Les mathématiques de l’IA
Introduction
Tout au long de cet ouvrage consacré à la démystification de l’intelligence artificielle, nous avons déjà parcouru un chemin considérable.
Vous avez eu l’opportunité de plonger dans les différentes étapes de création de l’intelligence artificielle, d’explorer les outils essentiels à sa conception et de découvrir les systèmes qui ont fait entrer l’IA générative dans le quotidien de centaines de millions de personnes, qu’ils viennent d’OpenAI, d’Anthropic, de Google, de Mistral AI ou de DeepSeek. Nous avons également pris le temps d’explorer les différents métiers liés à l’intelligence artificielle, ainsi que les agents autonomes, capables aujourd’hui d’agir et non plus seulement de répondre.
Dans ce nouveau chapitre, nous souhaitons aborder un sujet souvent redouté : les mathématiques et, plus précisément, les mathématiques de l’intelligence artificielle.
Ne vous laissez pas décourager, car nous n’allons pas plonger dans une analyse scientifique complexe ni dans des équations indéchiffrables. Au contraire, notre objectif est de rendre accessibles les bases pratiques des mathématiques de l’intelligence artificielle, sans entrer dans le détail, afin...
Algèbre linéaire et matrices
L’algèbre linéaire est l’un des piliers mathématiques de l’intelligence artificielle. Elle permet de mener à bien des activités de transformation de données, de modéliser des problèmes algorithmiques, mais également de fournir les outils mathématiques essentiels qui permettent à nos systèmes d’intelligence artificielle de comprendre, analyser et manipuler des données de manière pleinement efficace.
Dans l’intelligence artificielle, les données sont fréquemment représentées sous forme de vecteurs ou bien encore de matrices.
-
Les vecteurs, nous le verrons dans la section suivante, sont utilisés à des fins de stockage d’informations, qu’il s’agisse d’images, de textes ou de tout autre type de données.
-
Les matrices, quant à elles, sont régulièrement employées dans le but de traiter des données en masse. C’est par exemple le cas en Machine Learning.
Dans de nombreuses méthodes de Machine Learning telles que la régression linéaire ou bien encore les réseaux de neurones que vous avez pu découvrir dans cet ouvrage, l’algèbre linéaire est omniprésente. Son utilité réside dans sa capacité à ajuster les modèles...
Vecteurs : les flèches de données
Un vecteur, c’est tout simplement une liste ordonnée de nombres. En physique, on le dessine comme une flèche, parce qu’il faut deux informations pour décrire le vent : sa force, par exemple 30 km/h, et sa direction, vers le nord. L’IA reprend cette idée en multipliant les informations. Un appartement peut ainsi se décrire par le vecteur [65 ; 3 ; 2 ; 1998] : sa surface, son nombre de pièces, son étage et son année de construction. Chaque nombre est une caractéristique, et le vecteur les rassemble dans un ordre convenu. Comme une flèche, il occupe une position dans un espace, ce qui a une conséquence précieuse : deux appartements qui se ressemblent ont des vecteurs proches. Retenez cette idée, elle reviendra tout au long du chapitre.
Un exemple appliqué : le traitement d’images
Dans le cadre du traitement d’une image, par exemple de 16 × 16 pixels, chaque pixel est soit :
-
Noir (0)
-
Blanc (1)
Nous pourrions donc représenter cette image comme un vecteur de 256 éléments, où chaque élément constitue la valeur du pixel.
C’est ainsi que l’intelligence artificielle utilise ces vecteurs dans le but d’identifier des motifs dans les images ou encore de reconnaître des chiffres manuscrits....
Matrices : outils de transformation
Les matrices représentent des ensembles de vecteurs.
Imaginez cette fois-ci toute une collection de flèches pointant dans différentes directions. Les matrices sont utilisées pour transformer les données et effectuer des opérations sur elles.
Elles peuvent être utilisées par exemple pour redimensionner des images, ajuster des couleurs ou même pour transformer des coordonnées spatiales.
Un exemple appliqué : les applications graphiques
Supposons par exemple que vous souhaitiez dessiner un cube en 3D sur un écran 2D.

