Définition et historique

Définition

L’IA représente l’ensemble de théories et techniques visant à réaliser des machines capables de simuler l’intelligence humaine. Elle désigne la possibilité de reproduire des comportements liés aux humains tels que le raisonnement, la planification et la créativité.

L’IA permet à des systèmes techniques de percevoir leur environnement, gérer ces perceptions, résoudre des problèmes et entreprendre des actions pour atteindre un but précis. L’ordinateur reçoit des données (déjà préparées ou collectées via ses capteurs - une caméra, par exemple) les analyse et réagit. Les systèmes dotés d’IA sont capables d’adapter leurs comportements (plus ou moins) en analysant les effets produits par leurs actions précédentes, travaillant de manière autonome.

Historique

L’intelligence artificielle telle que nous la connaissons aujourd’hui à connu une très grande évolution depuis 1943, année qui marque le début de l’histoire autour de cette dernière.

• 1943 : avec la publication de l’article “A logical calculus of ideas immanent in Nervous Activity” de Warren McCullough et Walter Pitts , nous avons le premier modèle mathématique pour la création d’un réseau de neurones.
• 1950 : Snarc, le premier ordinateur à réseau de neurones sera créé par deux étudiants de Harvard: Marvin Minsky et Dean Edmonds et dans la même année, Alan Turing publie le Turing Test qui sert encore aujourd’hui pour évaluer les IA. De ce test découlent les fondations de l’intelligence artificielle dont la vision est de réplication de l’intelligence humaine dans les machines.
• 1956 : Le terme intelligence artificielle sera prononcé pour la première fois, durant la conférence « Dartmouth Summer Research Project on Artificial Intelligence. » de John McCarthy, qui est considéré comme le pionnier du domaine. Durant cet évènement, les chercheurs présentent la vision et les objectifs de l’IA et cette conférence est considéré comme la véritable naissance de l’intelligence artificielle telle qu’elle est connue aujourd’hui.
• 1959 : Plusieurs années s’écoulent et les travaux sur l’intelligence artificielle continuent. Arthur Samuel invente le terme Machine Learning en travaillant chez IBM.
• 1989 : Le français Yann le Cun met au point le premier réseau de neurones capable de reconnaitre des chiffres écrits à la main. Cet invention sera à l’origine du développement du Deep Learning.
• 1997 : Le système Deep Blue d’IBM triomphe du champion du monde d’échecs Gary Kasparov. Pour la première fois, la machine a battu l’Homme. L'IA a franchi une étape décisive grâce à cet événement.

Fonctionnement de l’Intelligence Artificielle

Comment fonctionne une intelligence artificielle ?

Le fonctionnement d’une intelligence artificielle repose sur des algorithmes complexes capables de traiter d’énormes quantités de données pour imiter des comportements humains. Les systèmes d’IA se basent sur le machine learning et le deep learning pour s’améliorer en continu à partir des informations qu’ils reçoivent. Grâce à des réseaux neuronaux artificiels, une IA peut apprendre des relations entre les données d’entrée et les sorties attendues, ajuster ses paramètres internes et améliorer sa précision. C’est ce qu’on appelle le Backpropagation.

Prenons par exemple plus compréhensible : Imaginons que tu sois en train d’apprendre à lancer une balle dans un panier, voici à quoi le Backpropagation pourrait ressembler dans ce contexte. Au départ, on a le lancée initial (Prédiction), tu lances la balle en visant le panier mais elle tombe à côté (ta prédiction est incorrecte) puis on a l’observation de l’erreur où tu regardes où la balle est tombé par rapport au panier. Elle est tombée à droite ? Trop loin ? Trop courte ? Cela correspond à l’erreur que tu dois corriger. Ensuite nous avons la remontée de la chaîne des erreurs (Propagation) et là tu te dis : “Si j’ai lancé trop loin, c’est que j’ai utilisé trop de force” ou encore “Si c’était trop à droite, c’est que mon angle est mauvais” Tu analyses tes actions pour comprendre ce qui a causé l’erreur. Et on a l’ajustement (Mise à jour) au cours duquel tu vas modifier ton prochain lancer (avec moins de force, avec un angle légèrement différent …) et enfin tu devras répéter et améliorer tes lancers.

