Artificial Intelligence (AI)

L’intelligence artificielle (IA) est la branche de l’informatique qui conçoit des systèmes capables d’effectuer des tâches associées à l’intelligence humaine : percevoir des images et des sons, comprendre et générer du langage, raisonner, planifier et apprendre de l’expérience. La définition de l’OCDE, que le règlement européen sur l’IA suit de près, décrit un système d’IA comme un système basé sur une machine qui déduit de ses entrées comment générer des sorties telles que des prédictions, du contenu, des recommandations ou des décisions. La plupart des systèmes d’IA utilisés aujourd’hui apprennent ce comportement à partir de données d’exemple grâce à l’apprentissage automatique (ML).

Bref historique de l’IA#

Dans son article de 1950 intitulé « Computing Machinery and Intelligence », Alan Turing se demandait si les machines pouvaient penser et proposait le jeu de l’imitation, aujourd’hui appelé test de Turing. John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon ont forgé le terme « intelligence artificielle » dans leur proposition de 1955 pour l’atelier d’été de Dartmouth de 1956, qui a fondé le domaine. Pendant les trois décennies suivantes, l’IA symbolique a dominé avec la logique, la recherche et les systèmes experts à base de règles. Le financement s’est effondré à deux reprises, durant les « hivers de l’IA » des années 1970 et de la fin des années 1980, lorsque les résultats n’ont pas été à la hauteur des promesses.

Les méthodes d’IA statistique, qui apprennent à partir de données, ont pris le relais dans les années 1990. En 1997, Deep Blue d’IBM a battu le champion du monde d’échecs Garry Kasparov grâce à du matériel spécialisé qui explorait environ 200 millions de positions par seconde. En 2012, le réseau neuronal convolutif AlexNet a remporté haut la main le défi de classification d’images ImageNet, ouvrant l’ère de l’apprentissage profond (DL). L’architecture Transformer, introduite en 2017, a mené aux grands modèles de langage (LLM), et le lancement de ChatGPT en novembre 2022 a fait découvrir l’IA générative à des centaines de millions d’utilisateurs.

Relations entre l’IA, l’apprentissage automatique et l’apprentissage profond#

L’IA est le domaine général. L’IA symbolique et l’apprentissage automatique en sont les deux principales approches : la première encode les connaissances sous forme de règles explicites, tandis que le second apprend des modèles à partir d’exemples. L’apprentissage profond est un sous-domaine de l’apprentissage automatique qui utilise des réseaux neuronaux à plusieurs couches, sur lesquels reposent presque toutes les avancées modernes en vision, en langage et en génération d’images.

Les systèmes d’apprentissage automatique apprennent principalement de quelques façons. L’apprentissage supervisé ajuste le modèle à partir d’exemples étiquetés, comme des images annotées avec les objets qu’elles contiennent. L’apprentissage non supervisé trouve des structures dans des données non étiquetées. L’apprentissage auto-supervisé, méthode utilisée pour le préentraînement des LLM, crée son propre signal d’entraînement à partir de données brutes. L’apprentissage par renforcement apprend à partir des récompenses obtenues en agissant dans un environnement.

Types d’IA selon leurs capacités#

• Intelligence artificielle étroite (ANI) ou IA faible : IA conçue pour une tâche précise ou un ensemble de tâches. Tous les systèmes déployés appartiennent à cette catégorie, y compris ceux qui dépassent les capacités humaines dans leur tâche.
• Intelligence artificielle générale (AGI) : système hypothétique qui égale les humains dans pratiquement toutes les tâches cognitives, souvent appelé IA forte.
• Superintelligence artificielle (ASI) : système hypothétique qui surpasse les meilleurs humains dans presque tous les domaines, scénario à l’origine de l’idée de singularité technologique.

Les LLM généralistes brouillent cette première frontière. Un même modèle peut écrire du code, traduire et décrire des images, mais ses compétences varient selon les tâches — un phénomène appelé intelligence irrégulière. Le classement VLM d’Ultralytics mesure l’une de ces compétences : la précision avec laquelle ces modèles détectent des objets dans des images du monde réel.

Applications de l’IA#

• Vision par ordinateur : détection d’objets, segmentation de scènes et suivi de mouvements pour les véhicules autonomes, l’inspection en usine, l’analyse du commerce de détail et l’analyse d’images médicales.
• Langage et parole : chatbots, traduction automatique, résumé de documents et transcription de la parole en texte.
• Prédiction et classement : détection des fraudes, prévision de la demande et systèmes de recommandation pour le streaming et les achats.
• Science : AlphaFold de DeepMind prédit la structure des protéines et a valu à ses créateurs une part du prix Nobel de chimie 2024.
• Agents et robotique : agents d’IA qui planifient des tâches en plusieurs étapes et appellent des outils logiciels, et robots qui combinent perception et contrôle.

Exécuter un modèle de vision préentraîné est le moyen le plus rapide de voir un système d’apprentissage profond à l’œuvre. Ultralytics YOLO26 est un détecteur d’objets qui a appris à reconnaître 80 classes d’objets du quotidien à partir d’images COCO étiquetées :

from ultralytics import YOLO

# Charger un détecteur d’objets YOLO26 préentraîné
model = YOLO("yolo26n.pt")

# Effectuer une inférence sur une image que le modèle n’a jamais vue
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Enregistrer l’image avec les boîtes prédites, les étiquettes de classe et les scores de confiance
result.save(filename="bus_detections.jpg")

L’image enregistrée signale chaque objet détecté, comme le bus et les personnes à côté, avec une boîte, une étiquette de classe et un score de confiance ; tout cela a été appris à partir d’exemples.

Risques, éthique et réglementation#

Les systèmes d’IA héritent des défauts de leurs données et de leurs objectifs. Les modèles peuvent intégrer des biais envers les groupes sous-représentés ou maltraités dans leurs données d’entraînement, les LLM peuvent énoncer avec aisance des contrevérités, les modèles génératifs peuvent produire des hypertrucages, et les modèles opaques sont difficiles à auditer sans IA explicable (XAI). La recherche en éthique de l’IA et en sécurité de l’IA s’attaque à ces risques, et le cadre de gestion des risques liés à l’IA du NIST, d’application volontaire, propose aux organisations une méthode pour les gérer. En vigueur depuis août 2024, le règlement européen sur l’IA interdit purement et simplement une courte liste de pratiques, comme la notation sociale, et impose des exigences strictes aux usages à haut risque, tels que le recrutement, la notation de crédit et l’IA dans les dispositifs médicaux.