L'intelligence artificielle
- Fiche de cours
- Quiz et exercices
- Vidéos et podcasts
- Savoir ce qu’est l’intelligence artificielle.
- Connaitre les domaines d'utilisation de l’intelligence artificielle.
- Connaitre les techniques liées au développement de l’intelligence artificielle.
- L'intelligence artificielle (IA) est l'intelligence recréée par l'humanité grâce à sa science et à ses technologies.
- L’intelligence artificielle se scinde en :
- IA forte, qui reproduit l’intelligence humaine ;
- IA faible, qui imite l’intelligence et se limite à des situations bien précises.
- Les principales techniques pour créer des IA
sont :
- l’écriture d’algorithmes intelligents, avec notamment les systèmes experts ;
- le machine learning, avec notamment le deep learning.
Algorithmique
L'intelligence est une notion vaste et floue. Sa définition varie selon les cultures, les époques, le sujet étudié (humain, autre être vivant, machine). Le fonctionnement du cerveau, et son lien avec l'intelligence, n'est d'ailleurs pas très bien compris. On se limite donc souvent à une analyse comportementale d'un sujet, pour définir si on le considère intelligent ou non, et pour évaluer son niveau d’intelligence.
Les critères d'évaluation de l’intelligence peuvent être les suivants.
- La capacité à être rationnelle, à comprendre, à juger, à prendre des décisions, etc.
- La capacité à mémoriser et à apprendre.
- La capacité à être créatif, original, innovant, à pouvoir s'adapter.
- La capacité à se considérer en tant qu'individu, la conscience de soi, la conscience de sa finitude.
- Les aptitudes sociales, le langage, l'empathie.
En plus de tous ces éléments, quelques caractéristiques supplémentaires liées de manière générale au concept d'être vivant ont l'air de favoriser le développement de l'intelligence, comme les capacités suivantes.
- La capacité à sentir son environnement (vue, ouïe, odorat, etc.).
- La capacité à se mouvoir.
- La capacité à se développer, à se reproduire/dupliquer, à muter.
Depuis le début des années 2010, nous vivons un moment charnière dans le domaine de l'IA, l'intelligence artificielle. Le développement de l'IA est devenu l'une des principales courses technologiques et plusieurs acteurs s'y affrontent ou coopèrent.
À la pointe, on trouve :
- des grandes entreprises, principalement celles issues des nouvelles technologies, avec une concentration d'entreprises américaines (Google, Amazon, Apple, Microsoft, IBM, Facebook, Intel) et est-asiatiques (Samsung, Tencent, Alibaba, Huawei, Xiaomi, SoftBank) ;
- les États, notamment les États-Unis et la Chine qui dépensent de grandes quantités d'argent dans la recherche, suivis par les européens, le Japon et la Corée du Sud ;
- les centres de recherches et les universités.
Deux manières d'imaginer ce sur quoi pourrait déboucher cette course à l'intelligence artificielle existent.
- La limitation à une intelligence artificielle faible.
- L’apparition d'une intelligence artificielle forte.
Dans le cas d'une IA forte, l'objectif est de doter un produit d'un intellect calqué sur celui de l'humain : on essaie de recréer artificiellement le cerveau humain, ou l'intelligence humaine, avec tous les traits qu'on attribue à celle-ci (rationalité, adaptabilité, conscience de soi, etc.).
Ce type d'IA n'existe pas à l'heure actuelle, il faut donc se tourner vers la science-fiction pour trouver des exemples. Récemment, on trouve par exemple des IA fortes dans les films : Her, Ex Machina, Chappie ou Blade Runner 2049.
Au contraire, une IA faible ne fait que simuler, donner l'impression, qu'elle est intelligente. Ses aptitudes sont limitées à la réalisation de certaines tâches spécialisées : elle ne possède pas une intelligence globale/générale.
On peut penser aux assistants vocaux actuels, disponibles sur nos smartphones ou nos systèmes domotiques (Google Assistant, Siri, Alexa, etc.). Ils sont capables de se faire passer pour intelligents, voire parfois pour des humains. On remarque cependant assez facilement que dans certaines situations ils ont un comportement stéréotypé.
