Qu'est-ce que l'intelligence artificielle (IA) ?
L’intelligence artificielle (IA) est une technologie dotée de capacités de résolution de problèmes similaires à celles des humains. L’IA permet de simuler l’intelligence humaine, elle peut reconnaître des images, écrire des poèmes et faire des prédictions basées sur des données.Définition de l'AI
L’IA, ou intelligence artificielle, est une technologie dotée de capacités de résolution de problèmes similaires à celles des humains. L’IA en action semble simuler l’intelligence humaine : elle peut reconnaître des images, écrire des poèmes et faire des prédictions basées sur des données.
Les entreprises modernes collectent de gros volumes de données provenant de sources diverses, telles que des capteurs intelligents, du contenu généré par les humains, des outils de surveillance et des journaux système. Les technologies d’intelligence artificielle analysent les données et les utilisent pour faciliter efficacement les opérations métier. Par exemple, la technologie d’IA peut répondre à des conversations humaines dans le cadre du service client, créer des images et du texte originaux pour le marketing et faire des suggestions intelligentes pour l’analytique.
En fin de compte, l’intelligence artificielle vise à rendre les logiciels plus intelligents pour des interactions personnalisées avec les utilisateurs et la résolution de problèmes complexes.
Quels sont les types de technologies d’IA ?
Les applications et technologies d’IA se sont développées de manière exponentielle au cours des dernières années. Vous trouverez ci‑dessous quelques exemples de technologies d’IA courantes que vous avez peut‑être déjà rencontrées.
L’histoire de l’IA
Dans un article publié en 1950 intitulé « Computing Machinery and Intelligence », Alan Turing questionna la capacité des machines à penser. Dans cet article, Turing a d’abord inventé le terme intelligence artificielle et l’a présenté comme un concept théorique et philosophique. Cependant, l’IA telle que nous la connaissons aujourd’hui est le résultat de l’effort de nombreux scientifiques et ingénieurs sur plusieurs décennies.
1940-1980
En 1943, Warren McCulloch et Walter Pitts proposèrent un modèle de neurones artificiels, jetant ainsi les bases des réseaux neuronaux, la technologie de base de l’IA.
Peu de temps après, en 1950, Alan Turing publia l’article « Computing Machinery and Intelligence » introduisant le concept du test de Turing pour évaluer l’intelligence des machines.
S’ensuivit l’apparition de multiples avancées technologiques entre 1951 et 1969. Les étudiants Marvin Minsky et Dean Edmonds conçurent SNARC, la première machine à réseau neuronal. Frank Rosenblatt développa le Perceptron, un des premiers modèles de réseau neuronal, et Joseph Weizenbaum créa ELIZA, un des premiers chatbots, capable de simuler un psychothérapeute rogérien.
Peu de temps après, démontrant les limites des réseaux neuronaux, Marvin Minsky entraîna, de 1969 à 1979, le déclin temporaire de la recherche sur les réseaux neuronaux. L’IA connut alors sa première période de ralentissement, en raison du tarissement des financements et des limites matérielles et informatiques.
1980-2006
Dans les années 80, la recherche sur l’IA, principalement dans les domaines de la traduction et de la transcription, connut un regain d’intérêt et bénéficia de financements publics. Au cours de cette période, les systèmes experts, comme MYCIN, devinrent populaires, car ils simulaient les processus décisionnels humains dans des domaines spécifiques tels que la médecine. Simultanément au renouveau des réseaux neuronaux des années 80, David Rumelhart et John Hopfield publièrent des articles sur les techniques de deep learning expliquant que les ordinateurs pouvaient apprendre de leurs expériences
De 1987 à 1997, en raison de divers facteurs socio‑économiques et de l’essor d’Internet, l’évolution de l’IA connut un deuxième ralentissement. La recherche sur l’IA se fragmenta, les équipes résolvant des problèmes spécifiques à des cas d’utilisation isolés.
De 1997 à 2006 environ, l’IA connut de nombreux succès, notamment la victoire du logiciel d’échecs Deep Blue d’IBM face au champion du monde Garry Kasparov. Par ailleurs, Judea Pearl publia un livre sur la théorie des probabilités et des décisions dans la recherche sur l’IA, tandis que Geoffrey Hinton, entre autres, popularisa le deep learning et entraîna une résurgence des réseaux neuronaux. L’intérêt commercial resta toutefois limité.
2007-aujourd’hui
De 2007 à 2018, les progrès du cloud computing rendirent la puissance de calcul et l’infrastructure d’IA plus accessibles. Il en résulta une adoption croissante, davantage d’innovation et de nombreuses avancées dans le domaine du machine learning. Parmi les avancées, citons l’architecture de réseau neuronal convolutif (CNN) nommée AlexNet, développée par Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton, qui remporta le concours ImageNet et mit en exergue la puissance du deep learning en matière de reconnaissance d’images. De son côté, le logiciel AlphaZero de Google réussit à maîtriser les échecs, le shogi et le jeu de go, sans apport de données humaines, en s’appuyant uniquement sur son propre jeu.
En 2022, les chatbots utilisant l’intelligence artificielle (IA) et le traitement du langage naturel (NLP) pour tenir des conversations similaires à celles des humains et effectuer des tâches (comme ChatGPT d’OpenAI) se font largement connaître pour leurs capacités conversationnelles, renouvelant ainsi l’intérêt pour l’IA et favorisant son développement.
L’IA du futur
Les technologies actuelles de l’intelligence artificielle fonctionnent toutes selon un ensemble de paramètres prédéterminés. Par exemple, les modèles d'IA entraînés à la reconnaissance et à la génération d'images ne peuvent pas créer de sites Web.
L'intelligence générale artificielle (AGI) est un domaine de recherche théorique sur l'IA qui tente de créer des logiciels dotés d'une intelligence similaire à celle des humains et capables d'autodidacte. L’objectif est que le logiciel soit capable d’effectuer des tâches pour lesquelles il n’est pas nécessairement entraîné ou conçu.
L’IAG est une quête théorique visant à développer des systèmes d’IA capables de se contrôler de façon autonome, dotés d’une conscience de soi raisonnable et de la capacité d’acquérir de nouvelles compétences. Elle peut résoudre des problèmes complexes dans des situations et des contextes qui ne lui ont pas été enseignés au moment de sa création. L'IAG dotée de capacités humaines reste un concept théorique et un objectif de recherche. De ce fait, elle représente l’une des évolutions possibles de l’IA.
