Qu'est-ce que l'intelligence artificielle et comment elle fonctionne

L’intelligence artificielle n’est pas un outil ou une machine unique qui pense exactement comme une personne. Il s’agit d’un domaine technologique qui rassemble différentes méthodes pour construire des systèmes capables de traiter l’information et de produire des résultats tels que des prédictions, des classifications, des recommandations, du contenu ou des décisions.

Certains systèmes fonctionnent selon des règles définies par des spécialistes. D’autres utilisent l’apprentissage automatique pour apprendre des modèles à partir de données. Les plus avancés peuvent combiner des réseaux neuronaux, de grandes quantités d’informations et une capacité de traitement élevée.

Dans ce guide, vous apprendrez ce qu'est l'intelligence artificielle, comment un modèle est formé, quelle est la différence entre la formation et l'inférence, et quel rôle jouent les données, les algorithmes, l'apprentissage automatique, l'apprentissage profond et les réseaux neuronaux.

Pour un aperçu de ses types, applications, avantages et risques, consultez notre guide complet de l'intelligence artificielle.

Ce que nous entendons par intelligence artificielle

L'intelligence artificielle est un domaine de l'informatique dédié au développement de systèmes capables de générer des résultats à partir des informations qu'ils reçoivent et des objectifs pour lesquels ils ont été conçus.

Selon la définition mise à jour de l’OCDE, un système d’IA est un système basé sur une machine qui déduit, à partir des entrées reçues, comment générer des résultats tels que des prédictions, du contenu, des recommandations ou des décisions qui peuvent influencer les environnements physiques ou virtuels. Ces systèmes peuvent présenter différents niveaux d’autonomie et d’adaptation.

Concrètement, l’intelligence artificielle peut être utilisée pour :

• Classer une image.
• Prédire une demande.
• Recommander un film.
• Détecter une opération anormale.
• Reconnaître une voix.
• Traduire un texte.
• Générer du contenu.
• Contrôler certaines actions d'une machine.

Tous ces systèmes ne fonctionnent pas de la même manière ou n’utilisent pas les mêmes technologies. Un système de recommandation, un modèle médical, un robot et un assistant conversationnel peuvent être considérés comme de l’IA, mais leurs données, leurs objectifs, leur architecture et leur manière de produire des résultats sont différents.

Résumé des concepts fondamentaux

Différence entre un programme traditionnel et l'intelligence artificielle

Un programme traditionnel fonctionne généralement au moyen d’instructions explicites écrites par une personne.

Par exemple:

Si la température dépasse 30 degrés, activez le ventilateur.

Le système exécute une règle connue et prédéfinie.

Dans un projet d'apprentissage automatique, cependant, le développeur peut fournir des exemples de modèle permettant d'apprendre une relation sans écrire manuellement toutes les règles possibles.

Par exemple, pour détecter le spam, un modèle peut être formé avec des milliers de messages précédemment classés comme spam ou courrier légitime. Le système ajustera ses paramètres pour identifier les modèles liés à chaque catégorie.

La différence peut être résumée comme suit :

Cela ne signifie pas que chaque système d’IA apprend automatiquement ou que les logiciels traditionnels ont cessé d’être utiles. De nombreux produits combinent des règles, des modèles statistiques, l’apprentissage automatique et la supervision humaine.

Concepts fondamentaux pour comprendre l'IA

Pour comprendre le fonctionnement d’un système d’intelligence artificielle, il est important de différencier quatre éléments : les données, les algorithmes, les modèles et les paramètres.

Données

Les données sont les informations utilisées pour développer, évaluer ou exécuter le système.

Ils peuvent être :

• Textes.
• Images.
• Vidéos.
• Enregistrements vocaux.
• Données numériques.
• Histoires comportementales.
• Mesures à partir de capteurs.
• Documents.
• Instructions fournies par l'utilisateur.

La qualité est tout aussi importante que la quantité.

Un très grand ensemble de données peut produire de mauvais résultats s’il contient des erreurs, des exemples non représentatifs, des doublons, des étiquettes incorrectes ou des informations qui ne correspondent pas au problème réel.

