Concepts de base de l'Intelligence Artificielle

Introduction à l'Intelligence Artificielle et ses concepts de base

Quand nous parlons d'Intelligence Artificielle, cela nous évoque souvent un monde de robots ou de technologies très futuristes. Cependant, l'IA fait déjà partie de notre quotidien.

Un exemple en est lorsque nous faisons des achats en ligne, où des algorithmes d'apprentissage automatique analysent nos comportements pour nous recommander des produits qui nous conviennent ; ou Google Lens, qui en téléchargeant une image, identifie et lie les produits qui y apparaissent. Voici une image testant Google Lens avec notre bureau de Barcelone :

L'Intelligence Artificielle (IA), ou Artificial Intelligence (AI) en anglais, est le domaine avancé de l'informatique actuelle dédié à l'automatisation des comportements communément associés à l'intelligence humaine. Et comme toute science complexe, elle se décompose en de nombreux concepts. C'est pourquoi, avec cet article, nous voulons commencer par le début et vous aider à comprendre les concepts de base de l'IA.

Dans cet article, nous parlerons de :

• Machine Learning
  • Les 5 tribus de Machine Learning de Pedro Domingos
    • Symbolistes
    • Connexionnistes
    • Évolutifs
    • Analogistes
    • Bayésiens
  • Types de Machine Learning
    • Apprentissage supervisé (Supervised Learning)
    • Apprentissage non supervisé (Unsupervised Learning)
    • Apprentissage semi-supervisé (Semi-supervised Learning)
    • Apprentissage par renforcement (Learning Reinforcement)
• Deep Learning
• Réseaux Neuraux
• Informatique Cognitive

Apprentissage Automatique

L'Apprentissage Automatique (AA) est une branche de l'intelligence artificielle qui repose sur l'idée que les systèmes peuvent apprendre à partir de données, identifier des motifs et prendre des décisions avec une intervention humaine minimale.

L'expert mondial et chercheur éminent dans le domaine, Pedro Domingos, décrit dans son livre "The Master Algorithm" les 5 tribus ou courants de l'Apprentissage Automatique qu'il divise en fonction des intérêts ou des origines de chacun :

• Symbolistes : Ils se basent sur la logique et la philosophie et pratiquent la déduction inverse.
• Connexionnistes : Ils s'appuient sur les neurosciences et tentent de connecter de petits cerveaux, à partir de ce qu'ils appellent la rétropropagation pour créer un réseau neuronal avec lequel, à partir de leurs interconnexions, ils peuvent interpréter les données. C'est de là que vient le Deep Learning.
• Évolutifs : Ils se basent sur la biologie évolutive et tentent d'appliquer les principes de l'évolution des génomes et de l'ADN en affirmant que les algorithmes évolueront et s'adapteront à des conditions et processus inconnus.
• Analogistes : Ils s'appuient sur la psychologie et voient l'analogie comme base pour résoudre les problèmes qui se présentent.
• Bayésiens : Ils se basent sur les statistiques et la probabilité. Leur algorithme, l'inférence probabiliste, apprend en essayant de calculer à quel point un fait est improbable afin de pouvoir l'écarter comme solution possible.

À son tour, dans l'Apprentissage Automatique, nous trouvons 4 types en fonction de la supervision humaine nécessaire :

• Apprentissage supervisé (Supervised Learning) : Il apprend en lui fournissant de nombreuses données d'entraînement étiquetées avec lesquelles il peut ensuite généraliser pour de nouveaux cas.
• Apprentissage non supervisé (Unsupervised Learning) : Il apprend en observant, en comprenant et en abstraisant des motifs directement à partir des informations. C'est très similaire à la façon dont nous pensons en tant qu'humains.
• Apprentissage semi-supervisé (Semi-supervised Learning) : Il apprend à partir de données d'entraînement à la fois étiquetées et non étiquetées, la proportion de données non étiquetées étant généralement plus grande.
• Apprentissage par renforcement (Learning Reinforcement) : Il apprend par l'expérience. À partir de l'essai-erreur et de la récompense-punition. Cette technique est très étudiée car elle ne nécessite pas de grandes quantités de données.

Deep Learning

Basé sur l'approche des connexionnistes, émerge la branche appelée Apprentissage Profond, Deep Learning (DL). C'est un sous-type d'algorithmes de Machine Learning qui se base sur des réseaux neuronaux pour un traitement des données en cascade. Le terme "profond" fait référence au nombre de couches cachées dans les réseaux neuronaux.

Neural Networks

Les Réseaux Neuronaux, Neural Networks (NNs), appartiennent à la famille des algorithmes de Machine Learning et s'inspirent du fonctionnement des neurones du cerveau humain. Ils se basent sur le fait que, donnés certains paramètres, il existe une manière de les combiner pour prédire un résultat concret. Les données passent par différentes couches où une série de règles d'apprentissage sont appliquées jusqu'à atteindre la dernière couche où les résultats sont comparés avec le résultat "correct", et les paramètres sont ajustés en fonction de la fonction "poids" donnée dans chaque règle. Une fois que le réseau a appris, il peut figer ses "poids" et fonctionner en mode mémoire ou exécution.

Cognitive Computing

Et pour terminer, certains auteurs mentionnent la Computing Cognitive, Cognitive Computing (CC) en anglais, comme une autre variante de l'Intelligence Artificielle. Ce sont des systèmes qui assument des tâches ou prennent des décisions spécifiques comme assistants ou en remplaçant des personnes, car ils peuvent gérer l'ambiguïté et la vague, et ont un haut degré d'autonomie dans leur domaine de connaissance.

Conclusions

Comme nous l'avons mentionné, l'IA est déjà là, mais il reste encore beaucoup à faire, non seulement en ce qui concerne l'exploitation de tout son potentiel pour qu'elle se rapproche de plus en plus de l'intelligence humaine, mais aussi en ce qui concerne le contrôle de son mauvais usage.

L'objectif est d'éviter ce qu'Elon Musk a déjà prédit "les machines pourraient commencer une guerre en publiant de fausses nouvelles, en piratant des comptes de messagerie et en envoyant de faux communiqués de presse, simplement en manipulant les données", et que nous avons déjà vécu lorsque, grâce à l'IA, des scènes sexuelles ont été manipulées en remplaçant le visage par celui de célébrités connues.

Nous devons être conscients des améliorations que l'IA apporte à nos vies, mais sans oublier que nous devons l'utiliser avec prudence.