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
Cours de Enseignement scientifique. Même notion dans une autre matière : Intelligence artificielle et objets connectés (IoT industriel) — spé Sciences de l'ingénieur
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.
Un réseau de neurones artificiels : les données traversent des couches de neurones qui ajustent leurs poids pour apprendre.
- 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
S'entraîner
Ce thème dans une autre classe
Notions clés — Enseignement scientifique
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.