats.
Le rôle des êtres humains
L’intelligence artificielle ne fonctionne pas indépendamment des êtres humains. Ce sont eux qui collectent les données, définissent les objectifs, choisissent les modèles, vérifient les résultats et établissent les règles d’utilisation.
Même les systèmes automatisés nécessitent une supervision. Dans les domaines importants, la décision finale ne devrait pas être laissée entièrement à un algorithme. L’intelligence artificielle peut assister les médecins, les enseignants, les chercheurs, les ingénieurs ou les responsables, mais elle ne peut pas assumer automatiquement leur responsabilité professionnelle et morale.
Les êtres humains doivent également décider quels usages sont acceptables, comment les données personnelles doivent être protégées et qui est responsable des éventuelles erreurs.
Conclusion
L’intelligence artificielle fonctionne en analysant des données, en identifiant des modèles et en ajustant des modèles mathématiques. Elle ne suit pas toujours des règles programmées explicitement, mais apprend à partir d’exemples.
Les réseaux de neurones, l’apprentissage profond et les modèles génératifs permettent aux ordinateurs d’accomplir des tâches qui, jusqu’à récemment, semblaient réservées à l’intelligence humaine. Cependant, ces systèmes ne sont pas infaillibles et ne doivent pas être confondus avec l’esprit humain.
L’intelligence artificielle est un outil très puissant, mais sa valeur dépend des données utilisées, de la manière dont elle est conçue et de la façon dont les êtres humains choisissent de l’employer. Comprendre ses principes fondamentaux est essentiel pour profiter de ses avantages tout en limitant ses risques.
En savoir plus sur MultiMedia
Subscribe to get the latest posts sent to your email.
Laisser un commentaire