Blog ENI : Toute la veille numérique !
Accès illimité 24h/24 à tous nos livres & vidéos ! 
Découvrez la Bibliothèque Numérique ENI. Cliquez ici
Accès illimité 24h/24 à tous nos livres & vidéos ! 
Découvrez la Bibliothèque Numérique ENI. Cliquez ici
  1. Livres et vidéos
  2. Intelligence Artificielle
  3. Les domaines de l'Intelligence Artificielle
Extrait - Intelligence Artificielle Impact sur les entreprises et le business (2e édition)
Extraits du livre
Intelligence Artificielle Impact sur les entreprises et le business (2e édition)
3 avis
Revenir à la page d'achat du livre

Les domaines de l'Intelligence Artificielle

Introduction

Contrairement à ce qui était envisagé quelque cinquante ans plus tôt, notamment au travers de l’intelligence artificielle HAL9000 (voir 2001 L’Odyssée de l’espace), l’intelligence artificielle ne peut pas être vue comme une entité unique faisant tout (du moins pas encore). Au contraire, l’intelligence artificielle a été découpée en plusieurs domaines et sous-domaines donnant lieu pour chacun d’entre eux à des recherches spécifiques, des solutions diverses et à des applications différentes. Chacun de ces domaines et sous-domaines répondant à des problématiques circonstanciées.

HAL 9000 (CARL 500 en version française) est un supercalculateur de fiction inventé en 1968. C’est un système avancé d’intelligence artificielle forte, capable de participer avec fluidité à une conversation avec un humain et cela au travers d’une interface de synthèse vocale optimisée. Il est aussi apte à prendre de manière autonome des décisions tout en gérant tous les systèmes de navigation, de contrôle et de communication du vaisseau.

Neuf domaines sont considérés aujourd’hui comme les fondations de l’intelligence artificielle. Ces domaines mentionnés ci-dessous vont être...

Le test de Turing

Le test de Turing est une proposition de test d’intelligence artificielle fondée sur la faculté d’une machine à imiter la conversation humaine.

1. Description

Alan Turing est un mathématicien britannique qui est considéré comme le père des ordinateurs modernes, tout du moins pour la partie théorique. Il est aussi connu pour ses travaux en cryptographie et conçut une machine qui lui permit de décrypter les messages secrets allemands pendant la deuxième guerre mondiale. En parallèle, Turing a travaillé sur l’intelligence des machines et les problèmes qu’elle pourrait soulever. Il élabora un test qui a pris son nom : « Le test de Turing ».

Le principe du test de Turing : un humain, appelé juge, échange par écrit, au travers d’un clavier d’ordinateur, avec un humain et une machine. Les messages peuvent porter sur tous les types de sujets. L’objectif pour le juge est de déterminer qui de ses interlocuteurs est l’humain et qui est la machine. La machine sera considérée comme intelligente si elle est capable de tromper le juge dans au moins la moitié des cas.

L’exercice est beaucoup plus difficile qu’il n’y paraît. La machine peut donner l’illusion un certain moment ou sur certains sujets, mais des questions basiques, voire très simples, peuvent révéler la « supercherie ». Par exemple, demander à l’interlocuteur caché d’effectuer une opération compliquée telle qu’une division entre deux grands nombres. Si le temps de réponse est trop rapide, il peut facilement trahir la machine. Il faut ainsi que le programme informatique comprenne que la question posée est difficile, voire impossible pour un humain, et feindre la lenteur ou l’ignorance. L’humour ou l’empathie peuvent être de la même manière une autre méthode pour piéger la machine.

C’est dans un article désormais culte (Computing Machinery and Intelligence, Mind, octobre 1950) que Turing a défini les bases du premier test. Turing prévoyait que les programmes informatiques réussiraient ce test dans les cinquante prochaines années. À ce jour...

La vision

1. Description

Les yeux ne servent qu’à capter le signal contenu dans les rayons lumineux qui viennent frapper les rétines, en aucun cas ils ne permettent d’en extraire des informations. Ils font partie d’un ensemble beaucoup plus complet et plus complexe. Le cortex visuel fait partie de cet ensemble et est la zone du cerveau qui va extraire les informations. Ces informations sont ensuite décodées et analysées par d’autres parties du cerveau.

La vision est l’association entre le sens de la vue et un ensemble de processus cognitifs pour lesquels nous avons besoin d’utiliser notre cerveau.

