IA ou ML : présentation de l’intelligence artificielle et de l’apprentissage automatique

L’idée que les machines puissent reproduire, voire dépasser, la pensée humaine a servi d’inspiration à des architectures informatiques avancées — et fait aujourd’hui l’objet d’investissements considérables de la part d’innombrables entreprises. Au cœur de ce concept se trouvent l’intelligence artificielle (IA) et l’apprentissage automatique (ML).

Ces termes sont souvent utilisés comme des synonymes et de manière interchangeable. En réalité, l’IA et le ML désignent deux choses différentes — même s’ils sont liés. En substance :

L’intelligence artificielle peut être définie comme la capacité d’un système informatique à imiter ou reproduire la pensée et le comportement humains.

L’apprentissage automatique, un sous-ensemble de l’IA, désigne un système qui apprend sans être explicitement programmé ni directement géré par des humains.

Aujourd’hui, l’IA comme le ML jouent un rôle majeur dans pratiquement tous les secteurs et toutes les entreprises. Ils alimentent les systèmes d’entreprise et les appareils grand public. Le traitement automatique du langage naturel, la vision artificielle, la robotique, l’analyse prédictive et de nombreuses autres architectures numériques s’appuient sur l’une ou l’autre de ces technologies, ou sur les deux, pour fonctionner efficacement.

Voir aussi : Qu’est-ce que l’intelligence artificielle ? 

Brève histoire de l’IA et du ML

L’idée de construire des machines qui pensent comme les humains a longtemps fasciné la société. Dans les années 1940 et 1950, des chercheurs et des scientifiques, dont Alan Turing, ont commencé à étudier l’idée de créer un « cerveau artificiel ». En 1956, un groupe de chercheurs du Dartmouth College a commencé à examiner cette idée plus en profondeur. Lors d’un atelier organisé dans l’université, le terme « intelligence artificielle » est né.

Au cours des décennies suivantes, le domaine a progressé. En 1964, Joseph Weizenbaum, au sein du MIT Artificial Intelligence Laboratory , a inventé un programme appelé ELIZA. Celui-ci démontrait la viabilité du langage naturel et de la conversation sur une machine. ELIZA reposait sur un algorithme élémentaire de mise en correspondance de motifs pour simuler une conversation réelle.

Dans les années 1980, avec l’apparition d’ordinateurs plus puissants, la recherche en IA a commencé à s’accélérer. En 1982, John Hopfield a montré qu’un réseau neuronal pouvait traiter l’information de manière bien plus avancée. Diverses formes d’IA ont commencé à prendre forme, et le premier réseau neuronal artificiel (RNA) est apparu en 1980.

Au cours des deux dernières décennies, le domaine a connu des avancées remarquables, grâce aux gains considérables en puissance de calcul et en logiciels. L’IA, et désormais le ML, sont aujourd’hui largement utilisés dans un vaste éventail de déploiements en entreprise. Ces technologies sont utilisées dans des systèmes de langage naturel comme Siri et Alexa, les véhicules autonomes et la robotique, les systèmes de prise de décision automatisée dans les jeux vidéo, les moteurs de recommandation comme Netflix et les outils de réalité étendue (XR), tels que la réalité virtuelle (VR) et la réalité augmentée (AR).

L’apprentissage automatique, en particulier, s’est fortement développé. Les organismes publics, les entreprises et d’autres acteurs y ont de plus en plus recours pour identifier des schémas complexes et souvent difficiles à déceler dans les statistiques et d’autres formes de données structurées et non structurées. Cela concerne des domaines aussi variés que l’épidémiologie et la santé, la modélisation financière et l’analyse prédictive, la cybersécurité, les chatbots et d’autres outils utilisés pour la vente et l’assistance client. De fait, de nombreux fournisseurs proposent le ML dans leurs applications cloud et d’analyse.

Voir aussi : Meilleures plateformes d’apprentissage automatique 

Quel est l’impact de l’intelligence artificielle ?

La capacité d’une machine à imiter la pensée et le comportement humains transforme profondément la relation entre ces deux entités. L’IA libère l’automatisation à grande échelle et permet de mettre en œuvre un éventail de technologies et d’outils numériques plus avancés, notamment la VR, l’AR, les jumeaux numériques, la reconnaissance d’images et faciale, les appareils et systèmes connectés, la robotique, les assistants personnels et une variété de systèmes hautement interactifs.

