Intelligence artificielle (IA)

menu icon

Intelligence artificielle (IA)

L'intelligence artificielle exploite les ordinateurs et les machines pour imiter les fonctions de résolution de problèmes et de prise de décision du cerveau humain.

Qu'est-ce que l'intelligence artificielle ?

Alors qu'un certain nombre de définitions de l'intelligence artificielle (IA) ont été proposées au cours des dernières décennies, John McCarthy avance la définition suivante dans cet article de 2004 (PDF, 106 ko, lien externe à IBM) : « C'est la science et l'ingénierie de la fabrication de machines intelligentes, en particulier de programmes informatiques intelligents. Elle est liée à la tâche similaire qui consiste à utiliser des ordinateurs pour comprendre l'intelligence humaine, mais l'IA ne doit pas se limiter aux méthodes qui sont biologiquement observables. »

Cependant, des décennies avant cette définition, la naissance de la discussion sur l'intelligence artificielle était signalée dans l'ouvrage fondamental d'Alan Turing, « Computing Machinery and intelligence » (PDF, 89,8 ko, lien externe à IBM), publié en 1950. Dans ce document, Alan Turing, souvent considéré comme le « père de l'informatique », pose la question suivante : « Les machines peuvent-elles penser ? ». « À partir de là, il propose un test désormais célèbre, appelé « test de Turing », dans lequel un interrogateur humain tente de distinguer une réponse textuelle d'un ordinateur de celle d'un humain. Bien que ce test ait fait l'objet d'un examen approfondi depuis sa publication, il reste une partie importante de l'histoire de l'IA, ainsi qu'un concept permanent dans la philosophie, car il utilise des idées liées à la linguistique.

Stuart Russell et Peter Norvig ont publié ensuite Artificial Intelligence: A Modern Approach (lien externe à IBM), devenu l'un des principaux manuels d'étude de l'IA. Ils y examinent quatre objectifs ou définitions potentiels de l'IA, qui différencient les systèmes informatiques sur la base de la rationalité et de la réflexion par rapport à l'action :

Approche humaine :

  • Systèmes qui pensent comme des êtres humains
  • Systèmes qui agissent comme des êtres humains

Approche idéale :

  • Systèmes qui pensent rationnellement
  • Systèmes qui agissent rationnellement

La définition d'Alan Turing aurait été classée dans la catégorie des « systèmes qui agissent comme des être humains ».

Dans sa forme la plus simple, l'intelligence artificielle est un domaine qui combine l'informatique et des ensembles de données solides pour permettre la résolution de problèmes. Elle englobe également les sous-domaines de l'apprentissage automatique et de l'apprentissage en profondeur qui sont fréquemment mentionnés en association à l'intelligence artificielle. Ces disciplines sont composées d'algorithmes d'IA qui cherchent à créer des systèmes experts qui exécutent des prévisions ou des classifications sur la base de données d'entrée.

Aujourd'hui, le développement de l'IA fait encore l'objet d'un grand battage médiatique, ce qui est normal pour toute nouvelle technologie émergente sur le marché. Comme le souligne le cycle du « hype » de Gartner (lien externe à IBM), les innovations de produits telles que les voitures autonomes et les assistants personnels suivent « une progression typique de l'innovation, allant d'un enthousiasme excessif à une période de désillusion, pour finalement comprendre la pertinence et le rôle de l'innovation sur un marché ou dans un domaine ». Comme Lex Fridman le note ici (lien externe à IBM) dans sa conférence au MIT en 2019, nous sommes au sommet des attentes exagérées et nous approchons du creux de la désillusion.

Alors que des discussions émergent autour de l'éthique de l'IA, nous pouvons commencer à entrevoir les premiers signes du creux de la désillusion. Pour en savoir plus sur la position d'IBM dans le débat sur l'éthique de l'IA, cliquez ici.

Types d'intelligences artificielles : IA faible versus IA forte

L'IA faible, également appelée IA étroite ou intelligence artificielle étroite (ANI, Artificial Narrow Intelligence), est une IA entraînée et concentrée pour effectuer des tâches spécifiques. L'IA faible est en grande partie à l'origine de l'IA qui nous entoure aujourd'hui. Le terme « étroit » serait peut-être plus approprié pour décrire ce type d'IA, car il est tout sauf faible : il se retrouve dans des applications très robustes, comme Siri d'Apple, Alexa d'Amazon, IBM Watson et les véhicules autonomes.

