Dans l’imaginaire collectif, l’intelligence artificielle (IA) est souvent considérée comme une technologie distincte. En réalité, l’IA est un vaste concept qui englobe un large éventail de catégories, de cas d’usage et de solutions.
Explorons les nombreux types d’IA.
À lire aussi : Qu’est-ce que l’intelligence artificielle ?
Quels sont les différents types d’IA ?
Les définitions des catégories d’IA varient considérablement. Certaines synthèses mettent en parallèle les usages actuels de l’IA et les spéculations des chercheurs sur les étapes que le domaine pourrait un jour franchir.
Dans le cadre de cet article, nous nous concentrerons sur ce qui est actuellement possible et réalisable.
À lire aussi : Les meilleurs logiciels d’IA
Prédictive
L’IA prédictive projette un état futur probable pour une donnée à partir d’actions passées ou d’un autre contexte. Cette catégorie englobe les moteurs de recommandation, la vérification orthographique et d’autres applications de l’IA qui recourent à des techniques statistiques et à l’ingénierie des caractéristiques.
Cette forme a annoncé d’importantes avancées dans le domaine de l’IA. Parmi les exemples figurent la correction automatique sur téléphone mobile, les recommandations d’achat et les recommandations en matière de dépenses publicitaires numériques.
« L’objectif est ici de prédire avec précision l’étape idéale suivante (ainsi que toute anomalie éventuelle) », a déclaré Nagarajan, cofondateur et directeur technique de BigSpring.
Modélisation et détection
Avec un jeu de données suffisamment vaste et une fonction objectif, les utilisateurs peuvent construire un modèle et l’exécuter sur de nouvelles données. La vision par ordinateur et les algorithmes de recherche génériques en font partie. En outre, l’IA de modélisation et de détection est utile pour détecter les spams, reconnaître les visages et bien plus encore.
Générative
À partir d’une consigne, l’IA générative peut créer en une ou deux secondes une vidéo entière, du code ou un essai d’une précision comparable à celle d’un humain. Il s’agit de la grande vague actuelle de l’IA, avec des outils comme ChatGPT, Stable Diffusion et Github Copilot. Ils utilisent des modèles de type transformer qui peuvent être généralisés à de vastes catégories de tâches numériques et remplacer de manière fiable et rapide des corvées ou des ensembles entiers de métiers.
Apprentissage supervisé, non supervisé et par renforcement
Frans Cronje, PDG et fondateur de Dataprophet, a présenté l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement comme les trois principales sous-catégories de l’IA. Chacune peut être superficielle ou profonde.
Selon Cronje, l’apprentissage profond emploie un algorithme d’IA compositionnel constitué d’un réseau de couches de nœuds appelé réseau neuronal. En outre, l’apprentissage profond est particulièrement efficace pour générer des représentations intermédiaires pertinentes des caractéristiques à partir d’une masse de données brutes — à condition que celles-ci soient correctement contextualisées. Avec suffisamment de données d’entraînement, il a fait ses preuves dans des tâches de reconnaissance de formes comme le sous-titrage d’images et la traduction automatique.
À lire aussi :
IA ou ML : intelligence artificielle et apprentissage automatique
Quels sont les principaux cas d’usage de l’IA ?
Les applications et les cas d’usage de l’IA ont connu une évolution considérable ces dernières années. Voici quelques-uns des principaux cas d’usage :
Contrôle des processus de production industrielle
Cronje a cité le contrôle prescriptif de l’ensemble des processus de production comme un cas d’usage en évolution. Son entreprise a entraîné des modèles d’apprentissage profond pour optimiser de manière préventive les processus de fabrication dans différents secteurs. Cela concerne notamment les fonderies de fer, l’automobile, le soudage, le travail des métaux, le traitement des minerais et les semi-conducteurs.
Création de viviers de talents
L’IA prédictive et générative peut permettre aux entreprises de créer des viviers de talents. Google Ads, par exemple, a utilisé cette approche pour réduire le délai de déploiement d’environ 500 mises à jour de fonctionnalités par an.
« Elles accusaient un retard de 12 à 24 mois dans la mise sur le marché, car l’équipe ne pouvait pas déployer les formations destinées aux professionnels de la publicité au rythme de l’évolution de ses produits », a déclaré Nagarajan.
À lire aussi : L’avenir de l’intelligence artificielle
Automobile
L’industrie automobile est largement à l’avant-garde de l’innovation en matière d’IA. Yoav Banin, directeur des produits et du développement commercial chez Nauto, a mis en avant trois applications des systèmes fondés sur l’IA dans ce secteur :
- Les systèmes d’infodivertissement et de navigation vocale fondés sur l’IHM (interface homme-machine), les commandes vocales, la reconnaissance des gestes et le traitement automatique du langage naturel (TALN).
- Les systèmes qui détectent et identifient les risques internes, comme la somnolence et le non-port de la ceinture de sécurité, grâce à des systèmes de surveillance du conducteur utilisant des caméras et une évaluation en temps réel de son état.
