On poursuit notre série estivale sur l'intelligence artificielle. Après une introduction qui visait à vous convaincre que quoi qu'on en pense, et quels que soient ses défauts, l'IA est là et ne disparaîtra plus jamais du paysage, il nous faut marquer un temps d'arrêt pour être sûrs d'avoir les idées claires sur le sujet. Un petit glossaire nous aidera à vérifier cela.
Quelques généralités tout d'abord
L'intelligence artificielle (IA), tout d'abord. C'est un vaste domaine qui regroupe toutes les méthodes permettant à des programmes ou des machines de réaliser des tâches que l’on juge « intelligentes » : raisonner, apprendre, percevoir l’environnement ou interagir en langage naturel. Ce domaine qui va des mathématiques statistiques à l'électronique se définit en opposition à la programmation classique : on ne se contente pas d’énumérer des règles, on cherche à créer des systèmes capables de s’adapter et de généraliser des concepts d'après l'observation des données qu'on soumet à leur apprentissage.
En pratique, l’IA constitue une constellation de sous‑disciplines complémentaires. Au centre trône le machine learning (voir ci-dessous), qui fait apprendre aux machines des régularités statistiques à partir des données : des mots qui se succèdent, des pixels qui se côtoient… Autour gravitent la vision par ordinateur (pour détecter ou interpréter des images, du diagnostic médical à la conduite autonome), la robotique (fusion de mécanique, de capteurs et d’algorithmes pour agir dans le monde physique) et le traitement automatique du langage naturel (comprendre, produire ou traduire du texte et de la parole) et bien d'autres disciplines encore.
L'apprentissage automatique (ou machine learning) est le moteur principal de l’IA moderne. Plutôt que d’écrire des instructions, on fournit au système un grand volume de données d’exemple et un objectif mesurable, comme reconnaître un chat ou un bus, construire une phrase grammaticalement juste ou trouver la sortie d'un labyrinthe. L’algorithme ajuste alors ses paramètres pour minimiser ses erreurs. Cette capacité d’« apprendre » rend les modèles adaptatifs : ils s’améliorent avec l’expérience.