Le mathématicien Alan Turing, qui a beaucoup travaillé sur l'IA, a développé en 1950 un test qui permet de déterminer si une IA est vraiment intelligente : le test de Turing. Pour résumer ce test : on considère qu'une IA est réellement intelligente si elle arrive à tromper un cobaye humain, de telle sorte que ce cobaye ne sera pas en mesure de différencier l'IA d'un humain au cours d'une discussion.
Actuellement, toutes les IA créées par l'humanité sont des IA faibles. Leurs fonctions et domaines d'application sont très nombreux et variés.
Les IA sont de plus en plus souvent utilisées pour prendre les commandes de nos produits. On pense aux aspirateurs ou tondeuses autonomes pour le grand public, aux drones militaires, aux bras robots en entreprises, aux métros, etc.
Les tests sont également bien avancés pour l'automobile, et on devrait utiliser des voitures autonomes d'ici quelques années.
Les IA peuvent analyser et comprendre des images ou des vidéos, plus finement qu'un humain. C’est notamment très utilisé dans le domaine médical. Les IA peuvent détecter des maladies à partir de photos et vidéos.
Les systèmes autonomes (voitures autonomes, drones autonomes, etc.) nécessitent aussi d’analyser leur environnement avec des caméras (pour par exemple éviter des obstacles). Enfin, cela est également très utile dans le cadre de la vidéosurveillance et de la détection de visage.
Les IA peuvent assister les humains dans de nombreuses tâches. C’est le cas des assistants vocaux, que de nombreuses personnes utilisent déjà quotidiennement. C’est aussi le cas des assistants robotiques, qui sont déjà en cours de test dans des aéroports, gares, salon, etc., ou dans l’industrie. Ils devraient se démocratiser d'ici quelques années.
En croisant et en analysant rapidement ces données, les IA font ressortir des tendances, qui peuvent ensuite être utilisées avec des objectifs et domaines variés : publicité ciblée, bilan de santé, finance, etc.
Une grande partie du fonctionnement d'internet est maintenue par des IA. Plusieurs fonctions critiques, dans la production d'énergie par exemple, sont aussi partiellement assurées par des IA. Le fait que les IA ne se fatiguent pas, et aient toujours un niveau d'attention maximal, en font d’excellents assistants pour ces tâches.
Le comportement de plus en plus complexe, et intelligent, des IA les rend capables de concurrencer de manière divertissante les humains dans la plupart des jeux (quand elles ne les surpassent pas largement). C'est le cas par exemple pour les jeux vidéo ou les jeux de stratégie comme les échecs, le jeu de Go, etc.
On remarque que l’IA se trouve partout, et que ce sera encore plus le cas dans un futur proche. Les tâches qu’on lui confie sont également de plus en plus critiques et complexes. Elle peut donc être un formidable outil, comme un outil dangereux, en fonction des motivations de celui qui la contrôle.
Cette technique fonctionne de manière satisfaisante dans des situations simples, pour des IA qui ont peu de moyens d'interactions avec l'extérieur, ou dans un environnement contrôlé.
- Dans de nombreux jeux vidéo, les IA des adversaires ont un comportement assez simple. Par exemple, elles foncent sur le joueur et l'attaquent dès qu'elles le voient.
- Les IA qu'on trouve dans la plupart des jeux d'échec, ou autres jeux de stratégie et de société, ont aussi un comportement relativement simple : elles calculent le résultat de toutes les combinaisons de coups possibles, et choisissent la combinaison qui semble la plus efficace pour gagner la partie.
Avec cette technique, le concepteur/développeur de l'IA doit dès le départ anticiper toutes les situations que l'IA rencontrera. L'IA peut mémoriser de nouvelles données par la suite, mais son fonctionnement de base, son algorithme, n'est pas évolutif.
Plus le domaine d'utilisation de l'IA est général, plus les algorithmes deviennent complexes, longs et difficiles à maintenir. Ce type d'IA est donc limité.
En posant une série de questions, et en analysant les réponses, l’IA va trouver la solution la plus adaptée à un problème dans son champ de compétence. Les systèmes experts sont très utilisés pour effectuer des diagnostics dans le commerce, la finance, la santé, etc.
- Un système expert peut être un bon assistant dans un hôpital : en posant une série de questions aux patients qui entrent, le système expert peut déterminer, à partir des symptômes, de quoi souffre le patient. Le patient est ainsi orienté vers le bon service, où un médecin validera le diagnostic.
- Le système expert Akinator (disponible et testable en ligne), qui devine à quel personnage vous pensez, est aussi un bon exemple de ce qu'un système expert est capable de faire.