L'IA forte se compose de l'intelligence artificielle générale (IAG) et de la super intelligence artificielle (SIA). L'intelligence artificielle générale (IAG), ou IA générale, est une forme théorique d'IA dans laquelle une machine aurait une intelligence égale à celle des êtres humains : elle aurait une conscience d'elle-même, serait capable de résoudre des problèmes, d'apprendre et de planifier l'avenir. La super intelligence artificielle (SIA), également appelée super intelligence, dépasserait l'intelligence et les capacités du cerveau humain. Bien que l'IA forte soit encore entièrement théorique et qu'aucun exemple pratique ne soit utilisé aujourd'hui, cela ne signifie pas que les chercheurs en IA n'explorent pas son développement. En attendant, les meilleurs exemples d'IAG sont peut-être issus de la science-fiction, comme HAL, l'assistant informatique surhumain et dévoyé de 2001 : L'Odyssée de l'espace.

Apprentissage en profondeur versus Apprentissage automatique

Les termes « apprentissage en profondeur » et « apprentissage automatique » ayant tendance à être utilisés indifféremment, il convient de noter les nuances entre les deux. Comme mentionné précédemment, l'apprentissage en profondeur et l'apprentissage automatique sont tous les deux des sous-domaines de l'intelligence artificielle, l'apprentissage en profondeur étant en fait un sous-domaine de l'apprentissage automatique.

Représentation visuelle de la relation entre l'IA, ML et DL

 

L'apprentissage en profondeur est constitué de réseaux de neurones. Le terme « en profondeur » dans l'expression « apprentissage en profondeur » fait référence à un réseau de neurones composé de plus de trois couches (incluant les entrées et la sortie), et peut être considéré comme un algorithme d'apprentissage en profondeur. On le représente généralement à l'aide du diagramme suivant :

Schéma de réseau de neurones profonds

La différence entre l'apprentissage en profondeur et l'apprentissage automatique réside dans la manière dont chaque algorithme apprend. L'apprentissage en profondeur automatise une grande partie de l'extraction des caractéristiques du processus, éliminant une partie de l'intervention humaine manuelle requise et permettant l'utilisation de plus grands ensembles de données. L'apprentissage en profondeur s'apparente à un « apprentissage automatique évolutif », comme l'a noté Lex Fridman dans la même conférence du MIT mentionnée ci-dessus. L'apprentissage automatique classique, ou « non profond », dépend davantage de l'intervention humaine pour apprendre. Les experts humains déterminent la hiérarchie des caractéristiques pour comprendre les différences entre les entrées de données, ce qui nécessite généralement des données plus structurées pour apprendre.

L'apprentissage machine « en profondeur » peut s'appuyer sur des ensembles de données étiquetées, on parle également d'apprentissage supervisé, pour informer son algorithme, mais il ne nécessite pas nécessairement un ensemble de données étiquetées. Il peut ingérer des données non structurées dans leur forme brute (texte, images, etc.) et déterminer automatiquement la hiérarchie des caractéristiques qui distinguent les différentes catégories de données les unes des autres. Contrairement à l'apprentissage automatique, il ne nécessite pas d'intervention humaine pour traiter les données, ce qui nous permet de faire évoluer l'apprentissage automatique de manière plus intéressante.

Applications d'intelligence artificielle

Les applications de systèmes d'IA dans le monde réel sont nombreuses aujourd'hui. Voici quelques-uns des exemples d'application les plus courants :

  • Reconnaissance vocale : Également appelée « reconnaissance automatique de la parole », « reconnaissance vocale par ordinateur » ou « synthèse vocale », c'est une fonctionnalité qui utilise le traitement du langage naturel (NLP) pour convertir la parole humaine dans un format écrit. Une multitude d'appareils mobiles intègrent la reconnaissance vocale à leurs systèmes pour effectuer des recherches vocales, par exemple, Siri, ou pour fournir une plus grande accessibilité au texte.
  • Centre de support : Les assistants conversationnels en ligne remplacent les agents humains tout au long du parcours du client. Ils répondent aux questions fréquemment posées sur des sujets tels que l'expédition, ou fournissent des conseils personnalisés, proposent des produits de vente croisée ou font des suggestions de taille pour les utilisateurs, changeant ainsi notre façon de concevoir l'engagement des clients sur les sites Web et les plateformes de médias sociaux. Les bots de messagerie sur les sites de commerce électronique avec des agents virtuels, les applications de messagerie, comme Slack et Facebook Messenger, et les tâches habituellement effectuées par les assistants virtuels et les assistants vocaux en sont des exemples.
  • Vision par ordinateur : Cette technologie d'IA permet aux ordinateurs et aux systèmes de déduire des informations significatives à partir d'images numériques, de vidéos et autres données visuelles, et d'agir en fonction de ces données. Cette capacité à fournir des recommandations la distingue des tâches de reconnaissance d'image. Optimisée par des réseaux de neurones convolutifs, la vision par ordinateur trouve des applications dans le marquage des photos sur les médias sociaux, l'imagerie radiologique dans les soins de santé et les voitures à conduite autonome dans l'industrie automobile.
  • Moteurs de recommandation : En utilisant des données sur les comportements de consommation passés, les algorithmes d'IA peuvent découvrir des tendances de données qui peuvent être utilisées pour développer des stratégies de vente croisée plus efficaces. Les enseignes en ligne s'en servent pour faire des recommandations pertinentes de produits complémentaires aux clients lors du processus de règlement.
  • Négociation boursière automatisée : Destinées à optimiser les portefeuilles d'actions, les plateformes de négociation haute fréquence optimisées par l'IA effectuent des milliers, voire des millions de transactions par jour sans intervention humaine.

