Comprendre les termes clés liés à l’intelligence artificielle
Nicolas Bousquet - Ingénieur chercheur expert à la R&D d’EDF, directeur adjoint du laboratoire Sinclair et professeur associé à Sorbonne Université
Yannig Goude - Chercheur -Senior en Data science/apprentissage statistique , chef de projet-co-pilote du Data Innovation Lab à la R&D d’EDF et maitre de conf associé au laboratoire de maths d’Orsay
Système expert, IA symbolique, apprentissage automatiques ou machine Learning, supervisé ou non, apprentissage profond ou deep Learning, réseau de neurones … autant de mots ou de notions que l’on entend au quotidien dans l’univers de l’IA.
Mais que veulent-ils dire exactement ? Quel est le concept derrière ? Comment se les représenter ?
Nicolas et Yannig se sont prêtés au jeu de définir de manière synthétique et accessible ces notions clés qui permettent de comprendre les bases de l’intelligence artificielle.
Téléchargez la version HD (PDF - 919 Ko)
Transcription disponible ci-dessous
Transcription - Les mots clefs pour comprendre l'intelligence artificielle
Certains termes liés à l'intelligence artificielle font désormais partie de notre quotidien. Mais savez-vous vraiment ce qu'ils signifient ? Voici quelques clefs pour comprendre l'univers de l'IA.
Un système expert, également appelé intelligence artificielle symbolique, est un ensemble de règles, rendues opérationnelles par un logiciel. Il est destiné à faciliter l'automatisme du fonctionnement de machines réelles ou virtuelles. Excellent outil d'aide à la décision, il est employé dans de multiples domaines. Les chatbots ont ainsi été conçus grâce à cette logique.
L'apprentissage automatique ou Machine learning fonctionne à l'aide d'une logique inverse à celle du système expert. L'homme ne fixe plus les règles à une machine. Il lui demande d'en apprendre de nouvelles grâce à des données. Théorisé depuis de nombreuses décennies, l'apprentissage automatique bénéficie aujourd'hui de l'explosion du nombre de données et de leur stockage mais aussi de progrès fulgurants dans les technologies de calcul. Le Big Data associé au HPC (high performance computing) ont ainsi permis l'avènement du deep learning.
L'apprentissage supervisé est utilisé lorsque l'homme dispose de données étiquetées. Autrement dit, lorsqu'il bénéficie d'exemples classifiables de comportements ou de phénomènes observés à prévoir. On cherche ainsi à apprendre le mécanisme qui relie les observations à leurs étiquettes. Pour connaître la consommation électrique de demain, nous demanderons par exemple à la machine d'associer des données météorologiques à des consommations électriques passées pour en comprendre la relation.
L'apprentissage non supervisé consiste à identifier des caractéristiques communes à des données ne bénéficiant pas d'étiquette. On l'utilise à des fins de classification mais également pour détecter des anomalies. On peut également l'utiliser comme un préalable pour construire plus rapidement des jeux de données supervisés, ce qui requiert souvent une expertise humaine.
L'apprentissage profond ou deep learning est une forme d'apprentissage automatique pouvant être supervisé ou non-supervisé. Elle s'appuie notamment sur des réseaux de neurones inspirés du cerveau humain. Constitué de multiples couches de neurones artificiels (des fonctions logicielles), ces réseaux peuvent établir des relations très complexes entre plusieurs données.