Ens. Scientifique · premiere

Chapitre 6 — L'intelligence artificielle — algorithmes, apprentissage et enjeux éthiques

L'essentiel en 30 secondes

L'intelligence artificielle (IA) repose sur des algorithmes capables d'apprendre à partir de données. L'apprentissage supervisé utilise des exemples étiquetés pour entraîner un modèle (ex : reconnaître un chat sur une photo). Un algorithme courant est celui des k plus proches voisins (k-NN). L'IA soulève des questions éthiques majeures : biais dans les données, vie privée, responsabilité des décisions automatisées.

Notions clés

Algorithme: Suite finie d'instructions précises permettant de résoudre un problème ou d'effectuer une tâche.
Intelligence artificielle: Ensemble de techniques permettant à une machine de simuler des capacités cognitives (reconnaissance, décision, prédiction).
Apprentissage supervisé: L'algorithme apprend à partir d'exemples étiquetés (entrée + réponse attendue) pour prédire la sortie de nouvelles entrées.
k plus proches voisins (k-NN): Pour classer un nouvel élément, on regarde les k éléments les plus proches dans les données et on attribue la classe majoritaire.
Jeu de données d'entraînement: Ensemble de données utilisé pour entraîner le modèle. Sa qualité et sa représentativité déterminent la fiabilité de l'IA.
Biais algorithmique: Erreur systématique dans les prédictions due à des données d'entraînement non représentatives ou à des choix de conception.

Formules

Distance euclidienne (2D)

d = \sqrt{(x_2 - x_1)^2 + (y_2 - y_1)^2}

Condition : Utilisée dans $k-NN$ pour mesurer la proximité entre deux points de coordonnées $(x_1, y_1)$ et $(x_2, y_2)$ .

A retenir

Une IA ne « comprend » pas : elle détecte des régularités statistiques dans les données.
Le choix de $k$ dans $k-NN$ est crucial : $k$ trop petit $\to$ sensible au bruit, $k$ trop grand $\to$ perd en précision locale.
Les biais dans les données d'entraînement se retrouvent dans les décisions de l'IA — d'où l'importance de données diversifiées et représentatives.

Erreurs classiques

Erreur : Croire que l'IA est « intelligente » au sens humain.

Correction : L'IA actuelle est spécialisée : elle excelle dans une tâche précise mais n'a pas de compréhension générale.

Erreur : Penser que plus on a de données, mieux c'est, sans condition.

Correction : La qualité et la diversité des données comptent autant que la quantité. Des données biaisées donnent un modèle biaisé.

Erreur : Confondre corrélation et causalité dans les résultats d'IA.

Correction : Un modèle repère des corrélations statistiques, pas des liens de cause à effet. Il faut interpréter avec prudence.

Astuce méthode

Pour un exercice k-NN : 1) calcule la distance de chaque point du jeu de données au point inconnu, 2) classe les distances par ordre croissant, 3) prends les k plus petites, 4) regarde la classe majoritaire parmi ces k voisins. Fais un tableau !