L'intelligence artificielle et ses enjeux

Les notions à connaître

Intelligence artificielle

Ensemble de techniques permettant à une machine de simuler des capacités cognitives (reconnaître, classer, prédire, décider). Ne comprend pas au sens humain.

Apprentissage supervisé

Le modèle apprend sur des données étiquetées (entrée + résultat attendu). Il ajuste ses paramètres pour minimiser l'erreur entre sa prédiction et la réalité. Ex : photos de $chats/chiens$ étiquetées.

Apprentissage non supervisé

Le modèle cherche des structures dans des données non étiquetées (regroupements, tendances) sans qu'on lui dise le résultat attendu. Ex : segmentation de clientèle.

Apprentissage par renforcement

L'agent apprend par essai-erreur en interagissant avec un environnement, guidé par des récompenses (+) et pénalités (-). Ex : AlphaGo (jeu de Go).

Biais algorithmique

Distorsion systématique dans les résultats d'un algorithme, due à des données d'entraînement non représentatives ou à des choix de conception. Peut reproduire ou amplifier des discriminations.

Réseau de neurones artificiels

Modèle mathématique composé de couches de neurones artificiels interconnectés par des poids ajustés lors de l'apprentissage. Couche d'entré$e \to$ couches cachées $\to$ couche de sortie.

Surapprentissage (overfitting)

Le modèle a 'mémorisé' les données d'entraînement au lieu d'en extraire les tendances générales. Il est très bon sur les données d'entraînement mais mauvais sur de nouvelles données.

Test de Turing

Proposé par Alan Turing en 1950. Si un humain, en dialoguant par écrit avec une machine, ne peut pas la distinguer d'un autre humain, alors la machine peut être considérée comme 'intelligente'.

Les erreurs à éviter en ens. scientifique

• ✗ Penser que l'IA 'comprend' ou 'pense'

  ✓ L'IA traite des données statistiquement. Elle ne comprend pas le sens de ce qu'elle traite. C'est un outil mathématique puissant, pas une intelligence consciente.

• ✗ Croire qu'un algorithme est objectif parce qu'il est mathématique

  ✓ L'algorithme reproduit et amplifie les biais présents dans ses données d'entraînement. Mathématique $\neq$ neutre.

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

  ✓ L'IA détecte des corrélations statistiques. Une corrélation entre A et B ne signifie pas que A cause B (variable confondante possible).

• ✗ Penser que plus de données = toujours mieux

  ✓ Des données biaisées ou de mauvaise qualité dégradent le modèle, quelle que soit leur quantité. Qualité et représentativité comptent autant que volume.

Sais-tu répondre à ces questions ?

Les corrigés détaillés sont dans le quiz du chapitre.

1. Qu'est-ce qu'un algorithme ?
2. Comment appelle-t-on la phase où un programme d'IA apprend à partir de données ?
3. Le test de Turing évalue si :
4. Qu'est-ce qu'un biais algorithmique ?
5. Dans l'apprentissage supervisé, l'algorithme apprend à partir de :