Aucun résultat trouvé

Votre recherche n’a donné aucun résultat.

Nous vous suggérons d’essayer ce qui suit pour trouver ce que vous recherchez :

  • Vérifiez l’orthographe de votre recherche par mot clé.
  • Utilisez des synonymes pour le mot clé que vous avez tapé, par exemple, essayez “application” au lieu de “logiciel”.
  • Essayez l’une des recherches populaires ci-dessous.
  • Lancer une nouvelle recherche.
Questions tendances

Qu’est-ce que l’Intelligence Artificielle ?

L’Intelligence Artificielle, l’IA, est une branche de l’IT qui tend, à l’aide de machines, à reproduire l’intelligence humaine en l’imitant par exécution de tâches. L’Intelligence Artificielle fait partie de notre quotidien et s’introduit dans de nombreux métiers. Depuis un siècle, ses progrès sont considérables.

Qu’est-ce que l’Intelligence Artificielle ?

Connaissez-vous le rasoir d’Ockham ? La recherches des plus proches voisins ? Ces termes spécifiques se réfèrent à l’Intelligence Artificielle (IA). Bien qu’elle alimente les médias et que le marché aime la promouvoir, nous ne connaissons pas toujours exactement ce que le concept recouvre, au risque, parfois même, de confondre IA, Machine Learning et Deep Learning.

IA : quand les machines imitent l’intelligence humaine

L’Intelligence Artificielle, l’IA, est une branche de l’IT qui tend, à l’aide de machines, à reproduire l’intelligence humaine en l’imitant par exécution de tâches. L’IA se distingue par sa capacité à rationaliser son action de manière à maximiser ses chances de réussite grâce à l'apprentissage, le raisonnement et la perception.

Les algorithmes jouent souvent un rôle très important dans la structure de l'Intelligence Artificielle, où des algorithmes simples sont utilisés dans des applications simples, tandis que des algorithmes plus complexes aident à structurer une Intelligence Artificielle forte. De nombreux outils sont utilisés en IA, y compris des versions de recherche et d'optimisation mathématique, des réseaux neuronaux artificiels et des méthodes basées sur les statistiques, les probabilités et l'économie. Le domaine de l'IA s'appuie sur l'informatique, l'ingénierie de l'information, les mathématiques, la psychologie, la linguistique, la philosophie et bien d'autres domaines.

Le concept d’IA est reconnu en tant que discipline universitaire en 1955. Depuis, il n’a cessé d'évoluer au fur et à mesure des progrès technologiques : la puissance des ordinateurs, le Big Data, la compréhension théoriques etc. et a participé à l’amélioration de ceux-ci. Les champs de l’IA aujourd’hui s’ouvrent entre autres sur le traitement du langage naturel, la représentation des connaissances, l’analyse prédictive,... autant de capacités nécessaires dans de nombreux métiers.

IA faible et IA forte : quelle différence ?

On distingue 2 grandes catégories d'Intelligence Artificielle :

  • L’IA faible : l’Intelligence Artificielle telle que nous la connaissons aujourd’hui et qui nous entoure. Les machines intelligentes exécutent des tâches en imitant l’intelligence humaine. Si elles ont eu "des avantages sociétaux significatifs et ont contribué à la vitalité économique de la nation", selon le rapport Preparing for the Future of Artificial Intelligence publié en 2016 par l'administration Obama, elles fonctionnent avec beaucoup plus de contraintes et de limites que l'intelligence humaine la plus élémentaire.
  • L’IA forte, ou l’Intelligence Artificielle générale : une machine capable d‘apprendre et d’agir dans n'importe quel environnement" (Russel et Norvig 27) grâce à des capacités cognitives complètes se trouve aujourd’hui uniquement dans la fiction (Star Trek, Westworld, etc.). Les recherches en cours s’accordent sur la difficulté d’y parvenir et donc un aboutissement du projet très lointain.

