Qu’est-ce que l’Intelligence Artificielle ?

L’intelligence artificielle (IA) peut être définie comme un ensemble de techniques permettant à des machines d’accomplir des tâches et de résoudre des problèmes normalement réservés aux humains. Les tâches relevant de l’IA sont parfois très simples pour les humains, comme par exemple reconnaître et localiser les objets dans une image, planifier les mouvements d’un robot pour attraper un objet, ou conduire une voiture. Elles requièrent parfois de la planification complexe, comme par exemple pour jouer aux échecs ou au Go. Les tâches les plus compliquées requièrent beaucoup de connaissances et de sens commun, par exemple pour traduire un texte ou conduire un dialogue. Depuis quelques années, on associe presque toujours l’intelligence aux capacités d’apprentissage. C’est grâce à l’apprentissage qu’un système intelligent capable d’exécuter une tâche peut améliorer ses performances avec l’expérience. C’est grâce à l’apprentissage qu’il pourra apprendre à exécuter de nouvelles tâches et acquérir de nouvelles compétences.

Il est virtuellement impossible d’écrire un programme qui fonctionnera de manière robuste dans toutes les situations. C’est là qu’intervient l’apprentissage automatique.

Apprentissage supervisé

Dans l’apprentissage supervisé, le problème est de distinguer des catégories d’objets dont on dispose des données étiquetées suivant ces catégories. Par exemple des millions de photos où les chats et les chiens sont identifiés comme tels. La phase d’apprentissage ajuste progressivement les paramètres du modèle pour que l’erreur soit la plus faible possible sur les exemples connus. Dans la phase d’inférence, la machine catégorise des données inconnues — elle reconnaît par exemple des chiens sur des nouvelles photos.

Apprentissage non supervisé

Dans l’apprentissage non supervisé, au contraire, on dispose de données non étiquetées. Lors de la phase d’apprentissage, le but est d’établir des catégories. La phase d’inférence est identique à celle de l’apprentissage supervisé. Par exemple, cette technique est particulièrement utile pour déterminer des profils de comportement sur lesquels on n’a aucun a priori sur les catégories, à partir de multiples traces qu’on laisse quotidiennement sur Internet.

Ces approches sont aujourd’hui au centre des travaux de recherche puisqu’elles permettraient de limiter la nécessité de jeux de données annotées.

Apprentissage par renforcement

L’apprentissage par renforcement se distingue des autres modes d’apprentissage dans la mesure où il ne fait pas appel à une base d’exemples constituée en entrée. Son apprentissage s’effectue via des interactions avec l’environnement : la machine effectue une action, l’état de l’environnement change en fonction de celle-ci et la machine se voit attribuer une récompense en fonction du résultat obtenu. La récompense permet à la machine de découvrir progressivement les meilleures actions à effectuer vis-à-vis du résultat qu’elle cherche à obtenir. Un exemple récent de ce type d’apprentissage a été particulièrement médiatisé avec AlphaGo : l’action est un coup, l’environnement est le plateau de jeu avec les pions disposés dessus, et la récompense est le fait de gagner ou non à la fin de la partie. L’apprentissage par renforcement trouve également des applications en matière de robotique.

Documents inspirés des références suivantes :

Yan Le Cun : Qu’est-ce que l’intelligence artificielle ? Collège de France

Livret Mission Villani : Qu’est-ce que l’intelligence artificielle ? Mars 2018