Il est également nécessaire de contrôler :

• Origine.
• Permis d'utilisation.
• Confidentialité.
• Représentativité.
• Mise à jour.
• Biais possibles.
• Séparation entre formation et évaluation.

Algorithmes

Un algorithme est une procédure utilisée pour transformer des informations ou résoudre une tâche.

Dans l’apprentissage automatique, l’algorithme de formation détermine comment le modèle s’adaptera en fonction des données.

L'algorithme ne doit pas être confondu avec le modèle :

• Le algorithme décrire le processus d'apprentissage.
• Le modèle C'est le résultat ajusté qui est utilisé ultérieurement.

On peut le comparer à une recette et au plat préparé. La recette représente la procédure ; le résultat final est le modèle que nous utiliserons.

Modèles et paramètres

Un modèle est une représentation mathématique ou informatique qui a été configurée ou formée pour produire un certain type de résultat.

Il peut générer:

• Une probabilité.
• Une catégorie.
• Une valeur numérique.
• Une recommandation.
• Une séquence de texte.
• Une image.
• Une action.

Les paramètres sont des valeurs internes qui conditionnent le comportement du modèle.

Lors de la formation, ces paramètres sont modifiés pour réduire les erreurs et améliorer les performances sur la tâche définie.

Un petit modèle peut contenir peu de paramètres. Un réseau neuronal moderne peut contenir des millions ou des milliards, même si le fait d’avoir plus de paramètres ne garantit pas à lui seul une meilleure qualité.

Formation et inférence

Le formation C'est le processus au cours duquel le modèle est ajusté.

Le inférence C’est le moment où le modèle déjà formé est utilisé pour traiter de nouvelles informations.

Par exemple:

Formation:
Le modèle analyse des milliers d’images étiquetées comme chien ou chat. Inférence :
Le modèle reçoit une nouvelle image et estime à quelle catégorie elle appartient.

Une IA n’a pas besoin d’apprendre à chaque fois que vous l’utilisez.

De nombreux systèmes restent inchangés lors de l’inférence. Pour améliorer leurs capacités, ils doivent être recyclés, ajustés ou mis à jour via un processus distinct.

Comment fonctionne l'intelligence artificielle étape par étape

Bien que chaque projet soit différent, un système basé sur l’apprentissage automatique est généralement développé à travers les phases suivantes.

1. Définition de l'objectif

Avant de sélectionner des données ou des modèles, vous devez définir quel problème vous souhaitez résoudre.

Exemples :

• Détecter la fraude.
• Prédire les ventes.
• Classer les images.
• Recommander des produits.
• Traduire des textes.
• Générer des réponses.
• Identifier les défauts d'une machine.

L’objectif devrait inclure un moyen de mesurer si le système fonctionne correctement.

Il ne suffit pas de dire “nous voulons utiliser l’IA”. Il est nécessaire d’établir quel résultat est attendu, quel niveau d’erreur est acceptable et qui supervisera les décisions.

2. Collecte et préparation des données

Les données sont collectées, nettoyées et transformées afin de pouvoir être utilisées.

Cette phase peut inclure :

• Supprimer les doublons.
• Corriger les erreurs.
• Gérer les valeurs manquantes.
• Exemples d'étiquettes.
• Convertissez les informations dans un format approprié.
• Protéger les données personnelles.
• Catégories d'équilibre.
• Données de formation, de validation et de test distinctes.

La préparation peut occuper une part considérable du projet car le modèle apprendra des informations qui lui sont fournies.

3. Sélection et formation du modèle

Les spécialistes choisissent une architecture ou une technique adaptée à la tâche.

Pendant la formation:

1. Le modèle reçoit des exemples.
2. Cela produit une prédiction.
3. Il est comparé au résultat attendu.
4. L'erreur est calculée.
5. Les paramètres sont modifiés.
6. Le processus se répète.

L’objectif est de trouver des paramètres qui lui permettent de bien fonctionner non seulement avec des exemples connus, mais aussi avec des informations que le modèle n’a jamais vues auparavant.

4. Validation et évaluation

Après la formation, le système est évalué avec des données distinctes.

Cette vérification nous permet de détecter des problèmes tels que :

• Précision insuffisante.
• Surajustement.
• Différences de performance entre les groupes.
• Erreurs systématiques.
• Résultats peu fiables en dehors de l’environnement prévu.

