Définition de l’intelligence artificielle (IA)

Branche de l’informatique dédiée à la création de systèmes capables d’exécuter des tâches associées aux capacités humaines : perception, compréhension du langage, raisonnement, apprentissage, génération de contenu et prise de décision.

Principes clés

• Données : collecte, nettoyage, annotation et gouvernance.
• Algorithmes d’apprentissage : supervisé, non supervisé, par renforcement.
• Modèles : réseaux de neurones profonds, arbres de décision, forêts aléatoires, SVM, k-means, modèles de langage.
• Entraînement : optimisation des paramètres pour minimiser l’erreur.
• Inférence et généralisation : application à de nouvelles données.
• Rétroaction : amélioration continue grâce aux retours et aux nouvelles données.

Types d’IA

• IA étroite (ANI) : spécialisée dans une tâche précise.
• IA générale (AGI) : polyvalence comparable à l’humain ; état hypothétique.
• IA générative : production de texte, code, images, audio ou vidéo à partir d’exemples appris.

Domaines d’application

• Santé : aide au diagnostic, analyse d’imagerie, découverte de médicaments.
• Finance : détection de fraude, scoring, gestion des risques.
• Industrie : maintenance prédictive, contrôle qualité, optimisation de procédés.
• Transport : aide à la conduite, planification d’itinéraires, logistique.
• Services et commerce : recommandation, moteurs de recherche, service client.
• Création et productivité : rédaction, génération de code, synthèse de documents.

Fonctionnement en bref

1. Collecte et préparation des données.
2. Sélection d’algorithmes et conception d’architecture.
3. Entraînement du modèle sur des exemples pertinents.
4. Évaluation avec des métriques (précision, rappel, F1, AUC, perplexité, etc.).
5. Déploiement pour l’inférence en conditions réelles.
6. Surveillance, audit et mises à jour régulières.

Avantages

• Automatisation de tâches répétitives et gain de productivité.
• Amélioration de la précision et réduction des erreurs humaines.
• Personnalisation à grande échelle.
• Analyse rapide de volumes massifs de données.

Limites et risques

• Biais et discrimination liés aux données ou aux modèles.
• Opacité et manque d’explicabilité.
• Dépendance à des ressources de calcul et à de grandes quantités de données.
• Vulnérabilités de sécurité et fuites de données.
• Impacts sur l’emploi et la confidentialité.

Bonnes pratiques

• Qualité et traçabilité des données, gestion du consentement (RGPD).
• Évaluations robustes, tests d’équité et de robustesse.
• Explicabilité adaptée au contexte et documentation des modèles.
• Supervision humaine et mécanismes de recours.
• Gouvernance, conformité réglementaire et audits indépendants.

Termes courants

• Paramètres et hyperparamètres : valeurs internes du modèle et réglages d’entraînement.
• Surapprentissage (overfitting) et sous-apprentissage (underfitting).
• Fine-tuning, transfert d’apprentissage, prompt et inférence.