De plus en plus mentionnée par les entreprises, l’intelligence artificielle reste un concept qui n’est pas toujours clair. Dans cet article, nous vous expliquons l’intelligence artificielle et ses concepts clés.

 

L’intelligence artificielle, qu’est-ce que c’est ?

L’intelligence artificielle est un domaine informatique récent qui regroupe les théories et mécanismes informatiques utilisés pour simuler l’intelligence humaine par des machines.

Son objectif principal est de donner l’impression aux utilisateurs d’une machine qu’ils communiquent avec un autre être humain. Le test de Turing évalue la capacité d’une machine à imiter les conversations humaines : si l’utilisateur de la machine ne parvient pas à déterminer s’il parle à une machine ou à un autre être humain, alors le test est positif.

Pour atteindre cet objectif, les algorithmes et les codes informatiques qui composent une intelligence artificielle nécessitent des données pour apprendre. Les quantités de données nécessaires à l’apprentissage automatique d’une intelligence artificielle varient en fonction des tâches et fonctionnalités à inculquer à la machine. Il faut également avoir à disposition des données qui n’ont jamais été traitées par la machine pour servir de support de tests.

 

Comment fonctionne l’apprentissage automatique ?

Il existe différents types d’apprentissages automatiques :

  • L’apprentissage supervisé
  • L’apprentissage non-supervisé
  • L’apprentissage profond, ou “deep learning” en anglais
  • Les réseaux de neurones artificiel

L’apprentissage supervisé

L’apprentissage supervisé consiste à fournir des données annotées à une machine pour créer un modèle de traitement d’un type de données spécifique pour obtenir le résultat attendu.

Toutefois, ce type d’apprentissage automatique a un coût et peut s’avérer chronophage. En effet, il faut tout d’abord annoter les données d’apprentissage de la machine. À défaut d’une annotation automatisée, l’annotation doit être faite à la main par des annotateurs.

L’apprentissage non-supervisé

L’apprentissage non-supervisé consiste à fournir des données qui ne sont pas annotées à une machine. La machine doit donc analyser les données qui lui sont fournies pour en extraire des schémas et créer son modèle de traitement des données.

Les phases de tests sont primordiales afin de déterminer si la quantité de données d’apprentissage a été suffisante pour atteindre l’objectif fixé.

L’apprentissage profond, ou “deep learning” en anglais

L’apprentissage profond est un autre type d’apprentissage automatique. Il consiste également à fournir des données qui ne sont pas annotées à la machine pour créer un modèle de traitement.

La différence entre l’apprentissage profond et l’apprentissage non-supervisé est le nombre de “couches” (ou traitements) réalisées par la machine sur les données pour son apprentissage. En d’autres termes, la machine va analyser ses données d’apprentissage à plusieurs reprises et de différentes façons pour aboutir au modèle le plus adapté.

Les réseaux de neurones artificiels

Les réseaux de neurones artificiels sont un peu les “boîtes noires” de l’intelligence artificielle. Les réseaux de neurones sont représentés schématiquement comme les réseaux de neurones humains (système nerveux), c’est-à-dire par une série de nuages de points reliés entre eux. Des algorithmes mathématiques et statistiques complexes s’ajoutent à cette représentation schématique et constituent les connaissances de l’intelligence artificielle.

En somme, le mode de fonctionnement des réseaux de neurones est basé sur des mathématiques poussées. Ces réseaux de neurones artificiels sont utilisés par la plupart des traducteurs automatiques en ligne.

 

Que peut-on faire avec l’intelligence artificielle ?

L’intelligence artificielle est un domaine en plein essor qui est de plus en plus utilisé dans nombres de domaines. Comme cité un peu plus tôt, l’intelligence artificielle est un domaine vaste qui peut à peu près tout faire et tout automatiser. Il suffit de bien spécifier le besoin et d’entraîner la machine sur des données cohérentes et en quantité suffisante.

 

Camille est linguiste informaticienne de formation. Suite à deux expériences dans des start-ups parisiennes sur la reconnaissance d’entités nommées et les callbots, elle a intégré l’équipe Hubi.ai chez Hub Collab en tant que scénariste chatbot.