Qu’est-ce que l’IA ?
L’intelligence artificielle n’est pas un domaine aisé à définir, et ses contours restent assez flous. Voici quelques définitions pour aider à y voir plus clair.
Définitions de l’IA
Première définition (inutile)
L’Intelligence Artificielle (IA) est l’étude, l’analyse et la conception de systèmes intelligents.
Cette définition est inutile car elle ne définit pas ce qu’est un système intelligent.
Définition « historique »
L’intelligence artificielle englobe tout ce qui se rapproche de l’étude d’une liste de problèmes qu’un « bête » ordinateur ne peut pas résoudre.
Par exemple : résoudre un casse-têtes ; gagner contre le champion du monde aux dames, aux échecs, au go ; garer une voiture ; reconnaître l’écriture, la parole, un chien dans une photo ; comprendre une phrase ; attraper des objets ; écriture de la musique commme Bach…
Le problème avec cette définition est qu’il suffise qu’un terme soit ajouté à la liste pour que les ordinateurs lui trouve une solution quelques années plus tard…
Définitions construites selon le but
On peut définir un système intelligent de différentes manières selon le but recherché. Voici quatre catégories d’approches divisées selon deux axes pour déterminer si un système intelligent doit être capable de penser ou agir comme un humain ou non.
| comme un humain | de manière rationnelle | |
|---|---|---|
| penser | Neurosciences / modélisation du cerveau | Logique, déductions automatiques |
| agir | Test(s) de Turing | Théorie de la décision, apprentissage… |
Une autre vision : Découpage « chronologique » des approches d’IA
L’IA des années 50 à 80
Aux débuts de l’IA, celle-ci s’attachait surtout à résoudre des problèmes complexes pour les humains avec des algorithmes simples.
Exemples de problèmes complexes :
Pour résoudre ces types de problèmes, nous pouvons développer des « agents » qui chercheront à prendre les décisions permettant de maximiser un certain critère de performance étant donné leurs perceptions de l’environnement dans lequel ils évoluent. Nous verrons ici deux types d’agents et d’algorithmes classiques d’IA :
- des agents pour la résolution de problèmes ;
- des agents pour jouer à des jeux.
L’IA des années 80 à aujourd’hui
À partir des années 80, l’IA s’est tournée vers le calcul de choses évidentes avec des algorithmes complexes.
Par exemple, pour répondre à la question « Est-ce un chat ou un chien ? »
les méthodes mises en œuvre sont plus complexes, et demandent bien plus de manipulations mathématiques que celles utilisées pour vaincre le champion du monde aux échecs.
Ces problèmes sont généralement traités par des techniques d’apprentissage machine, qui, rassurons-nous, peuvent aussi servir à calculer des réponses à des questions bien moins évidentes pour un humain.
Apprentissage machine
De manière générale, l’apprentissage machine cherche à résoudre des problèmes qui n’ont pas de solution explicite (formule mathématique connue, algorithme… ) ou dont la solution explicite est trop complexe pour être utilisée.
Pour résoudre ces problèmes, l’apprentissage machine repose sur des données.
Par exemple, si l’on cherche à construire un système de reconnaissance de caractères manuscrits, la fonction qui permet de passer de l’image au caractère est inconnue (car chaque image du même caractère peut être très différente au niveau des pixels), mais il est aisé de récolter des données sous la forme d’une collection d’images de chaque caractère considéré.
Le système sera ensuite capable « d’apprendre » à partir de ces données sa propre représentation des différents caractères et de leurs différences pour pouvoir ensuite les reconnaître dans de nouvelles images.
Il existe différentes formes d’apprentissage machine :
- l’apprentissage supervisé qui, comme dans l’exemple ci-dessus, travaille à partir de données étiquetées pour lesquelles la bonne réponse est connue ;
- l’apprentissage non supervisé qui, à l’inverse, extrait de l’information à partir de données non étiquetées (par exemple, un ensemble d’images sans information sur les objets qu’elles représentent) ;
- l’apprentissage par renforcement qui cherche à résoudre un problème de prise de décisions séquentielles.