Ne confondez plus IA, Machine Learning et Deep Learning

Il est courant d’entendre le terme IA employé pour désigner le Machine Learning et de les confondre aussi avec le Deep learning. Pourtant, chacun renvoie à des concepts bien spécifiques. La confusion provient du lien qui existe entre ces notions. Si le Machine Learning et le Deep Learning sont des Intelligences Artificielles, l'inverse n'est pas vrai. Le Deep Learning est, quant à lui, une branche du Machine Learning.

Le Machine Learning alimente un ordinateur en données et l’aide à "apprendre" comment s'améliorer dans une tâche grâce à des algorithmes, sans avoir à écrire des millions de lignes de code.

Le Deep Learning est un type de Machine Learning qui utilise des entrées par le biais d'une architecture de réseau neuronal d'inspiration biologique. Les réseaux neuronaux contiennent un certain nombre de couches cachées à travers lesquelles les données sont traitées, ce qui permet à la machine d'aller "en profondeur" dans son apprentissage, en établissant des connexions.

L’IA : un concept contemporain qui puise ses racines dans l’Antiquité

Le développement du syllogisme par Aristote et son utilisation du raisonnement déductif ont été un moment clé dans la quête de l'humanité pour comprendre sa propre intelligence.

L'étude de la logique mathématique a conduit directement à la théorie du calcul d'Alan Turing en 1936, qui suggérait qu'une machine, en mélangeant des symboles aussi simples que "0" et "1", pouvait simuler tout acte de déduction mathématique. Le premier travail en IA date de 1943 avec la proposition de McCullouch et Pitts sur le premier modèle mathématique pour la construction d'un réseau de neurones. L'article de Turing en 1950 et le test de Turing qui a suivi, ont établi l'objectif fondamental et la vision de l'Intelligence Artificielle.

L’expression et le concept d’Intelligence Artificielle telle que nous le connaissons aujourd’hui naît lors d'un atelier au Dartmouth College en 1956, dirigé par John McCarthy. Jusque dans les années 1980, le progrès des recherches, liées aux financements, furt fluctuant. Cependant, en 1989, une publication relate le développement de l'intégration à très grande échelle du métal-oxyde-semi-conducteur qui a permis le développement d'une technologie pratique de réseau neuronal artificiel dans les années 1980.

À la fin des années 1990 et au début du 21e siècle, l'IA a commencé à être utilisée pour la logistique, l'exploration de données, le diagnostic médical et d'autres domaines, lié notamment à l’évolution des nouvelles technologies. Le 11 mai 1997, Deep Blue est devenu le premier système de jeu d'échecs par ordinateur à battre un champion du monde d'échecs en titre, Garry Kasparov. En 2012, le fondateur du projet Google Brain Deep Learning alimente un réseau neuronal en utilisant des algorithmes de Deep Learning, avec 10 millions de vidéos YouTube. Il apprend à reconnaître un chat sans qu'on lui dise ce qu'il est. Autre exemple, le Kinect, qui fournit une interface 3D de mouvements corporels pour la Xbox 360 et la Xbox One, utilise des algorithmes issus de longues recherches sur l'IA, tout comme les assistants personnels intelligents des smartphones. En mars 2016, AlphaGo a remporté 4 des 5 parties de Go lors d'un match avec le champion de Go Lee Sedol, devenant ainsi le premier système de jeu de Go sur ordinateur à battre un joueur de Go professionnel sans handicap.

Dans une enquête réalisée en 2017, une entreprise sur cinq a déclaré avoir intégré l'IA dans certaines offres ou certains processus.

Testez et développez des applications gratuitement avec le Cloud Oracle

Comment fonctionne une Intelligence Artificielle ?

Définir l’IA n’explique pas ce qui rend une machine intelligente. Afin de mener à bien son action, les agents intelligents d’une IA analysent leur environnement et prennent des mesures qui maximisent leurs chances de succès. La fonction d'utilité (ou objectif) visée par une IA peut être simple ("1 si l'IA gagne une partie de Go, 0 sinon") ou complexe ("Faire des actions mathématiquement similaires à celles qui ont été réussies dans le passé").