La métrique utilisée dépendra de la tâche. Un modèle médical, un filtre anti-spam et un générateur de texte ne doivent pas être évalués exactement de la même manière.

5. Inférence avec de nouvelles informations

Une fois le modèle prêt, il peut être intégré dans une application.

Chaque fois qu’il reçoit une nouvelle entrée, il effectue une inférence et produit un résultat.

Par exemple:

Entrée:
Photographie d'un objet. Modèle:
Analyser les modèles visuels. Sortie:
Probabilité que l'objet appartienne à une catégorie.

L'inférence peut être effectuée sur un serveur, sur un ordinateur, sur un téléphone ou même au sein d'un appareil connecté.

6. Supervision et mise à jour

Le travail ne s’arrête pas lorsque le modèle est publié.

Il est nécessaire de vérifier :

• Si les données réelles ont changé.
• Si le nombre d'erreurs augmente.
• Si de nouveaux cas apparaissent.
• Si les performances restent acceptables.
• S'il y a des problèmes de sécurité ou de confidentialité.
• Si les utilisateurs utilisent le système de manière imprévue.

Un modèle peut perdre de son efficacité lorsque les conditions environnementales changent. Ce phénomène est généralement appelé dérive ou dérive du modèle.

Qu'est-ce que l'apprentissage automatique ?

L'apprentissage automatique est un ensemble de techniques qui permettent la construction de modèles capables d'apprendre des relations à partir de données.

Elle fait partie du domaine de l’intelligence artificielle, mais elle ne représente pas toute l’IA.

Google définit l'apprentissage automatique comme une méthode de formation de modèles à partir de données, leur permettant de faire des prédictions ou de générer du contenu. Son cours officiel mis à jour organise l’apprentissage autour des données, des modèles, de la formation, de l’évaluation et des réseaux neuronaux.

Apprentissage supervisé

Le modèle apprend avec des exemples qui incluent la bonne réponse.

Exemples :

• Images étiquetées.
• E-mails identifiés comme spam ou légitimes.
• Maisons avec leur prix connu.
• Transactions classées comme frauduleuses ou normales.

Il peut être utilisé pour la classification ou la régression.

Apprentissage non supervisé

Le système reçoit des données sans réponse préalablement étiquetée et recherche des structures ou des groupements.

Il peut être utilisé pour :

• Segmenter les clients.
• Trouver des modèles.
• Réduire les dimensions.
• Détecter un comportement inhabituel.
• Explorez les ensembles de données.

Le résultat nécessite une interprétation car le modèle ne sait pas à l’avance ce que représente chaque groupe trouvé.

Apprentissage par renforcement

Un agent apprend en interagissant avec un environnement.

Recevez des récompenses ou des pénalités en fonction des actions entreprises et essayez de trouver une stratégie qui maximise le résultat accumulé.

Il est utilisé dans la recherche et dans des domaines tels que :

• Robotique.
• Jeux.
• Contrôle des systèmes.
• Optimisation.
• Certains agents autonomes.

Qu'est-ce que le Deep Learning

Le Deep Learning est un sous-domaine du Machine Learning basé sur des réseaux neuronaux multicouches.

Il est particulièrement utile pour traiter des informations complexes telles que :

• Images.
• Langue.
• Audio.
• Vidéo.
• Séquences.
• Grands ensembles de données.

Il ne faut pas le décrire simplement comme une “évolution” qui remplace l’apprentissage automatique traditionnel.

Le Deep Learning est une famille de techniques au sein de l’apprentissage automatique. Pour de nombreux problèmes, les modèles plus simples restent plus efficaces, compréhensibles ou adaptés.

Son expansion a été facilitée par :

• Une plus grande disponibilité des données.
• Processeurs spécialisés.
• Améliorations des algorithmes de formation.
• Infrastructure informatique à grande échelle.
• Modèles et architectures plus avancés.

Comment fonctionnent les réseaux neuronaux

Un réseau neuronal est une architecture d'apprentissage automatique composée d'unités connectées organisées en couches.

