1. Livres & vidéos
  2. L’intelligence artificielle expliquée
  3. Les fondamentaux de l’IA
Extrait - L’intelligence artificielle expliquée Des concepts de base aux applications avancées de l’IA (2e édition)
Extraits du livre
L’intelligence artificielle expliquée Des concepts de base aux applications avancées de l’IA (2e édition) Revenir à la page d'achat du livre

Les fondamentaux de l’IA

Ce que nous allons découvrir et les prérequis

Dans ce tout premier chapitre, nous allons débuter un voyage qui vous permettra d’explorer les nombreuses facettes de l’intelligence artificielle. Nous y découvrirons de nombreuses définitions, des concepts, des mots-clés et d’autres termes qui vous permettront d’aborder la suite de cet ouvrage dans les meilleures conditions.

Nous commencerons par l’histoire de l’intelligence artificielle afin de comprendre les enjeux auxquels nous sommes aujourd’hui confrontés, puis nous aborderons la définition de l’intelligence artificielle dite générative.

Tout cela nous amènera rapidement à la classification des différentes intelligences artificielles, en examinant les approches et les techniques actuellement utilisées pour créer des systèmes dits « intelligents ». Parmi celles-ci, nous découvrirons notamment les réseaux de neurones et les arbres de décision.

Nous plongerons ensuite dans un domaine qui vous est sans doute déjà familier, celui du machine learning, qui constitue l’une des pierres angulaires de l’intelligence artificielle contemporaine.

Les grandes familles d’algorithmes en IA seront également abordées, non pas sous un angle mathématique, mais en examinant la manière...

L’histoire de l’intelligence artificielle

L’histoire de l’intelligence artificielle a été marquée par un nombre incalculable de découvertes, de défis, d’échecs, de promesses, mais également de prouesses que vous découvrirez tout au long de cet ouvrage. Chacun de ces éléments pourrait, à lui seul, faire l’objet d’un ouvrage à part entière.

Nous tâcherons ici d’être bien plus succincts en vous proposant, dans ce tout premier chapitre, d’explorer les jalons clés de l’évolution de l’intelligence artificielle qui, vous le constaterez, n’en est plus à ses premiers balbutiements. Nous mettrons ainsi en lumière les nombreuses avancées et prouesses technologiques qui ont façonné cette discipline complexe et fascinante.

L’histoire de l’intelligence artificielle débute peu après la Seconde Guerre mondiale, dans les années 1950, ce qui peut déjà sembler surprenant à l’heure où l’on pourrait considérer cet ensemble technologique comme émergent. Rassurez-vous toutefois : tout cela a beaucoup évolué depuis. Nous parlons ici des fondements de l’intelligence artificielle, de son socle, lorsque quelques chercheurs et scientifiques visionnaires ont commencé à imaginer la possibilité de créer des machines capables d’imiter, ne serait-ce que très partiellement, l’intelligence humaine.

En 1956, des pionniers de l’informatique, des mathématiciens et des linguistes se sont réunis afin de mener des recherches sur des systèmes capables d’apprendre de manière autonome et de résoudre des problèmes considérés comme complexes. Le terme « intelligence artificielle » s’est alors imposé pour désigner ce nouveau champ de recherche prometteur.

Les premiers travaux ont conduit à la création de programmes informatiques capables de démontrer des théorèmes mathématiques, jetant ainsi les bases de certaines approches de l’intelligence artificielle. Durant cette même période, les chercheurs ont mis au point de nouveaux langages de programmation...

L’intelligence artificielle générative

L’intelligence artificielle a évolué bien au-delà des programmes exécutant des tâches prédictibles. L’une de ses avancées les plus intrigantes réside dans sa capacité à créer et à générer des contenus. Cette branche est appelée IA générative.

L’IA générative ouvre de nouvelles perspectives dans de nombreux domaines, notamment l’innovation, l’art, le divertissement et la résolution de problèmes complexes.

Elle repose sur des modèles d’apprentissage profond, tels que les réseaux antagonistes génératifs (GAN) et les Transformers, que nous aborderons progressivement dans cet ouvrage. Ces modèles sont entraînés à partir de volumes importants de données. Une fois entraînés, ils peuvent générer de nouvelles données qui présentent des caractéristiques similaires à celles des données d’entraînement.

L’IA générative peut créer des images réalistes, des compositions musicales ou encore des textes cohérents. Les GAN (réseaux antagonistes génératifs) sont notamment connus pour leur capacité à produire des images synthétiques qui peuvent...

La classification de l’intelligence artificielle

La classification de l’intelligence artificielle permet de mieux comprendre les différentes catégories de systèmes développés dans ce domaine. Nous vous proposons ci-dessous quatre catégories qu’il convient de connaître.

