L'IA, c'est quoi ?

🟢 Découverte

Il n'existe pas une définition unique de l'intelligence artificielle. En gros, on parle d'IA quand une machine fait quelque chose qu'on croyait réservé à l'intelligence humaine : reconnaître un visage, comprendre une phrase, choisir un coup aux échecs.

🟡 Curieux

Le mot date de 1956. Depuis, la frontière bouge sans cesse : dès qu'une tâche est bien maîtrisée par les machines (calculer un itinéraire, jouer aux échecs), on cesse souvent de l'appeler « IA ». C'est ce qu'on appelle l'effet IA.

🔴 Ingénieur

Le règlement européen sur l'IA (2024) définit un « système d'IA » comme « un système automatisé qui est conçu pour fonctionner à différents niveaux d'autonomie et peut faire preuve d'une capacité d'adaptation après son déploiement, et qui, pour des objectifs explicites ou implicites, déduit, à partir des entrées qu'il reçoit, la manière de générer des sorties telles que des prédictions, du contenu, des recommandations ou des décisions ». L'OCDE emploie une définition très proche. Le mot clé est « déduit » : une calculatrice, qui applique une règle fixe, n'en fait pas partie.

🟢 Découverte

Pour qu'une machine reconnaisse un animal, on peut lui écrire des règles (« s'il a des plumes, c'est un oiseau »). Ou lui montrer des exemples d'animaux déjà classés, et la laisser trouver seule ses règles. C'est la grande différence entre l'IA à règles et l'IA qui apprendApprentissage automatique (machine learning) — Branche de l'IA où la machine n'applique pas des règles écrites à la main : elle les déduit d'exemples. Avec des exemples corrigés (supervisé), sans étiquettes (non supervisé) ou par essais et récompenses (par renforcement)..

🟡 Curieux

L'IA à règles sait expliquer son raisonnement, mais il faut tout lui écrire, et elle se trompe dès qu'on sort de ses règles. L'IA qui apprend s'adapte à des cas que personne n'a prévus, mais elle ne sait que ce que disent ses exemples, et ne sait pas toujours dire pourquoi elle répond ce qu'elle répond.

🔴 Ingénieur

À gauche, un système expert en chaînage avant : il applique ses règles tant qu'elles ajoutent des faits, et garde la trace de chaque déduction. À droite, un arbre de décision appris avec l'algorithme ID3 : à chaque nœud, il choisit la question qui fait le plus baisser l'entropie (le « désordre ») des classes d'exemples. C'est de l'apprentissage supervisé : chaque exemple vient avec la bonne réponse.

🟢 Découverte

On peut aussi donner à la machine des données sans aucune étiquette, et lui demander d'y trouver des groupes. Personne ne lui dit lesquels existent.

🟡 Curieux

C'est l'apprentissage non supervisé. On s'en sert pour regrouper des clients aux habitudes proches, des articles qui parlent du même sujet, des cellules qui se ressemblent. Mais c'est à nous de donner un sens aux groupes trouvés.

🔴 Ingénieur

L'algorithme des k-moyennes alterne deux étapes : chaque point rejoint le centre le plus proche, puis chaque centre se place à la moyenne de ses points. Il s'arrête quand plus rien ne bouge. Le résultat dépend du nombre de groupes choisi (k) et de la position de départ des centres.

🟢 Découverte

Troisième façon d'apprendre : essayer, et noter ce qui rapporte. Personne ne montre le chemin à la souris ; elle reçoit seulement des récompenses et des punitions.

🟡 Curieux

C'est l'apprentissage par renforcement. Il sert aux programmes qui jouent, aux robots qui apprennent à marcher, et à l'ajustement des assistants conversationnels par des humains qui notent leurs réponses.

🔴 Ingénieur

Ici, du Q-learning : la souris tient un tableau Q(case, action) et, après chaque pas, le corrige : Q ← Q + α (récompense + γ · max Q(case suivante) − Q). Pour ne pas rester enfermée dans ses premières habitudes, elle joue parfois au hasard (exploration).

🟢 Découverte

Il y a deux façons de ranger les IA : selon ce qu'elles font pour nous (écrire, voir, classer, jouer…) et selon comment elles le font (règles, probabilités, réseaux de neurones…). La carte croise les deux.

🟡 Curieux

Un même but peut être atteint de plusieurs façons : un filtre anti-spam peut utiliser des probabilités, un arbre de décision ou un réseau de neurones. Et un même mécanisme sert à des buts très différents. Chaque ligne de la carte aura son module.

🔴 Ingénieur

Les réseaux de neurones dominent aujourd'hui la perception (images, sons) et le langage. Mais les méthodes plus anciennes restent partout : recherche dans un graphe pour les itinéraires, modèles statistiques simples quand il faut expliquer une décision, règles quand il faut une garantie.

🟢 Découverte

L'histoire de l'IA n'est pas une ligne droite : des périodes d'enthousiasme, où l'on promet tout, alternent avec des « hivers », où les déceptions font fuir l'argent.

🟡 Curieux

Les promesses trop grandes ont souvent précédé les hivers. L'histoire invite donc à la prudence face aux annonces d'aujourd'hui, dans un sens comme dans l'autre.

🔴 Ingénieur

Les deux grandes familles se sont relayées : l'IA « symbolique » (règles, logique, recherche) a dominé jusqu'aux années 1980 ; l'IA « connexionniste » (réseaux de neurones), née en même temps, ne s'impose qu'à partir des années 2010, avec les grandes quantités de données et les processeurs graphiques.