La vision par ordinateur, aussi appelée vision artificielle ou vision numérique, est une branche de l’intelligence artificielle dont le principal but est de permettre à une machine de « voir » et éventuellement de « reconnaître ». Les objectifs de ce domaine sont l’analyse, le traitement, l’interprétation, et la compréhension d’images prises par des systèmes d’acquisition, que ce soient des capteurs, des analyseurs de spectre, des appareils-photo, des caméras, ou tout autre procédé.

La vision par ordinateur peut être totalement différente de celle de l’humain. Elle est basée sur des composants électroniques et n’a de fait plus les limitations physiques de la vision humaine.

Cette vision peut être à champ large comme certains oiseaux, à facettes comme certains insectes, nocturne, à large spectre avec la possibilité de voir toutes sortes de fréquence, toutes sortes de variations de couleurs, à granularité très fine permettant de voir des détails microscopiques.

La vision par ordinateur peut être divisée en sous-domaines qui sont autant d’axes de recherche. On trouve essentiellement aujourd’hui :

  • L’acquisition des images : c’est la conception et l’élaboration des composants électroniques nécessaires à la vue (caméras de toutes sortes, capteurs, détecteurs de mouvements, composants électroniques, etc.).

  • L’analyse et la reconnaissance d’images : cela permet de reconnaître des visages, des parties de corps, des humains...

La robotique

1. Description

La robotique est l’ensemble des techniques, technologies et solutions qui permettent la conception et la réalisation de machines ou entités automatisées et « autonomes ». Les robots sont aujourd’hui la forme aboutie de ce domaine.

La définition du robot donnée par L’ATILF est la suivante : « Appareil effectuant, grâce à un système de commande automatique à base de microprocesseur, une tâche précise pour laquelle il a été conçu dans le domaine industriel, scientifique, militaire ou domestique ».

Il est ainsi possible d’imaginer deux types de robotique :

  • Une robotique physique faite de machines, de capteurs, gérée par des algorithmes lui permettant d’être plus ou moins autonome pour les tâches qu’elle effectue.

  • Une robotique virtuelle ou les robots peuvent être des assistants virtuels, des robots logiques capables d’effectuer automatiquement un certain nombre d’actions.

Cette section se consacre à la robotique physique, les assistants virtuels ont été décrits plus avant dans ce chapitre. Je considérerai donc l’ensemble des domaines scientifiques et industriels qui sont en rapport avec la conception et la réalisation de robots.

Le nom commun robotique vient de l’anglais « robotics », imaginé par le romancier Isaac Asimov écrivain américain né en Russie et popularisé par un livre publié en 1942 (Runaround, Astounding Science Fiction, mars 1942) dans lequel il décrit les trois lois de la robotique qui sont encore considérées aujourd’hui. L’origine du mot robot provient de la langue tchèque dans laquelle « robota » signifie travail forcé.

En rappel, les trois lois d’Asimov :

Loi 1 : un robot ne peut porter atteinte à un être humain ni, restant passif, permettre qu’un être humain soit exposé au danger.

Loi 2 : un robot doit obéir aux ordres que lui donne un être humain, sauf si de tels ordres entrent en conflit avec la première loi.

Loi 3 : un robot doit protéger son existence tant que cette protection n’entre pas en conflit avec...

La connaissance

1. Description

Dans le cadre de cette étude sur l’intelligence artificielle, j’aborderai plus la représentation de la connaissance que la connaissance elle-même. C’est-à-dire que je détaillerai l’ensemble des outils et des procédés qui aident à la représentation de la connaissance, ceux qui permettent d’organiser le savoir humain dans le but de l’utiliser et le partager et enfin les méthodes de raisonnement qui utilisent cette connaissance.

La gestion de la connaissance et le raisonnement sont une des branches les plus anciennes de l’intelligence artificielle, le but est de permettre à une machine d’avoir accès à la connaissance, de raisonner et de déduire.

On a tous en tête l’exemple de raisonnement (d’inférence) suivant qui a été la base de nos systèmes experts.

  • Tout homme est mortel.

  • Socrate est un homme.

  • La machine déduit ensuite, sans jamais avoir eu l’information directe, que Socrate est mortel.

a. La gestion de la connaissance

La gestion de la connaissance (Knowledge Managementou KM) est une discipline de l’intelligence artificielle dont l’objectif est d’utiliser la connaissance de la manière la plus complète et la plus pertinente possible. On y retrouve les méthodes et les outils logiciels permettant d’identifier, de capitaliser sur les connaissances afin notamment de les organiser, de les diffuser et de les utiliser.

D’où provient la connaissance ?