1. L’intelligence artificielle faible

L’IA faible, également connue sous les noms et acronymes : « d’IA étroite », de « Narrow Ai » ou bien encore « ANI », fait référence à des systèmes préalablement conçus dans le but de mener à bien une tâche précise et de manière intelligente. Elle est en fait considérée comme étant monotâche. L’IA faible se définit par la simulation d’un comportement humain, tout autant que par les contraintes que l’on lui impose en la cantonnant à une seule tâche. Elle est tout bonnement experte dans son domaine de prédilection, et incapable d’en sortir. Elle est tout bonnement experte en son domaine de prédilection.

Malgré des performances parfois impressionnantes, ces systèmes restent donc limités à leur domaine d’entraînement et ne peuvent pas généraliser automatiquement leur apprentissage à d’autres domaines.

Quelques exemples courants d’IA faible :

  • les systèmes de recommandation ;

  • les chatbots spécialisés ;

  • les moteurs de recherche ;

  • les systèmes de conduite autonome ;

  • les outils de cartographie ;

  • les assistants virtuels ;

  • les systèmes de reconnaissance faciale ;

  • Siri, l’assistant virtuel d’Apple.

Une IA faible est ainsi orientée vers un objectif défini et accomplit une ou plusieurs tâches dans un périmètre spécialisé.

Une précision s’impose ici, car la frontière a évolué depuis la première...

Les modèles d’intelligence artificielle : le Machine Learning

Dans cette section, nous explorons les différents modèles d’intelligence artificielle, à commencer par le Machine Learning (ML) et ses algorithmes, véritable pierre angulaire de l’IA.

Nous aborderons ensuite le traitement du langage naturel (NLP), qui offre aux machines la capacité de comprendre le langage humain, avant d’aborder le Deep Learning (DL) et la vision par ordinateur.

Nous découvrirons, dans cette section, comment chacun de ces modèles contribue à l’avancement de l’intelligence artificielle et ouvre la voie à des applications que vous pouvez d’ores et déjà considérer comme révolutionnaires.

Nous vous conseillons vivement de revenir régulièrement sur chacune de ces notions afin d’en maîtriser les interactions.

images/01RI05.png

Les modèles d’IA

1. L’apprentissage automatique : le Machine Learning

images/01RI06.png

Machine Learning

Le Machine Learning, abrégé ML, représente l’une des branches les plus captivantes de l’intelligence artificielle, un sujet qui pourrait remplir un livre entier à lui seul. Cette approche technologique permet aux experts en données, communément appelés data scientists, d’alimenter les algorithmes avec des ensembles de données, « donnant ainsi aux machines la capacité d’apprendre à partir des données et de produire des décisions sans que chaque règle soit explicitement programmée.

En d’autres termes, au lieu de suivre des instructions strictes, les machines peuvent acquérir des connaissances à partir de données numériques préexistantes et s’améliorer au fil du temps grâce à un apprentissage continu et à l’augmentation du volume de données disponible.

Le Machine Learning sert principalement à repérer des tendances et des similitudes, souvent désignées par le terme anglais patterns, qu’il s’agisse d’images, de mots, de statistiques ou d’autres types de données.

L’objectif sous-jacent est d’automatiser des tâches et d’effectuer des prédictions à partir de données passées....

Les principaux algorithmes supervisés pour la prédiction et la classification

images/01RI18-v2.png

Algorithmes supervisés

1. Algorithme de régression : arbre de décision (Decision Tree)

La méthode de l’arbre de décision est un outil d’aide à la prise de décision et à l’exploration de données, représenté sous la forme d’un schéma arborescent. Chaque branche de l’arbre représente une série de tests permettant de prédire un résultat, avec une décision prise à chaque extrémité. Les données sont divisées en sous-groupes à chaque test et les prédictions reposent sur les moyennes de ces sous-groupes. Par exemple, pour estimer le salaire d’un employé d’une entreprise de vente en ligne en fonction de son ancienneté et du nombre de dossiers traités, les tests successifs de l’arbre conduisent à des prédictions. L’arbre peut diviser les employés selon leur ancienneté, calculer la moyenne des salaires de chaque groupe, puis prédire le salaire d’un employé particulier à partir de ces moyennes. L’arbre de décision relève de l’apprentissage supervisé : l’algorithme utilise des données passées pour effectuer des prédictions sur de nouvelles données au moyen de branches et de tests successifs.

2. Algorithme de classification : régression logistique (Logistic Regression)

Lorsque les données ne peuvent pas être séparées de manière linéaire, l’utilisation de polynômes...