Histoire de l'intelligence artificielle : Dates et noms clés

L'idée d'une « machine qui pense » remonte à la Grèce antique. Mais depuis l'avènement du calcul électronique (et par rapport à certains des sujets abordés dans cet article), voici quelques événements et étapes importants dans l'évolution de l'intelligence artificielle :

  • 1950 : Alan Turing publie Computing Machinery and Intelligence (les machines à calculer et l'intelligence). Dans ce article, Turing, célèbre pour avoir déchiffré le code ENIGMA des Nazis pendant la Seconde Guerre mondiale, propose de répondre à la question « Les machines peuvent-elles penser ? » et introduit le test de Turing pour déterminer si un ordinateur peut faire preuve de la même intelligence (ou obtenir des résultats de même intelligence) qu'un être humain. La valeur du test de Turing fait l'objet d'un débat depuis.
  • 1956 : John McCarthy invente le terme « intelligence artificielle » lors de la toute première conférence sur l'IA au Dartmouth College. (McCarthy inventera plus tard le langage Lisp.) Plus tard cette même année, Allen Newell, J.C. Shaw et Herbert Simon créent le Logic Theorist, tout premier logiciel d'IA fonctionnel.
  • 1967 : Frank Rosenblatt crée le Perceptron Mark 1, premier ordinateur basé sur un réseau de neurones qui « apprend » par essais et erreurs. Un an plus tard, Marvin Minsky et Seymour Papert publient le livre intitulé Perceptrons, qui devient à la fois l'ouvrage de référence sur les réseaux de neurones et, du moins pendant un certain temps, un argument contre les futurs projets de recherche sur les réseaux de neurones.
  • Années 80 : Les réseaux de neurones qui utilisent un algorithme de rétropropagation pour s'entraîner sont largement utilisés dans les applications d'IA.
  • 1997 : Lors d'une partie d'échecs (avec revanche), Deep Blue d'IBM bat le champion du monde de l'époque, Garry Kasparov.
  • 2011 : IBM Watson bat les champions Ken Jennings et Brad Rutter à Jeopardy!
  • 2015 : Le superordinateur Minwa de Baidu utilise un type particulier de réseau de neurones profonds, appelé réseau de neurones convolutifs, pour identifier et classer des images avec un taux de précision supérieur à celui de l'être humain moyen.
  • 2016 : Le programme AlphaGo de DeepMind, optimisé par un réseau de neurones profonds, bat Lee Sodol, champion du monde de Go, dans une partie en cinq manches. Cette victoire est importante compte tenu du nombre considérable de coups possibles au cours de la partie (plus de 14 500 milliards après seulement quatre coups !). Plus tard, Google achètera DeepMind pour un montant de 400 millions de dollars.

Intelligence artificielle et IBM Cloud

IBM a été leader dans le développement des technologies basées sur l'IA pour les entreprises et a ouvert la voie au développement des systèmes d'apprentissage automatique pour de nombreux secteurs. En s'appuyant sur des décennies de recherche sur l'intelligence artificielle, sur des années d'expérience avec des organisations de toutes tailles et sur les enseignements tirés de plus de 30 000 engagements IBM Watson, IBM a développé l'approche AI Ladder pour mener à bien les déploiements d'intelligence artificielle :

  • Collecter : Simplification de la collecte des données et de leur accessibilité.
  • Organiser : Création d'une base d'analyse prête à l'emploi.
  • Analyser : Création de systèmes gérés par IA évolutifs et fiables.
  • Infuser : Intégration et optimisation de systèmes dans l'ensemble d'une infrastructure métier.
  • Moderniser : Transfert de vos applications et de vos systèmes d'intelligence artificielle vers le cloud.

IBM Watson offre aux entreprises les APIs AI dont elles ont besoin pour transformer leurs systèmes et flux de travaux, tout en améliorant considérablement l'automatisation et l'efficacité. Pour plus d'informations sur la façon dont IBM peut vous aider à effectuer votre transition vers l'IA, explorez le portefeuille IBM de services et solutions gérés.

Inscrivez-vous pour obtenir un ID IBM et créer votre compte IBM Cloud.