- Les systèmes qui détectent et identifient les risques externes, comme le fait de suivre un véhicule de trop près, grâce à la détection radar, à des capteurs et à des calculateurs de contrôle moteur.
« Nous nous attachons à maximiser l’utilité de l’IA pour aider un conducteur humain à améliorer ses performances, plutôt qu’à tenter de remplacer complètement l’humain », a déclaré Banin. « Elle a démontré des résultats supérieurs en matière de sécurité, avec des vies sauvées, des collisions évitées et une réduction des risques liés au comportement du conducteur. »
Nauto y parvient grâce à la détection des distractions fondée sur l’IA, à la surveillance du comportement dans l’habitacle et à la combinaison de la vision par ordinateur et de l’IA pour comprendre le contexte de conduite. Le système peut envoyer une alerte en temps réel au conducteur afin de lui permettre de se corriger.
À lire aussi : Les meilleures plateformes d’apprentissage automatique
Vers quoi l’IA se dirige-t-elle ?
Traitement automatique du langage naturel
Le TALN est une branche de l’IA qui aide les ordinateurs à comprendre la façon dont les humains écrivent et parlent. Ces systèmes extraient le sens d’une entrée composée de mots et produisent une sortie qui peut varier selon l’application. Il s’agit d’un domaine de développement de l’IA en pleine effervescence.
« La plupart des tendances de l’IA concernent le traitement automatique du langage naturel et la manière dont on peut l’utiliser pour améliorer les modèles d’IA », a déclaré Ricardo Michel Reyes, directeur scientifique de Erudit. « À mesure que ce domaine évoluera, les entreprises interpréteront mieux l’ensemble de leurs données textuelles stockées afin de devenir des organisations pilotées par les données.
« Si les entreprises ont collecté ces dernières années toujours plus de données brutes issues de leurs communications organiques, 2023 verra affluer des outils d’IA qui les aideront à transformer les données de l’entreprise en informations exploitables. »
Informatique quantique
L’informatique quantique exploite la mécanique quantique pour résoudre des problèmes considérés comme trop complexes pour les ordinateurs conçus selon le système classique de logique et de calcul.
L’IA est mise en œuvre dans un environnement quantique afin d’accélérer et d’améliorer la précision du calcul des algorithmes d’apprentissage automatique, pour obtenir des résultats impossibles à atteindre avec des ordinateurs traditionnels. Elle peut servir au traitement de vastes jeux de données d’IA, à la résolution plus rapide de problèmes complexes et à l’intégration de plusieurs jeux de données.
Travail créatif
Au-delà de l’analyse des données historiques pour identifier les publics cibles pertinents, les cas d’usage de l’IA vont plus loin en mettant en œuvre des changements immédiats en réponse à des indicateurs de performance en temps réel.
James Brooks, PDG et fondateur de la plateforme de diffusion vidéo GlassView, a déclaré que l’IA rationalisait le processus créatif dans les agences publicitaires. Cela comprend la modification en temps réel d’éléments d’une publicité, comme sa couleur et son positionnement, dans le cadre de campagnes en cours.
Recrutement
Glider Le PDG de l’IA, Satish Kumar, a déclaré que l’IA était utilisée dans les ressources humaines (RH) et le recrutement, notamment pour repérer les fraudes commises par des candidats pendant les entretiens. Les stratagèmes frauduleux comprennent le copier-coller et le plagiat de code.
Les escrocs les plus organisés recrutent des intervieweurs professionnels à 150 dollars US de l’heure, le candidat synchronisant ses réponses sur ses lèvres à l’aide d’écouteurs. L’IA peut repérer cette synchronisation labiale ainsi que des signes comme des mouvements oculaires suspects indiquant que le candidat reçoit des réponses d’autres personnes.
« Au-delà de la réduction de la fraude, l’IA met les compétences au premier plan et permet d’éliminer la subjectivité en supprimant les biais lors de la sélection, en fondant les décisions sur l’adéquation au poste, l’intérêt pour le poste et la correspondance des compétences, plutôt que sur les diplômes officiels et les biais subconscients liés à l’apparence ou au réseau des personnes », a déclaré Kumar.
À quelles applications futures de l’IA pouvons-nous nous attendre ?
Les films de science-fiction imaginent des systèmes d’IA devenant si intelligents qu’ils décident d’exterminer l’humanité. Ou une IA capable de prendre en charge sans difficulté chaque décision à prendre au cours d’un long voyage vers des mondes lointains.
De telles capacités sont évidemment encore lointaines. Mais à quoi pouvons-nous nous attendre dans un avenir proche ?
Apprentissage pratique et profond par renforcement (RL)
Cronje a cité l’apprentissage pratique par renforcement, qui exploite la capacité de l’IA à explorer et à exploiter un environnement industriel. Un exemple est le travail mené par DeepMind et Google en collaboration avec un fournisseur de systèmes de gestion des bâtiments. Il montre l’utilité du RL pour résoudre un problème industriel concret — en l’occurrence, l’inefficacité des systèmes de refroidissement commerciaux dans les centres de données. En adaptant le RL afin qu’il apprenne à partir de données hors ligne et dans certaines limites, d’importantes économies d’énergie ont été réalisées, a ajouté Cronje.