L'IA tourne souvent autour de l'utilisation d'algorithmes. Un algorithme est un ensemble d'instructions non ambiguës qu'un ordinateur mécanique peut exécuter. Un algorithme complexe est souvent construit par-dessus d'autres algorithmes plus simples. Un exemple simple d'algorithme est la recette suivante (optimale pour le premier joueur) pour jouer au jeu du morpion:

  • Si quelqu'un a une "menace" (c'est-à-dire deux de suite), prenez la case restante.
  • Si un coup peut créer deux menaces à la fois, jouez ce coup.
  • Prenez la place centrale si elle est libre.
  • Si votre adversaire a joué dans un coin, prenez le coin opposé.
  • Prenez un coin vide s'il en existe un.
  • Prenez n'importe quelle case vide.

De nombreux algorithmes d'IA sont capables d'apprendre à partir de données ; ils peuvent s'améliorer en apprenant de nouveaux heuristiques (stratégies, ou "règles empiriques", qui ont bien fonctionné dans le passé), ou peuvent eux-mêmes écrire d'autres algorithmes. Il en existe divers types:

  • le symbolisme : Si un adulte par ailleurs en bonne santé a de la fièvre, il peut avoir la grippe.
  • l'inférence bayésienne : Si le patient actuel a de la fièvre, ajustez la probabilité qu'il ait la grippe de telle ou telle manière.
  • les analogues, très populaires dans les applications commerciales, telles que la recherche des plus proches voisins : Après avoir examiné les dossiers d'anciens patients connus dont la température, les symptômes, l'âge et d'autres facteurs correspondent pour la plupart au patient actuel, X% de ces patients se sont avérés être atteints de la grippe.
  • l'approche des réseaux de neurones artificiels, exploite des "neurones" artificiels qui peuvent apprendre en se comparant à la sortie souhaitée et en modifiant les forces des connexions entre ses neurones internes pour "renforcer" les connexions qui semblaient utiles.

Ces quatre approches principales peuvent se chevaucher ; par exemple, les réseaux neuronaux peuvent apprendre à faire des déductions, à généraliser et à faire des analogies.

Les algorithmes d'apprentissage fonctionnent sur la base que les stratégies, les algorithmes et les inférences qui ont bien fonctionné dans le passé continueront probablement à bien fonctionner à l'avenir. L’apprentissage se base aussi sur "le rasoir d'Ockham", un principe selon lequel la théorie la plus simple pour expliquer les données est la plus probable.

Comment est intégrée l’IA dans les métiers ? Santé, automobile, finance : 3 études de cas

Selon McKinsey Global Institute, la valeur commerciale annuelle dérivée de l’IA est estimée entre 3,5 et 5,8 milliards de dollars dans 19 secteurs. Les applications de l'Intelligence Artificielle peuvent être appliquées à de nombreux secteurs et industries différents.

Les exemples les plus connus d'IA sont les véhicules autonomes (tels que les drones et les autos), les diagnostics médicaux, la création artistique (telle que la poésie), la démonstration de théorèmes mathématiques, les jeux (tels que les échecs ou le go), les moteurs de recherche (tels que Google), les assistants en ligne (tels que Siri), la reconnaissance d'images dans les photographies, le filtrage du spam, la prévision des retards de vols, la prévision des décisions judiciaires, le ciblage des publicités en ligne et le stockage d'énergie.

Santé : assister les spécialistes pour une meilleure prise en charge des patients

L'IA est testée et utilisée dans le secteur des soins de santé pour le dosage des médicaments et différents traitements chez les patients. En 2016, une étude révolutionnaire menée en Californie a révélé qu'une formule mathématique élaborée à l'aide de l'IA permettait de déterminer correctement la dose exacte de médicaments immunosuppresseurs à administrer aux patients ayant des organes.

L'Intelligence Artificielle assiste les médecins et les spécialistes dans, par exemple, le choix personnalisé des médicaments pour traiter un cancer, étant donné qu’il en existe plus de 800. L’IA est aussi particulièrement exacte dans son identification cancers de la peau. En ophtalmologie, une machine intelligente peut effectuer un diagnostic de la même manière qu'un spécialiste bien formé, et générer une décision en 30 secondes sur l'orientation ou non du patient vers un traitement, avec une précision de plus de 95%.

