Introduction à l'intelligence artificielle

Trois cercles emboîtés, pas trois synonymes

L'intelligence artificielle est le champ le plus large : toute technique permettant à une machine d'accomplir une tâche qui, réalisée par un humain, requerrait de l'intelligence. Un moteur d'échecs à base de règles écrites à la main relève de l'IA sans contenir la moindre once d'apprentissage.

L'apprentissage automatique (machine learning) est un sous-ensemble : au lieu de programmer les règles, on fournit des données et un algorithme qui ajuste des paramètres pour minimiser une erreur. Le programmeur écrit la procédure d'apprentissage, pas la règle finale.

L'apprentissage profond (deep learning) est un sous-ensemble du précédent : des réseaux de neurones à nombreuses couches, capables d'apprendre eux-mêmes les représentations intermédiaires (contours, textures, formes pour une image) au lieu qu'un ingénieur les décrive.

Le basculement historique en une phrase

Avant 2012, on décrivait à la main les caractéristiques utiles (feature engineering) puis un classifieur simple décidait. Depuis, les réseaux profonds apprennent ces caractéristiques directement à partir des pixels ou des tokens. Ce n'est pas un changement d'ambition mais un déplacement du travail humain : de la description des règles vers la constitution des données et l'évaluation.

Le vocabulaire minimal, défini proprement

• Donnée d'entrée (feature) : ce que le modèle observe.
• Étiquette (label) : la réponse attendue, quand elle existe.
• Modèle : une fonction paramétrée qui transforme une entrée en prédiction.
• Paramètres : les nombres ajustés pendant l'entraînement.
• Hyperparamètres : les choix fixés avant l'entraînement (taux d'apprentissage, profondeur, taille des lots).
• Fonction de coût : la mesure chiffrée de l'écart entre prédiction et réalité.

Ce qu'une IA ne fait pas

Un modèle statistique n'a ni intention, ni compréhension, ni accès à la vérité. Il estime une régularité présente dans ses données d'entraînement. Toute affirmation du type « le modèle sait » doit être traduite en « le modèle reproduit une corrélation observée ». Cette discipline de langage évite la majorité des erreurs de conception en entreprise.

Cas concret de mauvaise cartographie

Une équipe annonce « nous faisons de l'IA » alors qu'elle applique un seuil fixe sur une moyenne mobile. Ce n'est ni faux ni honteux — c'est souvent la bonne solution — mais l'étiquette gonflée crée des attentes intenables et empêche de comparer honnêtement au vrai apprentissage automatique.

À toi de jouer

Classe ces quatre systèmes : (a) un correcteur orthographique à dictionnaire, (b) un filtre anti-spam entraîné sur des courriels étiquetés, (c) un modèle de langue génératif, (d) un thermostat programmable.

Corrigé

(a) IA symbolique, sans apprentissage. (b) Apprentissage automatique supervisé, souvent sans réseau profond. (c) Apprentissage profond, donc ML, donc IA. (d) Ni IA ni ML : automatisation par règles fixes. Seuls (b) et (c) apprennent de données.