L'intelligence artificielle — algorithmes, apprentissage et enjeux éthiques

Les notions à connaître

Algorithme

Suite finie d'instructions précises permettant de résoudre un problème ou d'effectuer une tâche. Caractéristiques : finitude, précision, entrée(s), sortie(s).

Intelligence artificielle

Ensemble de techniques permettant à une machine de simuler des capacités cognitives (reconnaissance, décision, prédiction). IA faible = spécialisée (actuelle). IA forte = générale (hypothétique).

Apprentissage supervisé

L'algorithme apprend à partir d'exemples étiquetés (entrée + réponse attendue). Il ajuste ses paramètres pour minimiser l'erreur de prédiction sur les données d'entraînement.

k plus proches voisins (k-NN)

Pour classer un nouvel élément : calculer sa distance à tous les points du jeu de données, prendre les k plus proches, attribuer la classe majoritaire parmi ces k voisins.

Jeu de données d'entraînement / de test

Entraînement : données utilisées pour construire le modèle. Test : données réservées pour évaluer sa capacité à généraliser. Typiquement 70-80 % entraînement / 20-30 % test.

Biais algorithmique

Erreur systématique dans les prédictions due à des données non représentatives ou à des choix de conception. Peut reproduire ou amplifier des discriminations existantes.

Matrice de confusion

Tableau résumant les résultats d'un classifieur : vrais positifs (VP), vrais négatifs (VN), faux positifs (FP, fausses alertes), faux négatifs (FN, cas manqués).

Normalisation des données

Mise à la même échelle de toutes les variables avant un algorithme basé sur les distances (k-NN). Sans normalisation, les variables à grande échelle dominent le calcul.

Les erreurs à éviter en ens. scientifique

• ✗ Croire que l'IA est 'intelligente' au sens humain.

  ✓ L'IA actuelle est spécialisée (IA faible) : elle excelle dans une tâche précise mais n'a pas de compréhension générale ni de conscience.

• ✗ Penser que plus on a de données, mieux c'est, sans condition.

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

• ✗ Confondre corrélation et causalité dans les résultats d'IA.

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

• ✗ Oublier de normaliser les données avant k-NN.

  ✓ Si une variable va de 0 à 1000 et une autre de 0 à 1, la première dominera la distance. Il faut normaliser (ex : min-max ou z-score).

• ✗ Évaluer le modèle sur les données d'entraînement.

  ✓ Un modèle peut mémoriser les données d'entraînement (surapprentissage). Il faut toujours évaluer sur un jeu de test séparé, non vu pendant l'entraînement.

Sais-tu répondre à ces questions ?

Les corrigés détaillés sont dans le quiz du chapitre.

1. L'intelligence artificielle (IA) désigne :
2. L'apprentissage supervisé en IA consiste à :
3. Un réseau de neurones artificiels s'inspire :
4. Le test de Turing évalue si :
5. Un biais algorithmique peut survenir lorsque :