Qu'est-ce que l'intelligence artificielle ? Les bases pour bien comprendre

L’intelligence artificielle est partout dans les conversations, mais le terme recouvre des réalités très différentes : un filtre antispam, un logiciel de reconnaissance vocale et un assistant conversationnel relèvent tous de l’IA. Avant de choisir une formation, il est utile de savoir de quoi l’on parle exactement. Voici les notions de base, sans jargon inutile.

Une définition simple

On appelle intelligence artificielle l’ensemble des techniques qui permettent à une machine d’accomplir des tâches que l’on associe d’ordinaire à l’intelligence humaine : reconnaître une image, comprendre une phrase, traduire un texte, prendre une décision à partir de données, planifier une suite d’actions.

Le mot ne désigne donc pas une machine qui « pense » comme nous. Il s’agit de programmes, parfois très performants sur une tâche précise, qui fonctionnent selon des principes mathématiques et statistiques. Un système capable de battre un champion d’échecs peut être incapable de lire un panneau routier.

D’où vient le terme ?

L’expression « intelligence artificielle » a été popularisée lors de la conférence de Dartmouth, aux États-Unis, en 1956. Le chercheur John McCarthy, l’un de ses organisateurs, avait proposé ce nom pour désigner un nouveau champ de recherche : rendre les machines capables de simuler certains aspects de l’intelligence.

Depuis, la discipline a connu des périodes d’enthousiasme et des périodes de désillusion, au gré des avancées techniques et des financements. L’accélération récente tient surtout à trois facteurs : la masse de données disponibles, la puissance de calcul des processeurs modernes et de nouvelles méthodes d’apprentissage.

Les grandes familles de l’IA

On distingue généralement trois approches, qui se sont succédé sans que les plus anciennes disparaissent.

L’IA symbolique

C’est l’approche historique. Des experts écrivent des règles explicites (« si tel symptôme et tel autre, alors telle hypothèse ») que la machine applique. Les systèmes experts des années 1970 et 1980 en sont l’exemple type. L’avantage : on comprend pourquoi la machine aboutit à une conclusion. L’inconvénient : il faut tout prévoir, et le monde réel déborde vite des règles écrites.

L’apprentissage automatique

Avec l’apprentissage automatique (machine learning), on ne donne plus de règles : on fournit des exemples. Le programme repère lui-même des régularités dans les données. Pour détecter des courriels indésirables, on lui montre des milliers de messages déjà classés, et il apprend à distinguer les deux catégories. C’est la base de nombreux outils du quotidien : recommandations de contenus, détection de fraude, prévision de la demande.

L’apprentissage profond

L’apprentissage profond (deep learning) est une branche de l’apprentissage automatique. Il repose sur des réseaux de neurones artificiels comportant de nombreuses couches successives, capables de traiter des données brutes comme des images, des sons ou du texte. C’est lui qui a permis les progrès spectaculaires en reconnaissance d’images, en traduction automatique et, plus récemment, en génération de texte.

Et l’IA générative dans tout ça ?

L’IA générative est la famille d’outils qui produisent du contenu nouveau : texte, image, son, code. Elle s’appuie sur l’apprentissage profond, et notamment sur l’architecture dite « transformer », décrite en 2017 dans un article de chercheurs de Google. Les modèles de langage qui animent les assistants conversationnels en sont issus.

Leur fonctionnement mérite un article à part entière : nous l’expliquons en détail dans IA générative : comment ça marche.

Ce que l’IA sait faire, et ce qu’elle ne sait pas faire

Les systèmes actuels excellent dans les tâches où l’on dispose de beaucoup d’exemples et où l’on peut mesurer le résultat : classer, prédire, résumer, transcrire. Ils sont en revanche beaucoup moins fiables dès qu’il faut raisonner sur une situation inédite, vérifier un fait ou tenir compte d’un contexte qu’ils n’ont jamais vu.

Quelques limites à garder en tête :

• Les erreurs plausibles. Un modèle de langage peut produire une réponse fausse mais formulée avec assurance. On parle d’« hallucinations ».
• Les biais. Un système apprend à partir de données ; si ces données sont déséquilibrées, ses résultats le seront aussi.
• L’opacité. Avec l’apprentissage profond, il est souvent difficile d’expliquer précisément pourquoi le modèle a produit tel résultat.
• La dépendance aux données. Sans données de qualité, même le meilleur algorithme donne des résultats médiocres.

Ces limites expliquent pourquoi l’Union européenne a adopté un cadre juridique spécifique, l’AI Act, présenté dans notre article sur le règlement européen sur l’IA.

Pourquoi se former ?

Comprendre l’IA n’est plus réservé aux ingénieurs. Un juriste, un responsable marketing ou un assistant de direction utilisent déjà des outils fondés sur ces techniques. Savoir comment ils fonctionnent permet de mieux s’en servir, d’en repérer les erreurs et de protéger les données que l’on y confie.

Les besoins varient selon le profil :

1. Les utilisateurs cherchent surtout à maîtriser les outils du quotidien et à rédiger de bonnes consignes.
2. Les managers et décideurs ont besoin de comprendre les enjeux, les risques et le cadre réglementaire.
3. Les profils techniques visent la conception, l’entraînement et le déploiement de modèles.

À retenir

• L’intelligence artificielle désigne un ensemble de techniques, pas une machine pensante.
• Le terme date de 1956 ; les progrès récents viennent des données, du calcul et de l’apprentissage profond.
• Trois grandes approches coexistent : symbolique, apprentissage automatique, apprentissage profond.
• Les outils actuels sont puissants mais faillibles : leurs résultats se vérifient.

Pour passer de la théorie à la pratique, notre guide pour choisir une formation en IA vous aide à identifier le parcours adapté à votre situation.

Cet article peut contenir des liens partenaires. Ils n'influencent jamais ce que nous écrivons.