Les réseaux de neurones (Neural Networks)

Nous venons d’explorer les bases du Machine Learning ainsi que ses différents systèmes d’apprentissage. Il est désormais temps de plonger dans une nouvelle composante essentielle de l’intelligence artificielle contemporaine, à savoir l’univers des réseaux de neurones. Cet élément peut sembler compliqué à appréhender, mais nous allons tâcher de le rendre facile à comprendre.

Mais alors, qu’est-ce qu’un réseau de neurones ? Est-il inspiré du fonctionnement du cerveau humain ? La réponse est oui.

Les réseaux de neurones sont bel et bien des modèles inspirés du fonctionnement de notre cerveau. Tout comme notre cerveau est composé de milliards de cellules appelées « neurones », un réseau de neurones artificiels est constitué de petits morceaux appelés neurones artificiels.

Ils sont conçus pour se parler les uns les autres dans un objectif d’apprentissage permanent et ont vocation à résoudre des problèmes de manière totalement similaire à notre propre système nerveux. Chaque neurone intercepte des informations, les mélange puis les envoie à d’autres neurones. En travaillant ensemble, ces neurones artificiels peuvent apprendre une multitude de choses, comme distinguer un animal dans une image.

Nous pouvons faire le parallèle avec l’apprentissage que nous avons tous et toutes vécu d’enfants, dès lors que nous apprenions à reconnaître les formes géométriques par exemple. Nos parents nous ont appris à distinguer ces dernières, telles que le carré ou le rond, et ainsi petit à petit nos jeunes cerveaux ont commencé à comprendre la différence entre celles-ci. Notez donc que les réseaux de neurones fonctionnent de la même manière.

À retenir : les réseaux de neurones sont l’une des méthodes d’apprentissage automatique.

L’apprentissage des réseaux de neurones pourrait ressembler à l’apprentissage pour une personne lambda d’un nouvel instrument de musique. Au début, c’est complexe, mais plus nous pratiquons, plus nous...

Le traitement du langage naturel (NLP)

Nouvelle branche que nous vous proposons d’aborder dans ce chapitre et tout aussi passionnante que les précédentes : le traitement du langage naturel (Natural Language Processing, ou NLP).

images/01RI21.png

NLP

La raison d’être du NLP consiste à permettre la compréhension et la manipulation du langage humain par nos machines, rien que ça !

Pour l’histoire, le NLP remonte aux balbutiements de l’informatique dans les années 1950, mais son développement significatif s’est accéléré ces dernières décennies grâce aux avancées technologiques de l’intelligence artificielle.

Les tout premiers travaux se concentraient à cette époque essentiellement sur la traduction automatique. Une décennie plus tard dans les années 1960, de nouvelles approches sont apparues permettant notamment d’adjoindre des règles grammaticales à la traduction automatique.

1964 vit d’ailleurs la sortie du tout premier robot conversationnel dénommé Eliza créé par Joseph Weizenbaum (https://fr.wikipedia.org/wiki/ELIZA).

Dans les années 1990, l’approche statistique a également fortement gagné en popularité. Les chercheurs ont utilisé des modèles basés sur des statistiques et des probabilités afin de résoudre des tâches du NLP, telles que la reconnaissance de la parole et la traduction automatique.

C’est au cours de la dernière décennie que l’utilisation des réseaux de neurones profonds a révolutionné le NLP. Les modèles de traitement du langage basés sur l’apprentissage profond ont permis d’obtenir des performances absolument remarquables dans de nombreuses tâches, telles que la traduction automatique, la génération de texte et l’analyse des sentiments.

Aujourd’hui, les deux principales tâches du NLP sont :

  • la compréhension du langage naturel (NLU) ;

  • la génération du langage naturel (NLG).

1. La compréhension du langage naturel (N.L.U)

La compréhension du langage naturel (NLU) constitue l’art de déchiffrer le sens caché au sein d’un texte ou d’une conversation, bien au-delà d’une...

Le Deep Learning : apprentissage profond

images/01RI23.png

Deep Learning

Le Deep Learning est une approche de l’apprentissage automatique Machine Learning) que nous avons aperçu en tout début de chapitre. Vous le reconnaîtrez également sous le nom d’apprentissage profond.

La raison d’être du Deep Learning est de permettre aux machines d’apprendre à partir de grandes quantités de données.

Son objectif final consiste à résoudre des problématiques complexes.

1. L’histoire du Deep Learning

L’histoire du Deep Learning est une évolution technologique qui a vu cette branche de l’intelligence artificielle évoluer et se développer au fil des décennies. Voici une rétrospective des moments clés de l’histoire du Deep Learning :

Dans les années 1940, les premiers travaux dans le domaine des réseaux neuronaux, qui constituent la base du Deep Learning, ont été réalisés par des chercheurs tels que Warren McCulloch (https://fr.wikipedia.org/wiki/Warren_McCulloch) et Walter Pitts.