Google explique que les réseaux neuronaux permettent d'identifier des modèles non linéaires à l'aide de nœuds, de couches cachées et de fonctions d'activation, et que leur formation ajuste les paramètres pour réduire les erreurs de prédiction.

Couche d'entrée

Recevez les informations initiales.

Dans une image, les entrées peuvent représenter des valeurs liées aux pixels. Dans un modèle de texte, des représentations numériques de mots, de fragments ou de symboles sont utilisées.

Couches cachées

Ils transforment progressivement l’information.

Chaque unité combine des entrées, des poids et une fonction d'activation. Les couches peuvent apprendre des représentations de plus en plus utiles pour résoudre la tâche.

Nous ne devons pas interpréter que tous les réseaux apprennent littéralement d’abord les bords, puis les yeux et enfin les identités. Ce comportement peut être observé dans certains systèmes de vision, mais il dépend de l’architecture, des données et de la tâche.

Couche de sortie

Générer le résultat final.

Il peut consister en :

• Une probabilité.
• Une catégorie.
• Un numéro.
• Une séquence.
• Une répartition des possibilités.

Poids, erreurs et apprentissage

Les connexions contiennent des poids qui déterminent l’influence de chaque signal.

Pendant la formation:

1. Le réseau produit une sortie.
2. La différence par rapport au résultat attendu est calculée.
3. L'erreur se propage aux couches précédentes.
4. Les poids sont ajustés.
5. Le processus se répète.

Ce processus permet une amélioration progressive du résultat, même s’il ne garantit pas que le modèle se généralisera correctement en dehors des données utilisées.

Différences entre l'IA, l'apprentissage automatique et l'apprentissage profond

La relation est la suivante

Intelligence artificielle
└── Apprentissage automatique └── Apprentissage profond

Par conséquent:

• Toutes les IA n’utilisent pas l’apprentissage automatique.
• Tous les Machine Learning n’utilisent pas le Deep Learning.
• Tout le Deep Learning fait partie du Machine Learning.
• Un produit peut combiner plusieurs techniques.

Les différentes approches et classifications sont développées dans notre guide sur le types d'intelligence artificielle.

Comment un chatbot IA génère une réponse

Les assistants conversationnels modernes utilisent des modèles linguistiques formés pour travailler avec des séquences de texte et, dans certains cas, avec des images, de l’audio ou d’autres formats.

Lorsque vous écrivez une instruction :

1. Le système transforme le contenu en unités exploitables.
2. Interpréter le contexte disponible.
3. Calculer les distributions de probabilité.
4. Il génère progressivement la réponse.
5. Appliquez des instructions, des filtres et des paramètres supplémentaires.

Dans un modèle de langage, prédire les unités suivantes est une partie fondamentale du processus. Cependant, nous ne devrions pas utiliser cette explication pour décrire toute intelligence artificielle, car d’autres systèmes produisent des classifications, des itinéraires, des prédictions numériques ou des actions physiques.

Les participants peuvent également intégrer :

• Recherche.
• Récupération de documents.
• Outils externes.
• Calculs.
• Mémoire de conversation.
• Traitement d'image.
• Exécution du code.
• Agents qui effectuent plusieurs étapes.

Notre guide sur Comment fonctionne l'IA générative développe le fonctionnement de modèles qui produisent du texte, des images, de l'audio, de la vidéo et du code.

L’intelligence artificielle pense-t-elle comme une personne ?

Les performances d’un système ne doivent pas être automatiquement confondues avec la pensée, la conscience ou la compréhension humaines.

Une IA peut produire une explication convaincante, reconnaître une image ou réussir un test sans ressentir d’émotions ni comprendre le monde de la même manière qu’une personne.

La définition opérationnelle de l’OCDE décrit ces systèmes à travers des intrants, des inférences, des objectifs et des résultats ; elle n’attribue pas de sensibilisation aux modèles actuels.

Nous devons également éviter l’extrême opposé.

Dire qu’un assistant “ne fait que répéter les informations” ne décrit pas non plus correctement tous ses processus. Les modèles peuvent combiner des modèles, généraliser, résoudre certains problèmes et produire de nouveaux résultats, même si leurs mécanismes et leurs limites sont différents de ceux des humains.

La position la plus précise est la suivante

L’intelligence artificielle peut afficher des capacités avancées sans démontrer la conscience, l’intention ou la compréhension humaine.