« L’apprentissage profond par renforcement est également proposé comme solution adaptative à la pointe de la conception des puces, afin de répondre à la demande croissante en puissance de calcul de nouvelle génération », a déclaré Cronje. « Le RL pourrait jouer un rôle déterminant dans l’attribution d’emplacements toujours plus optimaux aux composants des circuits au sein de la zone centrale de la puce, permettant ainsi le développement rapide des semi-conducteurs de demain, qui fonctionneront en symbiose avec le matériel qu’ils alimentent.
« Enfin, à l’extrémité la plus audacieuse du spectre de l’IA, des innovateurs issus de domaines variés collaborent avec des spécialistes de l’IA afin que les technologies de RL et de simulation puissent exploiter la fusion nucléaire comme source inépuisable d’énergie propre. »
Consignes en langage naturel pour l’IA
Nagarajan a suggéré une autre avancée à court terme : au lieu d’utiliser des photos libres de droits, les utilisateurs décriront les images souhaitées et les façonneront selon leurs préférences à l’aide de quelques consignes. Plutôt que d’écrire des requêtes SQL complexes, ils décriront ce qu’ils veulent en langage naturel pour obtenir les résultats correspondants. Selon lui, l’IA va transférer une grande partie du travail créatif à davantage de personnes.
« Une nouvelle catégorie de travailleurs n’apprendra pas les formules Excel ou les techniques de mise en page de PowerPoint, mais apprendra à donner les bonnes instructions à une IA », a déclaré Nagarajan. « Programmer consistera simplement à communiquer avec un ordinateur. Cela permettra un bond de productivité que nous n’avons pas connu depuis que les ordinateurs et les e-mails se sont généralisés. »
Comprendre les risques contextuels pour l’assurance et d’autres usages
Banin a ajouté que de nombreux travaux étaient menés pour améliorer la compréhension et la couverture d’un plus grand nombre de risques en temps réel, ainsi que la fusion de facteurs allant au-delà du comportement du conducteur et du contexte environnant. Ces facteurs peuvent inclure les conditions météorologiques, l’état des routes, la congestion du trafic automobile et piétonnier environnant, ainsi que le niveau de risque relatif des itinéraires.
L’étape suivante consiste à appliquer cette compréhension non seulement à la sécurité des conducteurs, mais aussi à la souscription d’assurances et à l’amélioration des performances et de l’efficacité des flottes.
« Nous continuons de repousser les limites de l’application de l’apprentissage profond et des réseaux neuronaux convolutifs pour fusionner la compréhension d’un nombre toujours plus grand de risques contextuels, déclencher des actions permettant d’éviter les collisions et catalyser une évolution du comportement des conducteurs qui réduit les risques », a déclaré Banin.
Nicolas Sekkaki, directeur général des applications, des données et de l’IA chez Kyndryl, prévoit un avenir proche rempli de solutions d’IA responsables qui répondent aux enjeux de confiance, de risque, d’éthique, de sécurité et de transparence. Il s’attend également à de nettes améliorations des solutions visant à fournir des informations personnalisées, qu’elles concernent le risque de crédit ou les moteurs de recommandation destinés à la tarification dynamique ou à l’influence des décisions d’achat.
Les compagnies d’assurance, par exemple, utiliseront l’IA pour transformer la manière dont les voitures, les habitations, les entreprises et les particuliers sont assurés dans le cadre de programmes beaucoup plus flexibles. Cette approche comprendra l’ajustement dynamique et automatique de la couverture, afin de veiller à ce qu’elle soit optimisée et personnalisée à tout moment.
Les solutions d’IA surveilleront le comportement humain, anticiperont de manière proactive les difficultés et les opportunités tout au long du parcours client et ajusteront la couverture pour proposer des offres contextuelles.
Un grand assureur américain, par exemple, prévoit que d’ici quelques années, environ 70 % des nouvelles polices automobiles seront fondées sur l’usage ou le comportement. Les compagnies d’assurance devront pour cela s’appuyer sur des modèles analytiques et des algorithmes d’apprentissage automatique pour analyser les vastes volumes d’informations recueillis par les capteurs des téléphones et les voitures connectées.
IA augmentée pour le développement des ressources humaines
Les RH seront elles aussi largement bénéficiaires des futurs efforts de développement de l’IA.
« L’intelligence artificielle aidera les entreprises à augmenter l’ensemble du cycle de vie de leurs RH, de la recherche de candidats à l’évaluation des compétences, aux entretiens, au recrutement et à la cartographie des besoins en talents, afin de maintenir les talents existants satisfaits et engagés », a déclaré Kumar.
« Dans les RH, le recrutement et la gestion des effectifs, des tâches comme la présélection par des chatbots, la planification des prochaines étapes et le classement selon les compétences, l’adéquation et l’intérêt sont déjà une réalité. Et les tâches manuelles et répétitives restantes dans tous les secteurs finiront toutes par être confiées à une forme d’IA. »