L'intelligence artificielle
Les psychologues ne caractérisent généralement pas l'intelligence humaine par un seul trait, mais par la combinaison de multiples capacités variées. La recherche en intelligence artificielle s'est principalement concentrée sur les composantes suivantes de l'intelligence : l'apprentissage, le raisonnement, la résolution de problèmes, la perception et l'utilisation du langage.
Définition de l'intelligence artificielle
L'intelligence artificielle consiste à utiliser des ordinateurs pour faire des choses qui, traditionnellement, nécessitent une intelligence humaine. Il s'agit d'algorithmes pour classer, analyser et faire des prédictions à partir de données, d'apprendre à partir de nouvelles données et de s'améliorer au fil du temps.
Bien que certaines IA soient conçues pour imiter le cerveau humain, l'IA actuelle n'est bonne que dans une gamme relativement étroite de tâches. L'IA peut être amenée à appliquer une puissance de calcul massive à un ensemble restreint de données et de méthodes. En comparaison, le cerveau applique une puissance de calcul moyenne à un ensemble beaucoup plus large de données et de méthodes. Du moins, c'était vrai jusqu'au 7 juillet 2022 : https://bit.ly/3uWVpnr
Notons que l'IA fait intervenir de nombreux domaines différents tels que l'informatique, les mathématiques, la linguistique, la psychologie, les neurosciences et la philosophie.
La différence entre l'IA et les programmes ordinaires
Les programmes ordinaires, y compris les systèmes experts, définissent tous les scénarios possibles et fonctionnent uniquement dans le cadre de ces scénarios définis.
Une IA trouve ce qu'il faut faire lorsqu'elle est confrontée à des situations inconnues.
En comparaison, Microsoft Word ne peut pas s'améliorer tout seul. En revanche, un logiciel de reconnaissance faciale peut s'améliorer dans la reconnaissance des visages au fur et à mesure qu'il s'exécute.
Depuis quand cela existe ?
L'idée d'intelligence artificielle émerge dans les années 1950 quand Alan Turing se demande si une machine peut penser. Turing explore ce problème et propose une expérience (maintenant dite test de Turing) visant à trouver à partir de quand une machine deviendrait consciente.
Six ans plus tard, lors d'un brainstorming, des passionnés ont écrit des programmes battant les personnes présentes aux Dames ou résolvant des problèmes de mots. Puis l'IA a connu un nouvel essor dans les années 90 et au début des années 2000 avec son utilisation dans l'exploration des données et le diagnostic médical. En 1997, Deep Blue bat le champion du monde d'échecs Garry Kasparov. En 2011, IBM Watson a battu les deux meilleurs joueurs de Jeopardy et en 2016, AlphaGo a battu le meilleur joueur de Go 4 fois sur 5.
Mais, les jalons de ce domaine varient. Ainsi, optimiser un itinéraire était considéré comme un problème d'intelligence artificielle dans les années 1950, et n'est plus considéré aujourd’hui que comme un simple problème d'algorithmie.
On parle souvent de neurones artificiels, qu'est-ce que c'est ?
Un neurone artificiel est une fonction mathématique conçue comme un modèle de neurone biologique. Ils sont les unités élémentaires d'un réseau neuronal artificiel. Le neurone artificiel reçoit une ou plusieurs entrées et les additionne pour produire une sortie. Un réseau neuronal tente donc de reproduire l'approche du cerveau humain pour analyser les données.
Apprentissage automatique – Machine Learning
Les algorithmes d'apprentissage automatique identifient des modèles et/ou prédisent des résultats. Le trading algorithmique en est un bon exemple : le modèle de trading doit analyser de grandes quantités de données d'entrée et recommander des transactions rentables. Comme le modèle continue à travailler avec des données du monde réel, il peut même s'améliorer et adapter ses stratégies commerciales aux conditions du marché.
Recommandé par LinkedIn
Apprentissage profond – Deep Learning
L'apprentissage profond est un sous-ensemble de l'apprentissage automatique. Appliqué à un réseau neuronal, il permet au réseau d'apprendre sans supervision humaine à partir de données non structurées (données non classées ou étiquetées, voir la fin de l'article). C'est parfait pour analyser les Big Data que les organisations collectent. Ces ensembles de données volumineuses comprennent différents formats de données tels que du texte, des images, des vidéos et du son.
On parle de réseaux neuronaux profonds, qui sont en fait des réseaux neuronaux comportant plus de deux couches. Plus de couches = plus de puissance analytique.
Intelligences artificielles forte, générale ou super-intelligente
Dans ce début d'article, nous avons vu, sans l'expliciter, l'intelligence artificielle faible ou étroite, entraînée à effectuer des tâches spécifiques.
L'intelligence artificielle forte se compose de l'intelligence artificielle générale et de la super intelligence artificielle. L'IA générale est une forme théorique d'IA dans laquelle une machine aurait une intelligence égale à celle des humains ; elle aurait une conscience de Soi capable de résoudre des problèmes, d'apprendre et de planifier l'avenir.
La super-intelligence artificielle surpasserait l'intelligence et les capacités du cerveau humain.
En partant du principe, étayé par les neurosciences, que la conscience a un support biologique, et donc matériel, les scientifiques ne voient généralement pas d’obstacle théorique à la création d'une intelligence consciente sur un support matériel autre que biologique.
Selon les tenants de l'IA forte, si à l'heure actuelle, il n'y a pas d'ordinateurs ou d'algorithmes aussi intelligents que l'être humain, ce n'est pas un problème d'outil, mais de conception. Il n'y aurait aucune limite fonctionnelle, seulement des limites liées à l'aptitude humaine à concevoir les logiciels appropriés.
Bien que l'IA forte soit encore entièrement théorique et qu'aucun exemple pratique ne soit utilisé aujourd'hui, les chercheurs en IA explorent son développement. En attendant, les meilleurs exemples de super-intelligence artificielle sont peut-être issus de la science-fiction, comme HAL, l'assistant informatique de 2001 : l'Odyssée de l'espace 🤖
Les divers champs de l'intelligence artificielle
L'intelligence artificielle est un domaine très large qui appartient à la Computer Science. Ses principaux domaines d'application sont les suivants :
Parler, écouter, communiquer par le langage ➜ Reconnaissance vocale. Écrire et lire des textes ➜ Traitement en langage naturel. Voir et traiter les images ➜ Vision par ordinateur. Comprendre l'environnement et se déplacer avec fluidité ➜ Robotique. Reconnaitre des modèles comme le regroupement d'objets similaires ➜ Reconnaissance des formes.
Les 3 méthodes d'apprentissage courantes
Si vous entraînez un algorithme avec des données qui contiennent également la réponse, alors on parle d'apprentissage supervisé. Par exemple, lorsque vous entraînez une machine à reconnaître vos amis par leur nom, vous devez les pré-identifier pour l'ordinateur.
Si vous entraînez un algorithme avec des données où vous voulez que la machine trouve les modèles, c'est de l'apprentissage non supervisé. Vous pourriez ainsi souhaiter alimenter les données sur les objets célestes dans l'univers et attendre de la machine qu'elle décèle des modèles dans ces données.
Si vous donnez un objectif à un algorithme et que vous attendez de la machine qu'elle atteigne cet objectif par le biais d'essais et d'erreurs, on parle alors d'apprentissage par renforcement. La tentative d'un robot de grimper sur un mur jusqu'à ce qu'il réussisse en est un exemple.
Sources
Product Manager @ kagi.com
10 moisPatrick Odoni