Leurs travaux ont posé les fondations théoriques des réseaux neuronaux comme modèle mathématique visant à simuler le fonctionnement du cerveau.

Au cours des décennies suivantes, l’intelligence artificielle a connu diverses avancées, mais les réseaux neuronaux sont restés en grande partie relativement peu étudiés.

Les chercheurs ont plutôt privilégié d’autres approches, comme les arbres de décision et les machines à vecteurs de support (SVM), pour résoudre des problèmes d’apprentissage automatique.

Le Deep Learning a connu un rebond au début des années 2000 grâce à des avancées technologiques et des avancées théoriques. L’augmentation de la puissance de calcul, en particulier avec l’utilisation de GPU (processeurs graphiques), a permis d’entraîner des réseaux neuronaux profonds bien plus rapidement.

Des chercheurs ont également développé des techniques d’entraînement plus performantes. Le Deep Learning est ainsi devenu de plus en plus populaire à partir de 2012, année où le réseau AlexNet...

Les Large Language Models (LLM)

L’un des bouleversements majeurs de ces deux dernières années est l’apparition d’une nouvelle famille de modèles d’intelligence artificielle désormais omniprésente dans notre quotidien : les modèles de langage de grande taille, parfois désignés par leur acronyme anglophone LLM, pour Large Language Models. 

Si ce terme vous semble technique au premier abord, rassurez-vous : il ne cache rien d’incompréhensible.

En réalité, un LLM est un modèle d’intelligence artificielle entraîné à lire, à comprendre et à produire du texte en langage naturel. Toutefois, contrairement aux modèles de langage statistiques que l’on enseignait dans les années 2000 et 2010, qui devinaient le mot suivant à partir des deux ou trois mots précédents, les LLM reposent sur l’architecture Transformer, publiée par Google en 2017. Elle leur permet de tenir compte de tout le contexte d’un texte, et de s’entraîner sur des quantités de données et une puissance de calcul autrefois inimaginables.

Un LLM n’apprend pas comme un écolier qui mémorise un manuel. Il observe des millions de phrases, repère des structures, identifie des relations, apprend les tournures et les enchaînements logiques, puis...

Les modèles de raisonnement

Depuis 2025, une évolution supplémentaire mérite d’être mentionnée, car elle change la nature même de ce que fait la machine. Les premiers modèles de langage répondaient immédiatement, en enchaînant les mots les uns après les autres sans jamais revenir en arrière.

Les modèles dits « de raisonnement » produisent d’abord, pour eux-mêmes, une réflexion intermédiaire qu’ils ne vous montrent pas toujours : ils décomposent le problème, testent une piste, se corrigent, puis rédigent la réponse. Concrètement, ils prennent le temps de réfléchir avant de parler.

Le gain est spectaculaire sur les tâches qui demandent de la rigueur, notamment en mathématiques, en programmation et en raisonnement juridique.

Le coût l’est aussi, puisque cette réflexion intermédiaire consomme de la puissance de calcul.

C’est un arbitrage que nous opérons régulièrement : sur un traitement exécuté un million de fois par mois, le modèle qui réfléchit peut coûter plusieurs fois, parfois dix fois ou davantage, le prix de celui qui répond du tac au tac. L’écart dépend du modèle, de sa grille tarifaire et surtout du nombre de tokens de « réflexion »...

Conclusion

Dans ce premier chapitre, nous avons passé en revue les fondamentaux de l’intelligence artificielle, un domaine fascinant qui ne cesse de façonner notre monde en profondeur.

De l’histoire de l’IA, depuis ses débuts modestes jusqu’à ses avancées spectaculaires, aux différentes classifications des intelligences artificielles, nous avons exploré les bases essentielles qui sous-tendent ce domaine en constante évolution.

Nous avons également exploré le monde captivant de l’intelligence artificielle générative, où les machines peuvent créer de nouveaux contenus artistiques et fonctionnels.

Nous avons également abordé le Machine Learning et ses algorithmes puissants, qui permettent aux ordinateurs d’apprendre à partir de données, ainsi que les réseaux de neurones, qui ont transformé la manière dont nous abordons des tâches complexes telles que la vision par ordinateur et le traitement du langage naturel.

Le chapitre a également exploré l’univers du Deep Learning, mettant en lumière la façon dont les réseaux de neurones profonds ont ouvert de nouvelles perspectives pour l’IA, notamment dans la reconnaissance d’images et la compréhension du langage naturel.

Nous avons enfin abordé les modèles de langage...