Un système expert se compose de trois éléments.
- Une base de faits : ce sont ses données de base, les choses qu'il considère comme vraies, à priori.
- Une base de règles : les règles précisent comment le système peut produire un nouveau fait, à partir d'autres faits. Ce sont les règles qu’il utilise pour réaliser des déductions.
- Un moteur d'inférence : ce sont les algorithmes qui permettent au système de raisonner. Ces algorithmes s'appuient sur les règles de déduction du système, pour avancer vers une solution à un problème. La solution est atteinte par déductions consécutives, à partir de la base de faits, et des informations fournies par l'utilisateur.
Principe et fonctionnement
d'un système expert
Les algorithmes de machine learning se basent sur la collecte de données par le produit. Ces données sont ensuite analysées : le produit va réaliser une étude statistique à partir de ces données. Les résultats de cette étude permettent finalement au produit de déterminer comment agir au mieux dans cette nouvelle situation.
Enfin, dès qu'une stratégie valable est trouvée, elle est mémorisée. Cette stratégie pourra ensuite être améliorée, grâce à davantage de données collectées par le produit, au fur et à mesure de son utilisation.
Un robot humanoïde, programmé sans machine learning, est capable de se remettre debout si il tombe, car il possède un algorithme dédié à se relever. Cet algorithme ne fonctionne que dans certaines conditions (sol non glissant et parfaitement plat, robot en parfait état, etc.). Si ces conditions ne sont pas respectées, le robot glisse durant sa manœuvre et ne peut plus se relever.
Le même robot, programmé avec du machine learning, comprendra rapidement, après quelques chutes, qu'il ne peut pas se relever avec son algorithme de base. À la place, il testera de nouvelles stratégies pour se lever, en essayant de nouveaux mouvements. Il associera par exemple que tel mouvement est plus adapté si le sol est en pente. Le robot finira par être capable de se relever, peu importe l'état du sol. Le robot pourra même apprendre à se relever si l'une de ses jambes est endommagée.
Le deep learning existe depuis longtemps, au moins depuis les années 1980, avec des travaux sur les réseaux de neurones dès les années 1950. La puissance de calcul des ordinateurs, et la quantité de données nécessaire pour l'apprentissage profond, n'a cependant pas été suffisamment importante pour que ces techniques soient viables, jusqu'aux années 2010.
Un réseau de neurones est une structure mathématique programmée, composée de plusieurs neurones artificiels, organisés en couches, et reliés par des synapses artificiels.
On donne au réseau des valeurs en entrée (par exemple une image), le réseau les transforme, et nous donne des valeurs en sortie (par exemple une description de l'image).
Un réseau de neurones n'est pas figé, il est auto-adaptatif, il apprend. Un jeune réseau de neurones n’est pas très performant : pour fournir les bonnes sorties (par exemple, de bonnes descriptions pour chaque image), le réseau a besoin d'une phase d'entrainement.
Représentation d'un
réseau de 12 neurones artificiels,organisés en 4 couches
On conçoit un réseau de neurones capable d'identifier si un dessin représente un chat ou un chien.
La structure du réseau vient d'être créée, mais le réseau est pour l'instant peu efficace, car non entrainé. Cela signifie concrètement qu'il se trompe une fois sur deux. On va donc lui donner une série d'images de chats et de chiens. À chaque fois que le réseau se trompera, il s'ajustera en modifiant la manière dont ses neurones communiquent (on dit qu'il modifie ses poids synaptiques).
Après avoir visionné des milliers d'images, le réseau sera capable de déterminer avec un bon taux de réussite si l'image est un chat ou chien. Plus la quantité d'images vue sera importante, meilleur sera son taux de réussite.
Le deep learning est extrêmement efficace pour :
- le traitement d'image : reconnaissance d'image, reconnaissance faciale, supervision vidéo, vision des produits (voiture autonome, etc.), modification d'image/vidéo en direct ;
- tout ce qui est lié au son et au langage : analyse de texte, reconnaissance vocale, traduction en direct, synthèse de la parole/voix ;
- tout ce qui est lié au big data, en permettant de traiter de grande quantité de données afin d'en faire ressortir des informations pertinentes et utilisables, des tendances.