Projeter une figure 3D sur un écran 2D
Les matrices de transformation peuvent être utilisées pour projeter les points du cube sur l’écran de manière réaliste. Cela permet de créer des graphiques et des animations en 3D.
L’une des approches clés dans ce domaine repose sur l’utilisation de bases de données dites vectorielles.
L’objectif d’une base de données vectorielle consiste dans ce cas précis à stocker informatiquement l’ensemble des données nécessaires à l’identification des caractéristiques données, telles que celles d’un visage dans l’exemple précédent, sous sa forme vectorielle.
Ces bases de données jouent en effet un rôle crucial dans...
Calcul différentiel et optimisation
1. Calcul différentiel
Parmi les domaines mathématiques clés utilisés dans l’univers de l’intelligence artificielle, le calcul différentiel et l’optimisation jouent un rôle absolument essentiel.
Le calcul différentiel est une branche des mathématiques qui étudie la manière dont une grandeur varie lorsqu’une autre change, autrement dit les taux de variation.
Le calcul différentiel permet de comprendre comment les paramètres d’un modèle influencent ses propres performances.
À retenir : l’idée de base derrière le calcul différentiel consiste à mesurer les variations entre différentes valeurs. Pour les machines, cela signifie prendre des données, comme des images ou des chiffres, et calculer comment de petites modifications dans ces données influencent les résultats.
Prenons le monde de la reconnaissance d’images et imaginons que nous souhaitions apprendre à notre intelligence artificielle à reconnaître des ours sur des photos. Pendant l’entraînement, le calcul différentiel répond à une question très précise : si je modifie légèrement tel réglage interne du modèle, ce que l’on appelle un paramètre, son erreur...
Probabilités et statistiques pour comprendre les données
1. Probabilités
Les probabilités sont essentielles dans l’univers de l’intelligence artificielle. Elles permettent de modéliser la notion suivante d’incertitude. En intelligence artificielle, la probabilité est utilisée dans une multitude de contextes, principalement :
-
La classification : elle permet de déterminer la classe d’appartenance d’un objet. Remémorez-vous l’exemple du pingouin dans le premier chapitre : une intelligence artificielle est susceptible d’utiliser la probabilité pour déterminer si une image représente un chat ou un chien.
-
La régression : pour prédire une valeur continue. Par exemple, une IA peut utiliser la probabilité pour prédire le prix d’une maison ou le temps qu’il fera demain.
-
L’apprentissage automatique : pour apprendre à partir de données. Par exemple, une IA peut utiliser la probabilité pour apprendre à reconnaître des visages ou à traduire des langues.
Voici quelques exemples d’utilisation des probabilités en intelligence artificielle :
-
Google Traduction : il utilise la probabilité pour déterminer la meilleure traduction d’une phrase.
-
Amazon Rekognition : il utilise la probabilité pour identifier des objets...
Les trois piliers réunis : ce qui se passe quand vous écrivez à une IA
Nous avons examiné trois grands domaines séparément : l’algèbre linéaire, avec ses vecteurs, ses matrices et ses embeddings ; le calcul différentiel et l’optimisation, avec la descente de gradient ; et enfin les probabilités et les statistiques. Le moment est venu de les faire se rencontrer sur l’exemple que vous connaissez le mieux : celui d’un assistant conversationnel à qui vous posez une question. Ce qui suit est une simplification assumée dans l’esprit de vulgarisation qui anime cet ouvrage, mais elle est fidèle dans son principe et elle vous donnera une image mentale correcte de ce qui se produit réellement quand vous appuyez sur la touche [Entrée].
Premier temps : votre phrase devient des nombres. Le texte que vous avez tapé est découpé en petites unités appelées jetons : un mot court, un morceau de mot long, un signe de ponctuation. Chaque jeton est ensuite remplacé par un vecteur, que nous avons décrit plus haut : une liste de nombres, souvent plusieurs centaines, parfois quelques milliers. Votre question n’est plus du texte, c’est un tableau de nombres. Nous sommes dans l’algèbre linéaire.
Deuxième temps : ces nombres traversent...