La connaissance est issue de plusieurs sources d’information structurées ou non structurées et, comme l’ont défini Nonaka et Takeuchi deux experts de la gestion de la connaissance, nous distinguons généralement deux formes de connaissance :

  • La connaissance tangible, également appelée connaissance explicite. C’est la connaissance formalisée et sauvegardée qui peut être retrouvée « facilement » par un système. Elle est généralement issue d’informations stockées dans les bases de données, des documents électroniques ou non, des photos, des vidéos, des séquences de son, etc.

  • La connaissance intangible, également appelée connaissance...

La planification automatique et l’ordonnancement

1. Description

C’est une branche de l’intelligence artificielle qui concerne l’ordonnancement et la planification de tâches, la réalisation de séquences d’actions ou de stratégies et la prise de décisions. Ce domaine est très lié à l’autonomie d’entités et les technologies associées sont utilisées essentiellement par les agents intelligents, les robots autonomes et les véhicules autonomes. C’est un domaine qui doit trouver des solutions complexes à des problèmes complexes dont le contexte est fortement lié à l’environnement et par conséquent, lié des actions à prendre dans des environnements multidimensionnels non connus.

Dans les environnements connus avec des modèles disponibles, la planification peut être effectuée en dehors de toute action et des solutions peuvent être trouvées et évaluées avant l’exécution.

Cependant, dans des environnements inconnus, les modèles doivent être adaptés et adaptables et la stratégie doit être dynamique et être révisée en temps réel.

L’objectif de ce domaine est de gérer des états intermédiaires jusqu’à l’aboutissement de l’état déclaré comme étant l’état final. Pour se faire, on part des états initiaux, de la description des buts désirés et d’une description de toutes les actions possibles. Il faut ensuite bâtir des plans (c’est le rôle des agents) qui garantissent qu’en partant des états initiaux et utilisant les actions possibles, on arrive bien à l’état final et que ce dernier satisfait bien les buts définis.

En intelligence artificielle, la planification automatique a plus d’une quarantaine d’années d’existence. Un des systèmes fondateurs a été STRIPS en 1971.

Pour être réellement utiles, et pouvoir vraiment permettre de traiter des problèmes réels, ces planificateurs nécessitent maintenant l’intégration de la prise en compte de ressources, du temps, de l’incertitude, et cela en conservant...

Le langage naturel

1. Description

La définition du langage naturel qui est un langage compris et parlé par un humain est à différencier des langages formels et informatiques. Dans le cadre de l’intelligence artificielle, le domaine du langage naturel est la compréhension d’une langue par une machine et la communication avec les humains au travers de celle-ci.

Bien entendu, des langues sont plus compliquées que d’autres, la complexité d’une langue dépendant essentiellement des ambiguïtés qu’elle véhicule (voir exemple ci-dessous) et de la richesse de la grammaire qu’elle utilise pour la structurer.

Si je dis : « Paul dit à Jean qu’il a mal à la tête. »

  • À combien de personnes avons-nous à faire ?

Deux diront certains, trois pour d’autres. En effet, c’est trois : « Paul », « Jean » ou « il ».

Mais qui a mal à la tête ?

Cette question mène à une ambiguïté, il n’y a aucun moyen de le savoir sans connaître de manière précise l’environnement et le contexte lors duquel cette phrase est prononcée. Et un problème pourrait survenir si une machine autonome devait traiter le mal de tête. On peut imaginer que la machine se trompe de personne et que la personne choisie soit allergique à certains des médicaments prescrits.

Le traitement du langage naturel implique un certain nombre d’outils issus du monde de la linguistique comme la syntaxe, la sémantique, les analyses contextuelles. Dans le cadre de l’intelligence artificielle, on parle de traitement automatique du langage naturel ou de la langue naturelle (TALN) ou traitement automatique des langues (TAL) ce domaine est ainsi à la frontière de la linguistique et de l’informatique.

Le traitement automatique du langage naturel est un domaine qui est considéré comme la fondation d’autres domaines de l’intelligence artificielle...

L’apprentissage

1. Description

L’apprentissage automatique (Machine Learning) est un domaine de l’intelligence artificielle qui concerne la conception, l’analyse, le développement et l’implémentation de méthodes et d’algorithmes permettant à une machine d’apprendre, d’évoluer et d’acquérir les connaissances nécessaires afin de réaliser des tâches ou résoudre des problématiques complexes.