Pourquoi l’intelligence artificielle peut faire des erreurs

Des erreurs peuvent apparaître pour différentes raisons.

Données insuffisantes ou incorrectes

Le modèle apprend des relations peu fiables si les informations utilisées contiennent des erreurs ou ne représentent pas adéquatement le problème.

Questions ambiguës

Une instruction incomplète peut permettre de multiples interprétations.

Informations en dehors de votre formation

Le système peut recevoir des cas très différents de ceux utilisés lors de son développement.

Surajustement

Le modèle fonctionne bien avec des exemples connus, mais a du mal à généraliser.

Préjugés

Les données, les étiquettes ou les décisions de conception peuvent favoriser certains modèles ou groupes.

Génération probabiliste

Un modèle génératif peut produire une réponse plausible qui n’est pas vraie.

Changements dans l'environnement

Le comportement des utilisateurs, des marchés ou des systèmes peut évoluer et réduire l’utilité du modèle.

Manque d'accès aux informations actuelles

Certains outils ne disposent pas de connexion en temps réel ni d’accès à des sources à jour.

Le NIST recommande de gérer les risques liés à l’IA tout au long de leur cycle de vie, notamment la fiabilité, la sécurité, la confidentialité, la transparence, les préjugés et la surveillance.

Ce qu'une IA peut et ne peut pas faire

Une IA peut

• Traiter de grandes quantités d'informations.
• Reconnaître certains modèles.
• Classer et prédire.
• Générer des brouillons.
• Recommander des options.
• Automatisez certaines parties d'un processus.
• Aide à détecter les anomalies.
• Adapter une sortie au contexte fourni.

L'IA ne garantit pas

• Que la réponse soit vraie.
• Qu’il comprend le contexte en tant que personne.
• Que vos données sont à jour.
• Que la décision soit juste.
• Faites-lui connaître ses propres limites.
• Qu'il peut agir sans surveillance.
• Que le résultat est légal, éthique ou approprié.
• Qu'il fonctionne correctement en dehors de son environnement prévu.

L’utilité dépend de la tâche, des données, du modèle, de l’évaluation et de la manière dont les gens intègrent le système.

Exemple pratique d'opération

Imaginons un système conçu pour détecter les messages de spam.

Objectif

Classez chaque message comme suit

• Courrier indésirable.
• Courrier légitime.

Données

Les emails précédemment classifiés sont collectés.

Préparation

Le texte est transformé en représentations que le modèle peut traiter.

Formation

L'algorithme ajuste les paramètres pour relier certaines caractéristiques à chaque catégorie.

Évaluation

Les performances sont vérifiées avec des messages qui n'ont pas été utilisés pendant la formation.

Inférence

Lorsqu'un nouvel e-mail arrive, le modèle calcule la probabilité qu'il s'agisse de spam.

Supervision

Les erreurs et les nouveaux types de messages sont analysés pour améliorer le système.

Cet exemple montre que l’intelligence artificielle n’apparaît pas en une seule étape. C'est le résultat de la combinaison d'un objectif, de données, de préparation, de formation, d'évaluation, de logiciels et de supervision.

Conclusion

L'intelligence artificielle est un système conçu pour traiter les entrées et générer des résultats liés à un objectif.

Les modèles basés sur l’apprentissage automatique apprennent les relations à partir des données. Au cours de la formation, ils ajustent leurs paramètres et, lors de l’inférence, ils utilisent ce qu’ils ont appris pour traiter de nouvelles informations.

Le Deep Learning utilise des réseaux neuronaux profonds, mais ne représente pas toute l’intelligence artificielle. De même, un assistant génératif n’est qu’une application dans un domaine beaucoup plus large.

Comprendre ces différences permet d’utiliser l’IA avec de meilleures attentes, de détecter ses limites et d’évaluer quand une réponse nécessite une vérification humaine.

Pour en savoir plus sur ses utilisations dans l'éducation, la médecine, les affaires, le marketing, l'industrie et la vie quotidienne, consultez notre guide sur le applications réelles de l'intelligence artificielle.

Questions fréquemment posées sur le fonctionnement de l'intelligence artificielle