Que sont les algorithme IA ?

Read in English (Lire en anglais).

Les algorithmes d'intelligence artificielle donnent des instructions à un ordinateur sur la façon de prendre des décisions, d'exécuter une fonction ou d'effectuer une autre tâche de manière autonome. Ces algorithmes alimentent les outils que nous utilisons quotidiennement, comme les moteurs de recherche, la correction automatique ou les recommandations de contenu suggéré sur une application de streaming de télévision ou de musique.

Dans cet article, vous découvrirez différents types d'algorithme IA et leur mode d'apprentissage, ainsi que des exemples concrets de la façon dont ils rendent notre vie plus simple et plus efficace.

Que sont les algorithme IA ?

Les algorithme IA fournissent des instructions permettant à la technologie d'IA de penser et de réagir aux données d'une manière intuitive, similaire à notre façon de traiter l'information.

L'intelligence artificielle vise à créer des ordinateurs capables de traiter l'information et de prendre des décisions sans que les humains ne fournissent d'instructions. Les algorithme IA représentent toutes les instructions nécessaires pour répondre aux données présentées à la machine.

Algorithme IA vs intelligence humaine

Pour comprendre comment fonctionnent les algorithmes d'intelligence artificielle, considérons d'abord comment fonctionne l'intelligence humaine. Par exemple, imaginons que vous vouliez faire une salade de fruits. D'abord, vous devrez aller au magasin pour choisir et acheter des fruits. Ensuite, vous les rapporterez chez vous, les laverez et les couperez selon les besoins de chaque type. Enfin, vous mélangerez le tout dans un grand bol. C'est un exemple d'algorithme de base pour faire une salade de fruits.

Dans cet ensemble d'instructions basiques, nous prenons pour acquis plusieurs bonds de compréhension humaine qui bloqueraient un ordinateur presque immédiatement, comme :

• Vous savez quel magasin vend des fruits.

• Vous comprenez quels objets, parmi tous ceux du supermarché, constituent des « fruits ».

• Vous savez comment laver et traiter chaque fruit individuellement, en coupant les pommes différemment des raisins.

Vous comprenez peut-être ces concepts parce que vous les avez rencontrés et appris à travailler avec ces systèmes. Grâce à votre expérience, vous pourriez voyager dans n'importe quelle ville des États-Unis et vous faire une salade de fruits, même si le supermarché, les rues et les fruits peuvent sembler un peu différents.

Comme notre capacité de réflexion humaine, les algorithme IA sont suffisamment complexes pour permettre une compréhension plus nuancée de ce que signifient les instructions et quelles réactions possibles seraient appropriées à l'objectif. Vous pourriez entraîner un algorithme à faire une salade de fruits en lui montrant de nombreuses images de fruits et de supermarchés. Mais il faut l'intelligence artificielle pour que l'ordinateur voie une image complètement nouvelle et comprenne s'il regarde un supermarché ou un arrêt de bus.

À quoi servent les algorithme IA ?

Les algorithme IA ont des applications dans de nombreux domaines de la vie. Voici quelques situations où vous avez peut-être interagi avec un algorithme IA :

• Moteurs de recherche : Google, Bing et Yahoo utilisent tous des algorithmes d'intelligence artificielle pour fournir des informations, comme des questions similaires posées par d'autres.

• Assistants numériques : Lorsque vous demandez à Alexa, Siri ou Google d'ajouter quelque chose à votre liste de courses ou de programmer une alarme, vous interagissez avec des algorithme IA.

• Correction automatique : La correction automatique sur votre téléphone ou votre traitement de texte peut fonctionner avec des algorithme IA, apprendre de votre comportement spécifique et tirer des informations d'autres sources, comme les dictionnaires.

• Service client virtuel : Les chatbots de service client automatisés peuvent répondre aux clients lorsqu'ils ont besoin d'aide pour utiliser un site web ou travailler avec un produit, souvent plus rapidement et plus efficacement qu'un agent du service client.

Les algorithme IA ont également des applications pour les industries, les opérations gouvernementales et même la sécurité nationale :

• Analyses avancées : Les algorithme IA peuvent aider les organisations avec l'analyse prédictive, les prévisions et le suivi des activités. Ces outils aident les entreprises à comprendre quels événements sont susceptibles de se produire à l'avenir en se basant sur les événements passés.

• Finance : Les institutions financières utilisent des algorithme IA pour alimenter les logiciels de détection de fraude, qui signalent les transactions suspectes et peuvent refuser les transactions qui semblent frauduleuses. Les algorithme IA peuvent également évaluer une demande de carte de crédit ou créer un portefeuille d'investissement.

• Soins de santé : Les algorithme IA peuvent améliorer les résultats des soins de santé. Par exemple, les algorithme IA peuvent lire les images de tomodensitométrie (CT) pour rechercher des anomalies beaucoup plus rapidement qu'un médecin ne peut examiner l'image. Les patients peuvent également recevoir des soins plus personnalisés grâce aux algorithme IA, comme des rappels de médicaments.

