Enseignement scientifique — Une histoire du vivant
L'intelligence artificielle
Définition IA, apprentissage automatique (machine learning), réseaux de neurones, big data, IA faible vs forte, enjeux éthiques, biais algorithmiques, test de Turing
Résumé synthétiqueFiche en 4 sectionsQuiz de 10 questionsGratuit, sans pub
Résumé
L'**intelligence artificielle (IA)** désigne l'ensemble des techniques permettant à une machine de **simuler des capacités cognitives humaines** : reconnaître des images, comprendre le langage, prendre des décisions. L'**apprentissage automatique** (machine learning) est une branche de l'IA où la machine **apprend à partir de données** sans être explicitement programmée : on lui fournit des milliers d'**exemples étiquetés** et l'algorithme **ajuste ses paramètres** pour minimiser les erreurs. Les **réseaux de neurones artificiels**, inspirés du cerveau, sont organisés en **couches** (entrée, couches cachées, sortie) ; le **deep learning** utilise des **réseaux profonds** avec de nombreuses couches cachées, atteignant des performances spectaculaires en reconnaissance d'images et de parole. Le **big data** alimente ces algorithmes : chaque jour, l'humanité produit environ $2{,}5 \times 10^{18}$ **octets** de données. On distingue l'**IA faible** (spécialisée dans une tâche) de l'**IA forte** (conscience artificielle, théorique). Le **test de Turing** (1950) propose qu'une machine est « intelligente » si un humain ne peut pas la **distinguer** d'un autre humain lors d'une conversation. L'IA soulève des enjeux éthiques majeurs : **biais algorithmiques**, **vie privée**, **emploi** et **responsabilité** des décisions automatisées.
L'**intelligence artificielle** connaît un essor spectaculaire depuis les années **2010**, porté par la **puissance de calcul**, le **big data** et le **deep learning**. Mais l'idée de **« machines pensantes »** remonte à **Turing en 1950**, et le chemin a été semé d'espoirs et de **déceptions**.
- L'**IA** vise à créer des machines capables de réaliser des tâches nécessitant habituellement l'**intelligence humaine**
- **Alan Turing** (1950, Computing Machinery and Intelligence) pose la question « Can machines think? » et propose le **test de Turing**
- Le terme **« intelligence artificielle »** est inventé par **John McCarthy** en **1956** lors de la conférence de **Dartmouth**
- **Hivers de l'IA** (années 1970, 1990) : périodes de **déception** et de réduction des financements après des promesses non tenues
- **Renaissance de l'IA** (années 2010) grâce à : la **puissance de calcul** (GPU), les **mégadonnées** (big data) et le **deep learning**
- En 2016, **AlphaGo** (DeepMind/Google) bat le champion du monde de **Go**, **Lee Sedol** — exploit considéré impossible avant
Exemple
En 2016, **AlphaGo** (DeepMind) bat **Lee Sedol** au **Go** par 4-1. Le Go offre $\approx 10^{170}$ **positions possibles** (bien plus que le nombre d'atomes dans l'univers, $\approx 10^{80}$). AlphaGo a appris en jouant des **millions de parties** contre lui-même (**apprentissage par renforcement**), découvrant des stratégies inconnues des humains.
Piège à éviter
Le terme **« intelligence artificielle »** est **trompeur**. Aucune IA actuelle n'est « intelligente » au sens humain. Toute l'IA existante est de l'**IA faible** (spécialisée dans **une seule tâche**). L'**IA forte** (conscience artificielle) reste purement **théorique et spéculative**.
L'**apprentissage automatique** permet aux machines d'**apprendre à partir de données** sans être explicitement programmées. Les **réseaux de neurones profonds** (deep learning) sont la technique la plus performante actuellement.
- **Apprentissage supervisé** : on fournit des **données étiquetées** (ex. : photos de chats/chiens avec la bonne réponse) → l'algorithme apprend à **classer**
- **Apprentissage non supervisé** : l'algorithme trouve des **structures** dans des données **non étiquetées** (regroupement, clustering)
- **Apprentissage par renforcement** : l'agent apprend par **essai-erreur** via des **récompenses/punitions** (jeux, robotique)
- Un **réseau de neurones** est organisé en **couches** : **entrée** → **couches cachées** → **sortie**
- Chaque **neurone artificiel** reçoit des entrées **pondérées**, calcule une **somme pondérée** et applique une **fonction d'activation**
- **Deep learning** : réseaux avec de **nombreuses couches cachées** (dizaines à centaines) — performances état de l'art en **vision** et **NLP**
- L'**entraînement** d'un modèle de deep learning nécessite d'**énormes quantités de données** et de **puissance de calcul** (GPU, TPU)
Exemple
**Apprentissage supervisé** : on fournit **10 000 photos de chats** et **10 000 photos de chiens**, chacune **étiquetée**. Le réseau ajuste ses **millions de paramètres** (poids) pour **minimiser les erreurs**. Après entraînement, il classe correctement $\approx 98\,\%$ des nouvelles photos jamais vues.
Piège à éviter
Un **réseau de neurones artificiels** n'a **rien** à voir avec de vrais neurones biologiques. C'est une **métaphore** : il s'agit de **fonctions mathématiques** (sommes pondérées + fonctions d'activation) organisées en couches. Un « neurone » artificiel est une **simple opération de calcul**.