Dans un réseau neuronal, c’est un peu pareil. Chaque "lancer" correspond à une prédiction, et les "ajustements" se font sur les poids et biais du réseau, grâce à la magie des maths. Mais l’idée est simple : apprendre des erreurs pour s’améliorer à chaque fois. 🎯

Les différents modèles d’Intelligence Artificielle

Voici un tour d’horizon des principaux modèles qui façonnent l’IA moderne :

Machine Learning

Le Machine Learning est un sous-domaine de l’intelligence artificielle qui permet aux systèmes de tirer des enseignements à partir de données et d’améliorer leurs performances sans être explicitement programmés pour chaque tâche. Il repose sur des algorithmes qui identifient des modèles dans les données et les utilisent pour faire des prédictions. Et par le biais des méthodes d’apprentissage automatique telles que :

• L’apprentissage supervisé 🧑‍🏫📘 : C’est comme apprendre avec un professeur qui te corrige
• L’apprentissage non supervisé 🕵️‍♂️🔍 : C'est comme découvrir par toi-même, sans professeur. Ici on donne des données au modèle sans réponse (par exemple, des images sans dire si c’est une pomme ou une banane)
• L’apprentissage par renforcement 🕹️🏆 : C'est comme un jeu vidéo : on apprend par essais et erreurs, avec des récompenses. C’est comme un "agent" prend des décisions dans un environnement (par exemple, un robot qui apprend à marcher). Si ses actions mènent à un bon résultat (marcher sans tomber), il reçoit une récompense. Sinon, il reçoit une pénalité. Avec le temps, il apprend à maximiser ses récompenses.

Type d'apprentissage	Données nécessaires	Objectif principal	Exemple simple
Supervisé	Données avec réponses	Prédire des sorties précises	Prédire si une image contient un chat.
Non supervisé	Données sans réponses	Découvrir des structures cachées	Trouver des groupes dans des photos.
Par renforcement	Interactions avec l’environnement	Maximiser une récompense	Apprendre à un robot à marcher.

Deep Learning

Il s’agit d’une forme avancée de Machine Learning qui utilise des réseaux neuronaux profonds pour traiter d’énormes quantités de données. C’est une technologie qui ouvre les portes au domaine du Computer Vision et de la NLP (Natural Language Processing) avec les outils que vous connaissez sûrement tels que Siri, Cortana, …

LLM (Large Language Models)

Les LLM sont des intelligences artificielles entraînées sur d'énormes volumes de données textuelles pour comprendre et générer du langage naturel. Leur cerveau est une bibliothèque géante et ils sont utilisés aujourd’hui pour :

• Ecrire des textes (articles, emails, histoires, …)
• Répondre à des questions ou donner des explications
• Traduire des langues
• Créer du code pour les développeurs
• Générer des images

Ils sont capables de comprendre et de générer du langage naturel de manière extrêmement fluide.

Comme exemple nous avons :

• GPT (Generative Pre-trained Transformer) d’OpenAI
• LLaMa (Large Language Model Meta AI) de Meta (Facebook)
• Bloom - BigScience (communauté de recherche ouverte)

En plus de ceux ci vous pouvez en trouver plusieurs autres, et chacune d’eux sont intégrés dans les applications que nous utilisons au quotidien. Comme Meta AI qui est intégré dans l’application WhatsApp, ainsi que Github Copilot qui est intégré aujourd’hui à Visual Studio Code.

A quoi sert l’Intelligence artificielle ?

Nous connaissons sur les grandes ligne comment fonctionne une IA, maintenant nous devons savoir quelle est son utilité dans notre vie quotidienne. Pourquoi des grosses de l’informatique aujourd’hui investissent des milliards de dollars dans ce secteur ? Vous vous êtes sûrement déjà posé la question j’imagine … Alors, l’IA est devenue un outil essentiel dans de nombreux secteurs, offrant des solutions innovantes pour améliorer l’efficacité, réduire les coûts et optimiser les processus. Grâce à des algorithmes puissants, l’IA est capable d’automatiser des tâches, d’analyser de vastes quantités de données et de proposer des recommandations précises.

Ainsi donc plusieurs secteurs d’activité se retrouvent touchés par cette nouvelle technologie :

Santé et médecine 🏥🩺

• Diagnostics assistés par IA (radiologie, détection de cancers).
• Suivi de la santé avec des objets connectés (montres intelligentes).
• Recherche pharmaceutique (découverte de médicaments avec IA).
• Chirurgie assistée par robot.

Finance 💳🏦

• Détection de fraudes.
• Analyse des risques et gestion des investissements.
• Chatbots pour l'assistance clientèle.
• Prévision des tendances boursières.

Commerce et marketing 🛍️📈

• Recommandations personnalisées (ex. : Amazon, Netflix, Crunchyroll, …).
• Optimisation des publicités ciblées.
• Chatbots pour répondre aux clients.
• Analyse des comportements d'achat.