• Sécurité nationale : Les algorithme IA pourraient aider à certaines ou à de nombreuses décisions auxquelles les commandants américains sont confrontés. Le potentiel des algorithme IA pour changer la guerre telle que nous la connaissons est si important que le Département américain de la Défense a un terme pour le décrire : la guerre hyper.

Types d'algorithme IA

Toutes les applications des algorithme IA dont nous avons parlé ci-dessus fonctionnent grâce à trois principales catégories d'algorithme IA : l'apprentissage supervisé, non supervisé et par renforcement. Une quatrième catégorie, l'apprentissage semi-supervisé, combine des éléments des algorithmes d'apprentissage supervisé et non supervisé. Ensemble, ces types d'algorithmes constituent différents domaines de l'intelligence artificielle, comme l'apprentissage automatique et l'apprentissage profond.

1. Apprentissage supervisé

Les algorithmes d'apprentissage supervisé nécessitent que des personnes les entraînent en utilisant des données clairement étiquetées et catégorisées. Avec un entraînement adéquat, un algorithme d'apprentissage supervisé peut étiqueter des images similaires sans intervention humaine. Par exemple, dans un compte de messagerie avec un dossier spam automatique. Les filtres anti-spam utilisent l'apprentissage supervisé, entraînés avec de nombreux exemples de ce qui est et n'est pas du spam, pour prédire dans quel dossier vous trieriez l'e-mail. Les types d'algorithmes d'apprentissage supervisé comprennent :

• Arbre de décision : C'est un graphique en forme d'arborescence représentant tous les résultats possibles, chaque division ou nœud représentant un test de catégorisation différent.

• Forêt aléatoire : Un algorithme de forêt aléatoire utilise de nombreux arbres de décision, chacun testant une entrée différente. Il fait une prédiction basée sur les résultats combinés de tous les arbres de décision. 

• Régression linéaire : L'un des algorithme IA les plus basiques, un algorithme de régression linéaire fait une prédiction basée sur une variable indépendante déterminée par l'opérateur de l'algorithme. Par exemple, la régression linéaire peut prédire les prix de vente des maisons avec des données historiques immobilières du quartier et la propriété individuelle à vendre.

2. Apprentissage non supervisé

L'apprentissage non supervisé est entraîné en utilisant des données non catégorisées et non étiquetées. Au lieu de suivre des instructions sur la façon de catégoriser les données, l'apprentissage non supervisé recherche des modèles et détermine quelles catégories et étiquettes les données devraient contenir. Cela permet d'analyser des ensembles de données brutes et peut faire gagner beaucoup de temps. C'est également utile lorsque les données que vous analysez n'ont pas de catégories claires dans lesquelles s'insérer ou lorsque les catégories sont difficiles à prédire. Les exemples incluent :

• Clustering K-means : Un algorithme de clustering K-means vise à trier et catégoriser les données. K fait référence au nombre de groupes dans lesquels il triera les données, et l'algorithme renvoie une variable moyenne pour chaque catégorie.

• Modèle de mélange gaussien : Un modèle de mélange gaussien regroupe les données de manière similaire à un cluster K-means mais avec quelques capacités supplémentaires. Si vous regardiez les résultats d'un cluster K-means sur un graphique, chaque variable renvoyée formerait le milieu d'un cercle de données. Un modèle de mélange gaussien peut organiser des données qui se représentent sous des formes plus complexes.

3. Apprentissage semi-supervisé

Comme vous l'avez peut-être deviné par le nom, l'apprentissage semi-supervisé utilise des ensembles de données qui contiennent certaines données étiquetées et d'autres non étiquetées. Les étiquettes fournies par l'opérateur guident l'algorithme pour déterminer la meilleure façon d'étiqueter le reste des données. Cette méthode combine la précision de l'apprentissage supervisé avec l'avantage d'un entraînement moindre que l'apprentissage non supervisé offre.

• K plus proches voisins (KNN) : Cet algorithme IA classera les données en examinant les données les plus proches sur un graphique et en regroupant les données en catégories par proximité.

4. Apprentissage par renforcement

Avec l'apprentissage par renforcement, l'algorithme peut décider de manière indépendante la meilleure façon d'accomplir la tâche, apprenant à travers un ensemble complexe de règles qui « récompensent » ou « punissent » le travail de l'algorithme. Cela permet une approche par essais et erreurs de la résolution de problèmes. Cette forme d'algorithme IA est la plus appropriée lorsque la meilleure façon possible de résoudre un problème n'est pas claire. Les programmeurs informatiques établissent les règles de récompense et de punition, mais l'algorithme décide de la manière optimale de travailler avec l'ensemble de données.

• Réseaux neuronaux : Les réseaux neuronaux « pensent » comme des cerveaux humains, recevant et traitant l'information à travers des couches de motifs. Les réseaux neuronaux utilisent l'apprentissage par renforcement pour déterminer la meilleure approche d'un problème.

Apprenez-en plus avec Coursera

Pour en apprendre davantage sur les algorithme IA, inscrivez-vous aujourd'hui à Introduction à l'intelligence artificielle (IA), un cours proposé par IBM sur Coursera. Ce cours prend environ neuf heures à compléter et est conçu pour vous aider à acquérir des compétences en intelligence artificielle, science des données et apprentissage automatique.