Il existe trois types d’apprentissages :

  • L’apprentissage supervisé : il permet le développement de modèles de prédiction qui se basent sur des données en entrée et en sortie. C’est-à-dire tenant compte du résultat ou des résultats précédents.

images/02DP30.png

Apprentissage supervisé

  • L’apprentissage non supervisé : se base sur des données en entrée uniquement. Aucun expert n’est requis, le système doit retrouver par lui-même la structure plus ou moins cachée des données qu’il a en entrée et en déduire des explications.

images/02DP31.png

Apprentissage non supervisé

  • L’apprentissage par renforcement : il fait référence à une classe de problèmes d’apprentissage automatique, dont le but est d’apprendre, à partir d’expériences, ce qu’il convient de faire en différentes situations, de façon à optimiser une récompense quantitative au cours du temps.

images/02DP32.png

Apprentissage par renforcement

Ces trois types d’apprentissages génèrent différentes catégories d’algorithmes qui se divisent en trois sous-types :

  • La classification et la régression pour l’apprentissage supervisé.

  • Le clustering pour l’apprentissage non supervisé.

Ces algorithmes sont succinctement décrits dans les sections suivantes. Le but n’est pas de fournir une description complète des algorithmes, mais plutôt de fournir une idée assez générale de leur fonctionnement.

a. La classification

La classification est une catégorie du mode supervisé de l’apprentissage automatique. Elle permet de prédire une catégorie. Les données sont utilisées et classées afin...

Le raisonnement automatisé

1. Description

Le raisonnement automatique est à différencier du « raisonnement » des systèmes experts, même si ces derniers peuvent être considérés comme des précurseurs. En effet, les systèmes experts donnent l’impression de raisonner parce qu’ils savent s’adapter à une situation et sont capables de reproduire les compétences et le raisonnement d’un ou de plusieurs experts, dans un domaine particulier.

Par contre, le raisonnement automatisé est un domaine de l’informatique consacré à la compréhension des différents aspects du raisonnement qui cherche à concevoir des algorithmes, des méthodes et des logiciels qui vont permettre aux machines de raisonner comme le ferait un humain. Il est considéré habituellement comme un sous-domaine de l’intelligence artificielle, où ce raisonnement se veut automatique et doit permettre à terme de rendre la machine autonome dans ses prises de décision.

Afin de comprendre les différents aspects du raisonnement, le raisonnement automatique, qu’il soit total ou partiel, s’appuie sur les sciences de l’informatique théorique, les diverses logiques (modale, formelle, temporelle, floue), les mathématiques et même la philosophie.

Il n’existe pas une manière de raisonner, nous pouvons définir plusieurs qui peuvent être combinées entre elles :

  • Le raisonnement par analogie : on compare l’affirmation que l’on veut évaluer avec une ou plusieurs affirmations que l’on détermine comme comparables et dont on connaît le résultat.

  • Le raisonnement par déduction : on part d’une idée générale, d’un principe, d’une loi pour en tirer une conséquence particulière.

  • Le raisonnement par induction : on part d’un ou de plusieurs faits particuliers pour en tirer un principe, une loi, une idée générale. C’est le raisonnement inverse du raisonnement par déduction.

  • Le raisonnement par abduction : cela consiste, en observant un ou plusieurs faits dont on connaît une cause possible et la plus vraisemblable, à prendre cette cause comme hypothèse...

La prise de décision

1. Description

La décision est le fait de comparer plusieurs possibilités et faire un choix entre plusieurs alternatives. Cette prise de décision consciente et réfléchie qui était l’apanage de l’humain est aujourd’hui partagée avec les machines.

En effet, comme nous l’avons évoqué dans les sections précédentes, les quantités astronomiques de données générées par la transformation numérique, l’apparition des machines intelligentes, l’apprentissage automatisé, les analyses prédictives, les algorithmes autonomes, les interfaces intuitives vont accroître l’automatisation intelligente dans tous les secteurs. Dès aujourd’hui, des algorithmes sont capables de déceler ce que l’humain est incapable de voir, d’imaginer.

On voit une augmentation du support en matière de prise de décisions déjà intégrée dans de nombreuses formes de travaux des plus basiques aux plus pointus. Dans de nombreux domaines, les outils d’intelligence artificielle ont le potentiel d’améliorer la prise de décision humaine, mais également de se substituer entièrement à elle. Il est donc important de réévaluer régulièrement l’impact décisionnel des préférences et hypothèses des algorithmes.