- Le deep learning a permis à l'IA de vaincre des humains dans des jeux comme le jeu de Go. Dans ce jeu, la quantité de combinaisons possibles à chaque tour rendait la victoire, sans deep learning, inatteignable contre un champion humain. Google DeepMind a réussi, de 2015 à 2017, à vaincre plusieurs joueurs professionnels en développant l’IA AlphaGo.
- Le langage Python comporte une grande quantité de bibliothèques logicielles qui permettent de s'initier au deep learning.
Les IA peuvent combiner plusieurs des techniques présentées. On trouve notamment des systèmes experts qui utilisent le deep learning pour améliorer leurs prédictions.
La plupart des IA avancées, conçues actuellement, comprennent une part de deep learning. Elles sont entrainées avant d'être mises en production ou commercialisées. Elles profitent ensuite des données amassées, en provenance de tous leurs utilisateurs et de tous les pays, pour s'améliorer en apprenant. Leur programme de base reste cependant des algorithmes, écrits par des humains.
Si les utilisateurs donnent de mauvaises informations, mentent ou essaient de piéger une IA qui fonctionne au deep learning durant sa phase d’apprentissage, cette dernière sera totalement inefficace.
Évalue ce cours !
Des quiz et exercices pour mieux assimiler sa leçon
La plateforme de soutien scolaire en ligne myMaxicours propose des quiz et exercices en accompagnement de chaque fiche de cours. Les exercices permettent de vérifier si la leçon est bien comprise ou s’il reste encore des notions à revoir.
Des exercices variés pour ne pas s’ennuyer
Les exercices se déclinent sous toutes leurs formes sur myMaxicours ! Selon la matière et la classe étudiées, retrouvez des dictées, des mots à relier ou encore des phrases à compléter, mais aussi des textes à trous et bien d’autres formats !
Dans les classes de primaire, l’accent est mis sur des exercices illustrés très ludiques pour motiver les plus jeunes.
Des quiz pour une évaluation en direct
Les quiz et exercices permettent d’avoir un retour immédiat sur la bonne compréhension du cours. Une fois toutes les réponses communiquées, le résultat s’affiche à l’écran et permet à l’élève de se situer immédiatement.
myMaxicours offre des solutions efficaces de révision grâce aux fiches de cours et aux exercices associés. L’élève se rassure pour le prochain examen en testant ses connaissances au préalable.
Des vidéos et des podcasts pour apprendre différemment
Certains élèves ont une mémoire visuelle quand d’autres ont plutôt une mémoire auditive. myMaxicours s’adapte à tous les enfants et adolescents pour leur proposer un apprentissage serein et efficace.
Découvrez de nombreuses vidéos et podcasts en complément des fiches de cours et des exercices pour une année scolaire au top !
Des podcasts pour les révisions
La plateforme de soutien scolaire en ligne myMaxicours propose des podcasts de révision pour toutes les classes à examen : troisième, première et terminale.
Les ados peuvent écouter les différents cours afin de mieux les mémoriser en préparation de leurs examens. Des fiches de cours de différentes matières sont disponibles en podcasts ainsi qu’une préparation au grand oral avec de nombreux conseils pratiques.
Des vidéos de cours pour comprendre en image
Des vidéos de cours illustrent les notions principales à retenir et complètent les fiches de cours. De quoi réviser sa prochaine évaluation ou son prochain examen en toute confiance !
Fiches de cours les plus recherchées
Sciences de l’ingénieur
Résoudre un problème de statique avec trois forces non parallèles
Sciences de l’ingénieur
Descente de charges : résoudre un problème
Sciences de l’ingénieur
L'algorithmique : structures conditionnelles, boucles et procédures
Sciences de l’ingénieur
Le principe fondamental de la statique
Sciences de l’ingénieur
Le principe fondamental de la dynamique
Sciences de l’ingénieur
La mécanique du point et les équations horaires
Sciences de l’ingénieur
Les systèmes asservis
Sciences de l’ingénieur
Descente de charges : les structures porteuses
Sciences de l’ingénieur
L'algorithmique : principes, bases et fonctions
Sciences de l’ingénieur
L'internet des objets
Sciences de l’ingénieur
Chaine de puissance d'un système et réversibilité
Sciences de l’ingénieur
Simuler une chaine de puissance avec un modèle multiphysique
Sciences de l’ingénieur
Le stockage d'énergie
Fermer
Accédez gratuitement à