Transports et logistique 🚗✈️

• Véhicules autonomes (voitures, drones).
• Optimisation des itinéraires de livraison.
• Maintenance prédictive des véhicules.

Éducation 📚🎓

• Plateformes d’apprentissage personnalisé (adaptées au niveau de l’élève).
• Correction automatique des devoirs.
• Tuteurs virtuels pour les étudiants.

Nous avons par exemple Duolingo qui utilise l’IA pour personnaliser les exercices d’apprentissage des langues.

Environnement et climat 🌱🌊

• Prévision météorologique améliorée.
• Suivi et gestion des catastrophes naturelles.
• Modélisation des impacts climatiques.

Comme vous l’avez constaté, il y a énormément de secteurs qui sont affectés par la venue d’une technologie comme l’IA; et nous ne les avons même pas tous cité 😅. Mais il est aussi à souligner que les apports ne sont pas uniquement mélioratifs. Car certes l’IA facilite nos vies aujourd’hui, mais elle vient aussi avec son lot d’inconvénients et de dangers. Toutefois, nous allons de prime à bord mettre le doigt sur les mauvaises utilisations de cette dernière.

Les mauvaises utilisations de l’IA

Bien que l’IA soit un outil qui facilite la vie quotidienne de milliards de personnes aujourd’hui, elle peut aussi devenir leur pire cauchemar. Car comme une épée à double tranchant, l’IA peut aussi, entre de mauvaise mains être un outil destructeur. Le danger de manipulation de l’information et la désinformation à grande échelle sont devenus des préoccupations centrales des entreprises et experts en IA.

Par ailleurs, le secteur de le cybercriminalité connait aussi un grand essor avec de nombreux moyens mis à la disposition des hackers :

• L’automatisation des attaques : L’IA permet aux cybercriminels d’automatiser des attaques complexes, ce qui les rend plus rapides et plus fréquentes. Par exemple, les attaquants peuvent utiliser des bots basés sur l’IA pour lancer des attaques massives, comme le phishing (hameçonnage). L'IA peut personnaliser les emails ou les messages en fonction des données collectées sur les cibles, augmentant ainsi les chances que ces dernières tombent dans le piège.
• L’ingénierie sociale avancée : L’un des aspects les plus dangereux de l’IA est sa capacité à exploiter des données personnelles pour manipuler les individus. Les attaquants peuvent utiliser des algorithmes d’apprentissage automatique pour analyser des données collectées sur les réseaux sociaux ou d’autres sources et créer des attaques d’ingénierie sociale sur mesure.
• Utilisation dans la désinformation : La cybercriminalité ne se limite pas aux vols ou à la fraude ; elle peut aussi inclure la manipulation de l’opinion publique. Les IA peuvent être utilisées pour créer de faux articles, des campagnes de désinformation ou des armées de faux comptes (bots) pour influencer les débats politiques ou économiques.

Les deepfakes, par exemple, sont de plus en plus utilisés pour manipuler l’opinion publique, comme en témoigne l’essor de vidéos et de contenus audio modifiés. Ces technologies permettent de créer de fausses images ou vidéos convaincantes, capables d’influencer le processus politique et la société. En 2024, on estime que quatre milliards de personnes se rendront aux urnes dans plus de 60 pays. L’usage croissant de l’IA dans ce contexte pourrait sérieusement nuire aux élections à travers la création de fausses campagnes ou la diffusion de messages trompeurs.

Sur ces mots nous comprenons que l’IA peut avoir deux faces : celle de l’outil novateur qui fait avancer le monde et celle d’un arme utilisée à des fins personnelles pour détruire les autres. Un peu comme un couteau de cuisine pour nous permet quotidiennement de couper des tomates, d’autres peuvent s’en servir pour ôter la vie. Donc tout dépend de l’utilité que nous en faisons.

Nous voilà au terme de cet article où nous avons ensemble explorer les étapes d’évolution de l’IA au fil du temps, son principe de fonctionnement, les secteurs d’activité influencés et les dangers qu’elle peut représenter entre de mauvaises mains. Alors il se pose la question de savoir : Comment les modèles des IA sont entrainés et avec quelles données ? Les dangers de l’IA sont-ils forcément liés à une mauvaise utilisation ou son existence en elle-même constitue un danger pour nous ? L’IA va t-elle se retourner contre l’Homme comme on le voit dans de nombreux films comme Terminator ? J’aimerais bien avoir votre avis là dessus.

Merci d’avoir pris le temps de cet article et si tu as un retour à faire, je t’invite à cliquer ici pour me contacter.