L’IA peut s’avérer également pertinente en chirurgie. Une étude récente des chirurgiens du Children's National Medical Center de Washington tire un bilan très satisfaisant d’une équipe qui a supervisé un robot autonome pendant qu'il opérait les tissus mous, en cousant l'intestin d'un porc pendant une opération ouverte avec une précision très fine.

Automobile : les véhicules à conduite autonome

Les progrès de l'IA ont contribué à la croissance de l'industrie automobile par la création et l'évolution des véhicules à conduite autonome. En 2016, plus de 30 entreprises utilisent l'IA pour créer des voitures à conduite autonome, comme par exemple Tesla.

De nombreux composants contribuent au fonctionnement des voitures qui se conduisent seules. Ces véhicules intègrent des systèmes tels que le freinage, le changement de voie, la prévention des collisions, la navigation et la cartographie. Ensemble, ces systèmes, ainsi que des ordinateurs à haute performance, sont intégrés dans un véhicule complexe.

L'un des principaux facteurs qui influencent la capacité de fonctionnement d'une automobile sans conducteur est la cartographie. En général, le véhicule est préprogrammé avec une carte de la zone parcourue. Cette carte comprend des données sur les approximations de la hauteur des feux de circulation et des trottoirs afin que le véhicule soit conscient de son environnement. Certaines voitures à conduite autonome ne sont pas équipées de volants ou de pédales de frein, et des recherches ont donc été menées pour créer un algorithme capable de maintenir un environnement sûr pour les passagers du véhicule grâce à la connaissance de la vitesse et des conditions de conduite.

Un autre facteur qui influence la capacité d'une automobile sans conducteur est la sécurité du passager. Pour fabriquer une automobile sans conducteur, les ingénieurs doivent la programmer pour qu'elle puisse faire face à des situations à haut risque. Ces situations peuvent inclure une collision frontale avec des piétons. L'objectif principal de la voiture devrait être de prendre une décision qui éviterait de heurter les piétons et de sauver les passagers de la voiture. Mais il est possible que la voiture doive prendre une décision qui mettrait quelqu'un en danger. En d'autres termes, la voiture devrait décider de sauver les piétons ou les passagers. La programmation de la voiture dans ces situations est cruciale pour le succès d'une automobile sans conducteur.

Finance et économie : lutter contre la fraude et améliorer le système commercial

L'Intelligence Artificielle a également des applications dans le secteur financier, où elle est utilisée pour détecter et signaler les activités bancaires et financières telles que l'utilisation inhabituelle de cartes de débit et les dépôts importants sur un compte, qui aident le service de lutte contre la fraude d'une banque. Les institutions financières utilisent depuis longtemps des systèmes de réseaux neuronaux artificiels pour détecter les accusations ou les réclamations hors norme, les signalant pour une enquête humaine. L'utilisation de l'IA dans le secteur bancaire remonte à 1987, lorsque la Security Pacific National Bank aux États-Unis a mis en place un groupe de travail sur la prévention de la fraude pour lutter contre l'utilisation non autorisée des cartes de débit. Des programmes comme Kasisto et Moneystream utilisent l'IA dans les services financiers.

Les banques utilisent aujourd'hui des systèmes d'Intelligence Artificielle pour organiser leurs opérations, tenir leur comptabilité, investir dans des actions et gérer leurs biens. L'IA peut réagir aux changements du jour au lendemain ou lorsque les affaires ne sont pas en cours. L'IA a également réduit la fraude et les crimes financiers en surveillant les modèles de comportement des utilisateurs pour détecter tout changement ou comportement anormal.

Les applications de l'Intelligence Artificielle sont également utilisées pour rationaliser et faciliter les échanges commerciaux, modifiant en profondeur les principales théories économiques. Par exemple, les plateformes d'achat et de vente basées sur l'IA ont changé la loi de l'offre et de la demande en ce sens qu'il est désormais possible d'estimer facilement des courbes d'offre et de demande personnalisées et donc de fixer des prix individualisés.