Dossier : Qu’est-ce que l’intelligence artificielle ?

Pour comprendre certains des concepts d’IA les plus profonds, vous devez comprendre les différences entre l’apprentissage automatique (Machine Learning), l’apprentissage en profondeur et les réseaux de neurones.

Les progrès de l’intelligence artificielle sont stupéfiants. Les efforts déployés pour faire progresser les concepts d’IA au cours des 20 dernières années ont débouché sur des innovations vraiment étonnantes. Les données volumineuses, la recherche médicale et les véhicules autonomes ne sont que quelques-unes des applications incroyables qui émergent du développement de l’IA.

Pour comprendre certains concepts plus profondément, tels que l’exploration de données, le traitement du langage naturel et la conduite de logiciels, vous devez connaître les trois concepts de base de l’intelligence artificielle: l’apprentissage automatique (Machine Learning), l’apprentissage en profondeur et les réseaux de neurones. Alors que l’IA et l’apprentissage automatique (Machine Learning) peuvent sembler être des termes interchangeables, l’intelligence artificielle est généralement considérée comme le terme le plus général , l’apprentissage automatique (Machine Learning) et les deux autres concepts d’ intelligence artificielle en étant un sous-ensemble.

Apprentissage automatique et applications

Il est probable que vous ayez interagi avec une certaine forme d’IA dans vos activités quotidiennes. Si vous utilisez Gmail, par exemple, vous pouvez profiter de la fonctionnalité de filtrage automatique des e-mails. Si vous possédez un smartphone, vous remplissez probablement un calendrier avec l’aide de Siri , Cortana ou Bixby . Si vous possédez un véhicule plus récent, vous avez peut-être bénéficié d’une fonction d’assistance au conducteur pendant la conduite.

Aussi utiles que soient ces logiciels, ils n’ont pas la capacité d’apprendre de manière indépendante. Ils ne peuvent pas penser en dehors de leur code. L’apprentissage automatique (Machine Learning) est une branche de l’IA qui vise à donner aux machines la capacité d’apprendre une tâche sans code préexistant.

Dans les termes les plus simples, les machines reçoivent une grande quantité d’exemples d’essai pour une certaine tâche. Au cours de ces essais, les machines apprennent et adaptent leur stratégie pour atteindre ces objectifs.

Par exemple, une machine de reconnaissance d’image peut recevoir des millions d’images à analyser. Après avoir traversé des permutations infinies, la machine acquiert la capacité de reconnaître des modèles, des formes, des visages, et plus encore.

Un exemple bien connu de ce concept d’IA est Quick, Draw ! , un jeu hébergé par Google qui permet aux humains de dessiner des images simples en moins de 20 secondes, avec l’algorithme d’apprentissage automatique (Machine Learning) essayant de deviner le dessin. Plus de 15 millions de personnes ont contribué plus de 50 millions de dessins à l’application.

L’apprentissage en profondeur est prêt à jouer

Comment pouvons-nous obtenir des machines pour apprendre plus que juste une tâche spécifique ? Et si nous voulons qu’il soit capable de prendre ce qu’il a appris en analysant des photographies et d’utiliser ces connaissances pour analyser différents ensembles de données ? Cela nécessite des informaticiens pour formuler des algorithmes d’apprentissage à usage général qui aident les machines à apprendre plus d’une tâche.

Un exemple célèbre d’apprentissage en profondeur en action est le projet AlphaGo de Google écrit en Lua, en C ++ et en code Python . L’AlphaGo AI était capable de battre des joueurs Go professionnels, un exploit qui a été jugé impossible étant donné la complexité incroyable du jeu et la confiance en la pratique ciblée et l’intuition humaine à maîtriser.

Comment un programme pouvait-il maîtriser un jeu qui demande l’intuition humaine ? Pratique + pratique + pratique – et un peu d’aide d’un réseau de neurones artificiels.

Les réseaux de neurones suivent un modèle naturel

L’apprentissage en profondeur est souvent rendu possible par des réseaux neuronaux artificiels , qui imitent les neurones, ou cellules du cerveau. Les réseaux de neurones artificiels ont été inspirés par des choses que nous trouvons dans notre propre biologie. Les modèles de réseaux neuronaux utilisent les principes mathématiques et informatiques pour imiter les processus du cerveau humain, permettant un apprentissage plus général.

Un réseau neuronal artificiel tente de simuler les processus de cellules cérébrales densément interconnectées, mais au lieu d’être construits à partir de la biologie, ces neurones, ou nœuds, sont construits à partir du code.

Les réseaux de neurones contiennent trois couches: une couche d’entrée, une couche cachée et une couche de sortie. Ces couches contiennent des milliers, parfois des millions de nœuds. L’information est introduite dans la couche d’entrée. Les intrants reçoivent un certain poids et les noeuds interconnectés multiplient le poids de la connexion lorsqu’ils se déplacent.

Essentiellement, si l’unité d’information atteint un certain seuil, elle peut passer à la couche suivante. Afin d’apprendre de l’expérience, les machines comparent les sorties d’un réseau de neurones, puis modifient les connexions, les poids et les seuils en fonction des différences entre eux.

Les machines deviennent plus intelligentes

Ces trois concepts d’IA – apprentissage automatique (Machine Learning), apprentissage en profondeur et réseaux neuronaux – peuvent permettre aux robots matériels et logiciels de «penser» et d’agir de manière dynamique, en dehors des limites du code. Comprendre ces bases peut mener à des sujets d’IA plus avancés, y compris l’intelligence générale artificielle, la super-intelligence et l’IA, ainsi que l’éthique dans l’IA.

Ne manquez aucune nouvelle, offre ou critique publiée sur notre site ! Suivez-nous sur les réseaux sociaux pour rester à jour en temps réel grâce à Facebook et Twitter