La prise de décision par des machines revêt aujourd’hui trois différentes formes :

  • La prise de décision assistée : l’humain critique la décision qui pourrait être prise par une machine. Les résultats des analyses et la décision ou les décisions sont fournis à l’humain qui seul décide si ceux-ci sont valides. Comme vu dans l’apprentissage automatisé, un système de récompense peut être mis en place.

  • La prise de décision partielle : l’humain se fait assister de la machine pour prendre sa décision. Des décisions intermédiaires sont prises par la machine, l’humain prenant la décision définitive. Un ensemble de décisions alternatives peut être fourni par la machine, l’humain choisit ensuite l’une d’entre elles....

En conclusion

Nous voyons que les domaines et sous-domaines de l’intelligence artificielle sont nombreux et que leurs champs d’applications sont vastes et variés. Néanmoins, ces domaines, même s’ils se recoupent parfois, s’intéressent à des problématiques différentes. C’est ce que nous verrons au travers du processus cognitif dans un prochain chapitre.

Les graphiques ci-dessous nous montrent le marché et l’évolution de l’intelligence artificielle à moyen terme (sources : IDC).

IMAGES/02DP06N.png

Évolution du marché des logiciels d’intelligence artificielle, en milliards d’euros (sources : GrandViewResearch, Statista, IDC)

IMAGES/02DP07N.png

La répartition des logiciels d’intelligence artificielle (IDC)

2021 - quelques chiffres impressionnants (sources : Gartner, GrandVie-wResearch, Statista, IDC) :

  • La taille du marché mondial de l’intelligence artificielle passera de 93,53 milliards de dollars en 2021 à 997,77 milliards de dollars en 2028.

  • La taille du marché européen de l’intelligence artificielle prévue en 2025 est de 10 milliards de dollars.

  • La taille du marché américain de l’intelligence artificielle prévue en 2025 est de 42 milliards de dollars.

  • La taille du marché de l’intelligence artificielle augmentera à un taux de croissance annuel composé...

Sources et références

Je cite ci-dessous quelques-unes des sources que j’ai utilisées pour ce chapitre. La liste n’est pas exhaustive, mais elle recense la plus grande partie d’entre elles.

Introduction

Le test de Turing

  • Ashrafian Hutan, Darzi Ara, Athanasiou Thanos : A novel modi-fication of the Turing test for artificial intelligence and robotics in healthcare. Int J. Med Robot, 2015.

  • CAPTCHA, test public de Turing entièrement automatique ayant pour but de distinguer les humains des ordinateurs.

  • Chabot, Pascal. Chatbot le robot. Paris : PUF, 2015, 70 p.

  • Chabot, Pascal. Mais à quoi servent donc les chatbots ? Challenges, 1er février 2017.

  • Geman, Donald; Geman, Stuart; Hallonquist, Neil; Younes, Laurent (2015-03-24). Visual Turing test for computer vision systems. Proceedings of the National Academy of Sciences. 112 (12): 3618-3623.

  • Google duplex video : Duplex books a table for Laurel :   https://www.youtube.com/watch?v=SOG8D7b-L3E

  • Harnad, Stevan. The Annotation Game: On Turing (1950) on Computing, Machinery, and Intelligence. In Robert Epstein & Grace Peters (eds.). Kluwer Academic Publishers, 2006.

  • Turing, Alan. Computing machinery and intelligence. Oxford University Press, octobre 1950, vol. 59, no 236, p. 433.

  • Turing, Alan et Girard, Jean-Yves. Les Ordinateurs et l’Intelligence : La machine de Turing. Éditions du Seuil, 1995, p. 133-175.

  • Weizenbaum, Joseph. ELIZA - A Computer Program For the Study of Natural Language Communication Between Man And Machine. Communications of the ACM, January 1966, p. 36-45.

  • Wikipédia. Article Alan Turing de Wikipédia en français.

  • Wikipédia Visual Turing Test : https://en.wikipedia.org/wiki/Visual_Turing_Test.

  • Zenil, Hector. Quantifying Natural and Artificial Intelligence in Robots and Natural Systems with an Algorithmic Behavioural Test. Unit of Computational Medicine, Stockholm, Sweden & Algorithmic Nature Group, LABoRES, Paris, France, Dec 2014.

La vision

  • ACCV. Computer Vision - ACCV 2016, Partie 3.

  • Auer, Peter et al. A Research Roadmap of Cognitive Vision.

  • Bak, Slawomir. Human Reidentification Through a Video Camera Network. Computer Vision and Pattern Recognition. PhD, université Nice Sophia Antipolis, 2012.

  • ECVision. the European Research network...