Focus sur l’Intelligence Artificielle et ses sous-disciplines

Intelligence artificielle

«  Les dix dernières années se sont focalisées sur la construction d’un monde du mobile avant tout. Au cours des dix prochaines années, nous allons passer à un monde focalisé sur l’Intelligence artificielle.  » (Sundar Pichai, PDG de Google).

Ce que nous appelons IA, c’est l’Intelligence Artificielle, un terme créé en 1955 par John McCarthy, assistant-professeur à Dartmouth College. IA décrit une machine capable de réaliser des processus de raisonnement qui sont habituellement réalisés par des humains. Le champ de l’Intelligence Artificielle est tellement large que l’on a du mal à en mesurer la superficie. Ce champ couvre différentes disciplines dont la compréhension, le calcul, le raisonnement, l’apprentissage, la perception, le dialogue en langage naturel, etc.

Il existe deux types d’Intelligence Artificielle : la forte et la faible.

Le concept d’Intelligence Artificielle forte fait référence à une machine capable de produire un comportement intelligent et d’éprouver une impression de réelle conscience de soi. En d’autres mots, c’est l’intelligence couplée à une propre compréhension de ses raisonnements.

L’Intelligence Artificielle faible constitue une approche pragmatique d’ingénieur. Cette fois, la machine simule l’intelligence.

Le machine learning, une sous-discipline de l’IA

Le Machine Learning (ML) aussi appelé apprentissage automatique est un sous-ensemble de l’IA, parmi d’autres sous-disciplines. Tout ML est AI, mais toute IA n’est pas ML. Dans l’apprentissage automatique, la machine exécute quelque chose qu’on ne lui a pas commandé, elle a ses propres règles. Ce système permet donc à la machine d’apprendre de ses erreurs. Concrètement, on nourrit la machine de big data pour l’aider à « devenir intelligente ».

La révolution des données

La donnée est là, plus que jamais ! 90% de toutes les données disponibles dans le monde ont été collectées ces deux dernières années. Aujourd’hui, nous avons la capacité de collecter des données et ce grâce à deux grandes avancées : la fidélité des données et la captation en temps réel d'un nombre de données très important.

Nous sommes dans l’ère du big data ! Le big data représente beaucoup de données, tant en volume (le nombre de données), en variété (le type et les sources de données), qu’en vitesse (la fréquence à laquelle on les collecte).

Pour vous donner une idée : segmenter des consommateurs selon des pages visitées sur votre site web n’est probablement pas du big data. En revanche, mettre à jour cette segmentation toutes les heures en y ajoutant les données d’achat des internautes, leurs réactions face à des messages publicitaires, y attacher les images des produits vus peut être fort pertinent.

Le deep learning, une autre branche de l’IA

Venons-en au concept de deep learning qui est, lui aussi, lié à l’Intelligence Artificielle. Cette méthode est une technologie d’apprentissage, basée sur des réseaux de neurones artificiels. Le deep learning permet à un programme de reconnaître le contenu d’une image ou de comprendre le langage parlé. Ce système d’apprentissage et de classification, basé sur des « réseaux de neurones artificiels » numériques, est utilisé par Siri, Cortana et Google Now pour comprendre la voix et être capable d’apprendre à reconnaître des visages.

Pour bien comprendre le deep learning, il faut parler de l’apprentissage supervisé, une technique courante en IA, permettant aux machines d’apprendre. Par exemple, pour qu’un programme apprenne à reconnaître une voiture, on le « nourrit » de dizaines de milliers d’images de voitures. Un « entrainement », qui peut nécessiter des heures, voire des jours. Une fois entraîné, le programme peut reconnaitre des voitures sur base de nouvelles images.

En conclusion, la collecte des données permet d’alimenter l’Intelligence Artificielle. L’IA arrivera sans doute à conduire votre voiture, à faire vos couses et à créer le slogan de votre prochain produit, qui sera probablement empreint d’IA.

Il faut à l’avenir maitriser notre environnement, qui sera de plus en plus envahi de données qu’il faudra interpréter, traiter et faire interagir avec d’autres. Ceci dans le but d’automatiser et d’améliorer notre production.