Cela comprend les voitures autonomes capables de se déplacer dans des conditions réelles, les assistants intelligents qui répondent aux questions et allument ou éteignent les lumières, les systèmes automatisés d’investissement financier, ainsi que les caméras d’aéroport et la reconnaissance faciale. Cette dernière inclut les cartes d’embarquement biométriques utilisées par les compagnies aériennes aux portes d’embarquement et le système Global Entry, qui nécessite uniquement un scan du visage pour franchir les contrôles de sécurité.

Sans surprise, les entreprises mettent l’IA à profit de façons nouvelles et innovantes. Par exemple, les modèles de tarification dynamique utilisés par le secteur du voyage évaluent l’offre et la demande en temps réel et ajustent les prix des vols et des hôtels pour tenir compte de l’évolution des conditions.

La technologie de l’IA est utilisée pour mieux comprendre les dynamiques de la chaîne d’approvisionnement et adapter les modèles et les prévisions d’approvisionnement. Dans les entrepôts, la technologie de vision artificielle (prise en charge par l’IA) peut repérer des éléments tels que des palettes manquantes et des défauts de fabrication trop petits pour être détectés par l’œil humain. Pendant ce temps, les chatbots analysent les demandes des clients et fournissent des réponses pertinentes selon le contexte, en temps réel.

Il n’est pas surprenant que ces capacités progressent rapidement — en particulier à mesure que des systèmes connectés viennent s’y ajouter. Des bâtiments intelligents, des réseaux de circulation intelligents et même des villes intelligentes prennent forme. À mesure que les flux de données arrivent, les systèmes d’IA déterminent l’étape ou l’ajustement optimal suivant.

De même, les jumeaux numériques sont de plus en plus utilisés par les compagnies aériennes, les entreprises énergétiques, les fabricants et d’autres acteurs pour simuler des systèmes et des équipements réels et explorer virtuellement différentes options. Ces simulateurs avancés prédisent les opérations de maintenance et les pannes, mais donnent également un aperçu de moyens moins coûteux et plus sophistiqués d’aborder les activités.

Voir aussi : Comment l’IA transforme le développement logiciel grâce à l’augmentation par l’IA 

Quel est l’impact de l’apprentissage automatique ?

L’apprentissage automatique a lui aussi connu des avancées remarquables ces dernières années. Grâce aux algorithmes statistiques, il permet d’obtenir des informations traditionnellement associées à l’exploration de données et à l’analyse humaine.

À l’aide de données d’exemple, appelées données d’entraînement, il identifie des schémas et les applique à un algorithme, qui peut évoluer au fil du temps. L’apprentissage profond, un type d’apprentissage automatique, utilise des réseaux neuronaux artificiels pour simuler le fonctionnement du cerveau humain.

Voici les principales façons d’utiliser le ML :

L’apprentissage supervisé, qui nécessite qu’une personne identifie les signaux et les résultats souhaitables.

L’apprentissage non supervisé, qui permet au système de fonctionner indépendamment des humains et de trouver des résultats pertinents.

L’apprentissage semi-supervisé et l’apprentissage par renforcement, qui font intervenir un programme informatique interagissant avec un environnement dynamique afin d’atteindre des objectifs et des résultats définis. Un jeu d’échecs informatique en est un exemple. Dans certains cas, les spécialistes des données utilisent une approche hybride qui combine des éléments de plusieurs de ces méthodes.

Voir aussi : L’avenir de l’intelligence artificielle

Une variété d’algorithmes

Plusieurs types d’algorithmes d’apprentissage automatique jouent un rôle essentiel :

Réseaux neuronaux : Les réseaux neuronaux simulent le fonctionnement du cerveau humain. Ils sont idéaux pour reconnaître les schémas et sont largement utilisés pour le traitement automatique du langage naturel, la reconnaissance d’images et la reconnaissance vocale.

Régression linéaire : Cette technique est utile pour prédire des valeurs numériques, comme le prix des billets d’avion ou de l’immobilier.

Régression logistique : Cette méthode utilise généralement un modèle de classification binaire (comme « oui/non ») pour étiqueter ou catégoriser un élément. Une utilisation courante de cette technologie consiste à identifier les spams dans les e-mails et à mettre sur liste noire les codes indésirables ou les logiciels malveillants.

