Comprendre l’intelligence artificielle
Dire que l’intelligence artificielle (IA) est mal comprise serait un euphémisme. La plupart des gens n’ont aucune idée de ce que c’est, comment cela fonctionne ou ce que cela peut faire. Ceci est aggravé par le fait que contrairement aux autres révolutions technologiques, les IA ne sont pas des machines physiques mais un autre type de logiciel; immatériel. Par conséquent, dans cet article, je souhaite démystifier l’IA en présentant ses différents domaines vis-à-vis des ses diverses applications, données et méthodes utilisées.
Avant de plonger dans les différents domaines de l’IA, voici une définition simple : Une IA est un logiciel qui peut être entraîné pour résoudre des problèmes. Elle diffère des autres types de logiciels en ce que son comportement n’est pas entièrement décidé par son développeur mais aussi par ce qu’elle a appris lors de son entraînement. Il convient de noter que si la plupart des gens utilisent le terme IA, les praticiens eux utilisent principalement le terme d’Apprentissage Machine (Machine learning) à la place.
Domaines par type d’applications
Tout d’abord, discutons de ce que nous pouvons faire avec les IA.
Les IA peuvent être utilisées pour faire des prédictions et aider à la prise de décision. Des exemples incluent : décider si un e-mail appartient ou non à la boîte de spam, quel serait le bon prix pour un billet d’avion ou comment traduire un texte d’une autre langue. À mesure que notre monde devient plus complexe, de plus en plus de décisions humaines sont outsourcées aux IA. Par conséquent, l’IA pourrait nous aider à résoudre les plus grands défis auxquels l’humanité est confrontée, tels que le changement climatique, en trouvant des utilisations plus efficaces des ressources et de l’énergie.
L’extraction d’informations est également une autre force de l’IA. De tels systèmes peuvent consulter l’équivalent de plusieurs bibliothèques par jour et trouver ce que vous recherchez. C’est essentiel dans notre monde où la quantité de données disponibles explose de manière exponentielle. Par exemple, des systèmes personnalisés tels que la recherche Google ou YouTube peuvent apprendre ce que vous avez tendance à rechercher et donc ce que vous rechercherez probablement dans le futur.
Bien sûr, il existe d’autres applications qui ne rentrent pas parfaitement dans ces deux catégories. Par exemple, il existe des IA qui apprennent à représenter les mots dans un espace mathématiques, ce qui nous permet d’appliquer des opérations algébriques sur la langue.
Domaines par type de données
Les IA peuvent également être classés en fonction du type de données qu’ils ingèrent.
L’IA peut être utilisée pour l’analyse d’images. Cela inclut la reconnaissance faciale, les voitures autonomes ou la détection du cancer dans l’imagerie médicale. En 2012, c’est la reconnaissance d’image qui a relancé l’IA après être tombée dans l’oubli pendant des décennies, ce qui a marqué le début d’un nouveau boom pour l’IA.
Le traitement du langage naturel (NLP) est l’étude de l’IA appliquée aux données textuelles. Le NLP est quelque peu différent des autres domaines de l’IA car il a des racines à la fois en informatique et en linguistique. Le NLP s’intéresse à des problématiques telles que la traduction automatique, le résumé automatique, les chatbots, l’extraction de tendance, … C’est aussi mon domaine d’étude.
Enfin, l’IA peut également être utilisée pour des tâches sur des données numériques. Prédire le marché boursier, décider si un individu peut avoir accès à un prêt ou trouver des anomalies dans des données météorologiques. Travailler avec des chiffres n’est peut-être pas aussi sexy que travailler avec des images ou du texte, mais cela reste une partie importante de l’étude de l’IA.
Il existe de nombreux autres types de données qui peuvent être exploitées par les IA. Par exemple les graphes, telles que des cartes ou des réseaux électriques, qui peuvent être analysées pour améliorer le trafic ou la consommation d’énergie.
Domaines par type d’entraînement
Il existe de nombreuses façons de créer des systèmes d’IA. Les méthodes supervisées sont ce qui vient d’abord à l’esprit lorsque l’on parle d’IA. L’apprentissage supervisé consiste à fournir des exemples à une IA et à lui apprendre à les distinguer. On pourrait montrer à une IA des exemples de tumeurs cutanées cancéreuses et de tumeurs cutanées bénignes et l’entraîner à reconnaître les croissances cancéreuses. Le problème est que l’apprentissage supervisé nécessite de nombreux exemples annotés manuellement pour que l’IA puisse apprendre, ce qui peut être coûteux à produire.
Les IA non supervisées peuvent apprendre à organiser les données ou à trouver des anomalies. Contrairement aux systèmes supervisés, elles ne nécessitent pas de données annotées manuellement. De tels systèmes sont capables de trouver des patterns cachés dans un ensemble de données sans intervention humaine. Par exemple, en prenant des millions de séquences génétiques d’une population de virus, une telle IA peut les organiser et trouver des variants potentiels.
Enfin, nous avons des IA que l’on appellent agent intelligents. De tels systèmes sont composés d’agents qui peuvent interagir dans un monde virtuel ou réel et apprendre à se comporter à partir de leurs erreurs. Actuellement, les marchés financiers du monde entier utilisent de tels systèmes pour commercer entre eux à un rythme tel que les être humains ne peuvent plus rivaliser. Par essais erreurs, ils ont appris à gagner de l’argent le plus rapidement possible.
Encore une fois, il existe d’ autres types d’entrainement. Par exemple, l’apprentissage semi-supervisé consiste à entraîner une IA avec des données limitées et à la laisser apprendre le reste par elle-même. Bien que de telles méthodes soient plus difficiles à mettre en œuvre, elles permettent de réduire le coût d’annotation des données.