Le **big data** est le **carburant** de l'IA moderne. Les quantités astronomiques de données produites chaque jour alimentent les algorithmes, permettant des applications révolutionnaires en **santé**, **transports**, **environnement** et vie quotidienne.
- **Big data** : les **3V** — **Volume** (quantités massives), **Vélocité** (flux continu en temps réel), **Variété** (textes, images, vidéos, capteurs)
- L'humanité produit environ $2{,}5 \times 10^{18}$ **octets** ($2{,}5$ exaoctets) de données par jour
- **Santé** : diagnostic médical assisté par IA (détection de tumeurs sur imagerie, analyse de radios)
- **Transports** : véhicules **autonomes** (Tesla, Waymo), optimisation du trafic
- **Environnement** : modélisation climatique, surveillance de la **déforestation** par satellite, optimisation énergétique
- **Quotidien** : assistants vocaux (Siri, Alexa), **recommandation** (Netflix, Spotify), **traduction automatique**, filtres anti-spam
Exemple
En santé, l'IA **AlphaFold** (DeepMind, 2021) a prédit la **structure 3D** de **200 millions de protéines** en quelques semaines — un travail qui aurait pris des **millions d'années-chercheurs** avec les méthodes classiques. Cela **accélère** la découverte de médicaments.
Piège à éviter
Le **big data** n'est pas toujours **fiable**. Les données peuvent être **incomplètes**, **biaisées** ou de mauvaise qualité. Le principe **« garbage in, garbage out »** s'applique : si les données d'entrée sont biaisées, les résultats de l'IA le seront aussi.
L'IA soulève des **questions éthiques** majeures : **biais algorithmiques**, **vie privée**, impact sur l'**emploi**, **responsabilité** des décisions automatisées. Le cadre réglementaire européen (**AI Act**) tente de répondre à ces défis.
- **IA faible** (IA étroite) : spécialisée dans **une tâche précise** (échecs, reconnaissance de visages, traduction) — c'est **toute l'IA actuelle**
- **IA forte** (IA générale) : machine dotée de **conscience**, capable de raisonner comme un humain dans tous les domaines — reste **théorique et spéculative**
- **Test de Turing** (1950) : une machine est « intelligente » si un **juge humain** ne peut distinguer ses réponses de celles d'un humain
- **Biais algorithmiques** : si les données d'entraînement contiennent des **biais** (racisme, sexisme), l'IA les **reproduit et les amplifie** — ex. : recrutement automatisé
- **Vie privée** : collecte massive de **données personnelles** (reconnaissance faciale, profilage), **surveillance de masse**
- **Emploi** : automatisation de tâches (usines, conduite, service client) → **destruction d'emplois** mais aussi **création** de nouveaux métiers
- **Responsabilité** : qui est responsable si une IA prend une mauvaise décision (voiture autonome, diagnostic erroné) ?
- **Régulation** : le règlement européen sur l'IA (**AI Act**, 2024) classe les systèmes par **niveau de risque** et impose des obligations de **transparence**
Exemple
**Biais algorithmique concret** : **Amazon** a développé un outil IA de **tri de CV** qui **discriminait les femmes**. Entraîné sur **10 ans de CV** (majoritairement masculins dans la tech), l'algorithme avait « appris » que les CV masculins étaient meilleurs. Amazon a dû **abandonner** l'outil.
Piège à éviter
Le **test de Turing** ne mesure **pas l'intelligence**. Il mesure la capacité à **imiter** un humain dans une conversation textuelle. Un chatbot peut **réussir** le test sans aucune **compréhension réelle**. « Sembler intelligent » et « être intelligent » sont **deux choses très différentes**.
Quiz - L'intelligence artificielle
10 questions
Ce thème dans une autre classe
Articles utiles
Questions fréquentes
Les points clés à retenir sur L'intelligence artificielle, extraits du quiz de révision.
Le test de Turing a été proposé en :
Réponse :
1950
**Alan Turing** a proposé son test en **1950**, dans l'article Computing Machinery and Intelligence. Principe : si un **juge humain**, après une conversation textuelle, ne peut distinguer les réponses d'une machine de celles d'un humain, alors la machine peut être considérée comme « intelligente ».
Le terme « intelligence artificielle » a été inventé par :
Réponse :
John McCarthy
Le terme **« intelligence artificielle »** a été inventé par **John McCarthy** en **1956**, lors de la conférence de **Dartmouth** (États-Unis), considérée comme l'**acte de naissance** de l'IA en tant que discipline.
L'apprentissage supervisé utilise des données :
Réponse :
Étiquetées (avec la bonne réponse)
En **apprentissage supervisé**, on fournit des **données étiquetées** : chaque exemple est associé à la bonne réponse (ex. : 1 000 photos de chats étiquetées « chat »). L'algorithme apprend à reproduire cette association pour **classer** de nouvelles données.
Le deep learning utilise :
Réponse :
Un réseau de neurones avec de nombreuses couches cachées
Le **deep learning** utilise des **réseaux de neurones** avec de **nombreuses couches cachées** (dizaines à centaines). Cette **profondeur** permet d'apprendre des représentations de plus en plus **abstraites** des données, avec des performances remarquables.