Regroupement : Cet outil de ML utilise l’apprentissage non supervisé pour repérer des schémas que les humains pourraient négliger. Le regroupement peut par exemple servir à évaluer les performances d’un fournisseur pour un même produit dans différents établissements. Cette approche pourrait être utilisée dans le domaine de la santé, par exemple, pour comprendre l’incidence de différents modes de vie sur la santé et la longévité.

Arbre de décision : Cette approche prédit des valeurs numériques, mais réalise également des fonctions de classification. Elle offre une manière claire d’auditer les résultats, contrairement à d’autres formes de ML. Cette méthode fonctionne aussi avec les forêts aléatoires, qui combinent des arbres de décision.

Quelle que soit la méthode exacte, les entreprises utilisent de plus en plus le ML pour mieux comprendre les données et prendre des décisions. Cela alimente à son tour une IA et une automatisation plus sophistiquées. Par exemple, l’analyse des sentiments intègre des données historiques sur les ventes, des données issues des réseaux sociaux et même des conditions météorologiques afin d’adapter dynamiquement les stratégies de production, de marketing, de tarification et de vente. D’autres applications du ML fournissent des moteurs de recommandation, des outils de détection des fraudes et de classification d’images utilisés pour le diagnostic médical.

L’un des atouts de l’apprentissage automatique est sa capacité à s’adapter dynamiquement lorsque les conditions et les données évoluent, ou lorsqu’une organisation ajoute davantage de données. Il est ainsi possible de créer un modèle de ML, puis de l’adapter à la volée. Par exemple, un spécialiste du marketing peut élaborer un algorithme fondé sur le comportement et les centres d’intérêt d’un client, puis adapter les messages et le contenu à mesure que le comportement, les centres d’intérêt ou les habitudes d’achat de ce client évoluent.

Voir aussi : Guide de la transformation numérique : définition, types et stratégie

Comment l’IA et le ML évoluent-ils dans l’entreprise ?

Comme indiqué précédemment, la plupart des éditeurs de logiciels — dans un très large éventail d’applications d’entreprise — proposent l’IA et le ML dans leurs produits. Ces systèmes permettent de plus en plus facilement d’exploiter des outils puissants sans connaissances approfondies en science des données.

Il existe toutefois certaines réserves. Pour les clients, il est souvent nécessaire de comprendre l’IA et de disposer d’une certaine expertise afin de tirer le meilleur parti des systèmes d’IA et de ML. Il est également essentiel d’éviter le battage marketing des fournisseurs lors du choix des produits. L’IA et le ML ne peuvent pas résoudre les problèmes fondamentaux d’une entreprise — et, dans certains cas, ils peuvent créer de nouveaux défis, préoccupations et problèmes.

Quelles sont les préoccupations éthiques et juridiques ?

L’IA et le ML sont au cœur d’une controverse croissante — et doivent être utilisés avec discernement et prudence. Ils ont été associés à des biais dans le recrutement et l’assurance, à la discrimination raciale et à divers autres problèmes, notamment l’utilisation abusive des données, la surveillance inappropriée et des phénomènes tels que les hypertrucages, ainsi que les fausses informations.

De plus en plus d’éléments montrent que les systèmes de reconnaissance faciale sont nettement moins précis pour identifier les personnes de couleur — et qu’ils peuvent conduire au profilage racial. Par ailleurs, les inquiétudes grandissent quant à l’utilisation de la reconnaissance faciale par les gouvernements et d’autres entités à des fins de surveillance de masse. À ce jour, les pratiques liées à l’IA sont très peu réglementées. Pourtant, l’IA éthique s’impose comme un élément clé à prendre en considération.

Quel est l’avenir du ML et de l’IA ?

Les technologies de l’IA progressent rapidement et joueront un rôle de plus en plus important dans l’entreprise — et dans nos vies. Les outils d’IA et de ML peuvent réduire les coûts, améliorer la productivité, faciliter l’automatisation et stimuler l’innovation et la transformation des entreprises de manière remarquable.

À mesure que la transformation numérique progresse, diverses formes d’IA serviront de soleil autour duquel graviteront les différentes technologies numériques. L’IA donnera naissance à des systèmes de langage naturel bien plus avancés, à des outils de vision artificielle, à des technologies autonomes et à bien d’autres innovations.

Voir aussi : Principales entreprises de transformation numérique