Narceau Kalvin – IA, l’intelligence artificielle – CR Berder 2024, n°21

Aujourd’hui, nous allons explorer ensemble l’univers fascinant de l’IA. Cette technologie, autrefois un rêve de science-fiction, est aujourd’hui omniprésente dans nos vies quotidiennes. Que ce soit dans nos téléphones, nos voitures ou même dans les diagnostics médicaux, l’IA transforme profondément notre monde. Alors, plongeons ensemble dans cette révolution technologique et voyons ce qu’elle réserve pour l’avenir.

Définition

L’Intelligence Artificielle (IA), se définit comme la capacité d’un algorithme à accomplir des tâches qui nécessiteraient normalement une intelligence humaine. L’IA peut, par exemple, reconnaître des images, comprendre la parole, résoudre des problèmes complexes ou encore apprendre à détecter des motifs dans des ensembles de données massifs. Ce qui est fascinant, c’est que ces tâches, qui nécessitaient autrefois une intervention humaine, sont aujourd’hui automatisées et optimisées grâce à l’IA. L’exemple typique est la reconnaissance d’image que l’on trouve sur des plateformes comme Google Photos, capable de trier des images par visage ou objet automatiquement.

Machine learning et deep learning

Il est important de bien comprendre les différents niveaux qui existent au sein de l’intelligence artificielle. D’abord, il y a l’IA en général, qui couvre toute technologie qui imite l’intelligence humaine. Ensuite, le Machine Learning, ou apprentissage automatique, est une sous-catégorie où les machines apprennent à partir des données. Imaginez un système qui devient plus performant à mesure qu’il reçoit davantage de données : c’est ça, le Machine Learning. Puis, nous avons le Deep Learning, une approche encore plus avancée basée sur des réseaux de neurones. Ces réseaux sont capables de traiter des quantités de données très importantes et de reconnaître des structures complexes, comme notre cerveau le fait.

Les réseaux de neurones.   

Les réseaux de neurones sont un concept essentiel en Deep Learning. Imaginez le cerveau humain : il contient environ 86 milliards de neurones, chacun connecté à d’autres ce qui nous amène à 100 trillions de connexions synaptiques. Un réseau de neurones artificiels fonctionne de manière similaire : il est composé de multiples couches interconnectées qui permettent de traiter les informations. Un exemple que vous connaissez peut-être est GPT-3, qui est constitué de 175 milliards de paramètres. Ces paramètres sont comparables aux connexions dans notre cerveau, et permettent à l’IA de comprendre et de générer du texte, d’identifier des images, et bien plus encore. Cela montre la complexité de ces systèmes, mais aussi leurs limites face à l’incroyable capacité du cerveau humain. 

Dans les réseaux de neurones, les paramètres sont ajustés grâce aux données que l’algorithme reçoit. Ces paramètres, parfois appelés ‘biais’, influencent la manière dont l’IA prend ses décisions. Imaginez que vous appreniez quelque chose avec des informations partielles ou biaisées : vous risqueriez de vous tromper. C’est pareil pour l’IA. Si elle est entraînée sur des données biaisées, elle reproduira ces biais. C’est pourquoi il est crucial de surveiller la qualité des données que nous utilisons, car cela a un impact direct sur les résultats fournis par l’IA.

L’apprentissage

…

Pour lire la suite se reporter au recueil des Rencontres de Berder 2024, n° 21

En même temps que cette conférence, se déroulait dans un endroit tenu secret la conférence inverse.