Nous la côtoyons au quotidien à travers nos courriels, les réseaux sociaux, les moteurs de recherche, le magasinage en ligne, les assistants intelligents, et bien plus. L’intelligence artificielle a déjà considérablement changé nos vies et continuera de le faire dans les années à venir. Voici un mini glossaire pour vous présenter quelques termes incontournables de cette florissante technologie!

Intelligence artificielle

Le terme « intelligence artificielle » et son abréviation « IA » sont le plus souvent utilisés pour désigner une machine ou un logiciel dont le fonctionnement s’inspire des facultés cognitives de l’intelligence humaine. Une IA doit être en mesure d’apprendre, de s’adapter et de modifier son comportement. Cette technologie a fait des pas de géant dans les dernières années grâce à l’amélioration de la capacité de calcul des ordinateurs, à la mise au point d’algorithmes adaptés ainsi qu’à la disponibilité des mégadonnées. L’apprentissage profond est la branche la plus prometteuse de l’IA. Notons que dans son sens plus large, l’IA renvoie aussi aux théories élaborées dans ce domaine.

Algorithme

Un algorithme est un ensemble d’opérations ordonnées de façon logique que doit suivre un système pour parvenir à un résultat déterminé ou pour résoudre un problème. L’algorithme transforme des données d’entrées (input) en données de sorties (output), ces dernières représentant la solution. On pourrait comparer l’algorithme à une recette de cuisine puisqu’il comprend :

  • des données (les ingrédients ou accessoires de cuisine à utiliser);
  • la marche à suivre pour atteindre le résultat souhaité (par ex. : couper tel légume de telle façon, le faire revenir, etc.);
  • le résultat (le mets prêt à manger).

En informatique et en technologie, un programme informatique se compose d’un ensemble d’algorithmes.

Mégadonnées

Si l’algorithme est une recette de cuisine, les mégadonnées en sont les ingrédients. Aussi appelées données massives ou grosses données (de l’anglais Big Data), celles-ci correspondent à toutes ces informations que nous produisons chaque jour avec les nouvelles technologies numériques. On peut dire qu’elles résultent de la rencontre entre l’Internet, les réseaux sociaux et les appareils intelligents.

Apprentissage automatique

Sous-domaine de l’intelligence artificielle, l’apprentissage automatique est un processus par lequel un algorithme peut s’améliorer par lui-même au fur et à mesure des résultats qu’il obtient. Selon le type d’apprentissage utilisé par les algorithmes — on peut aussi parler de « modèle algorithmique » —, l’apprentissage automatique peut être supervisé, non supervisé, semi-supervisé ou par renforcement.

Apprentissage profond

Sous-domaine de l’apprentissage automatique, l’apprentissage profond en est aussi sa forme la plus évoluée. Il peut être appliqué de façon supervisée, non supervisée, semi-supervisée ou par renforcement. L’apprentissage profond permet de traiter les mégadonnées à l’aide d’un réseau de neurones artificiels inspiré du réseau de neurones du cerveau humain. Le traitement des données se fait à travers plusieurs couches de ces neurones artificielles qui encodent celles-ci selon niveau d’abstraction croissant :

  • les premières encodent les principales caractéristiques;
  • les couches intermédiaires, les spécifications;
  • les dernières couches, les détails.

L’apprentissage profond peut donner des modèles de prédiction non seulement à partir d’une importante quantité de données, mais aussi sans que celles-ci soient structurées et étiquetées. Si les réseaux de neurones artificiels sont aussi d’usage en apprentissage automatique, ces réseaux comprennent plus de neurones, de couches et d’interconnectivité lorsqu’il est question d’apprentissage profond.

Types de modèles algorithmiques

Les types d’« apprentissages » définis ci-dessous correspondent aux principaux modèles d’algorithmes utilisés en apprentissage automatique. Ils ne sont pas adaptés aux mêmes genres de situations.

Apprentissage supervisé

C’est le type d’apprentissage automatique le plus utilisé. On parle d’apprentissage supervisé lorsqu’un chercheur fournit à l’algorithme une base de données d’apprentissage à partir d’un modèle de classement et d’exemples étiquetés (par ex. : l’image d’un arbre est associée à l’étiquette « arbre »). L’algorithme peut ainsi finir par identifier des éléments en se référant aux caractéristiques des milliers, voire des millions d’éléments qui composent sa base de données. L’algorithme est donc en quelque sorte « formé » ou « guidé » par les modèles d’entrée et de sortie que lui donne le chercheur.

Apprentissage non supervisé

Contrairement à l’apprentissage supervisé, l’algorithme est ici en mode d’autoapprentissage, c’est-à-dire qu’il fait lui-même des rapprochements entre les données qui lui sont communiquées, mais sans avoir obtenu d’exemples de résultats attendus en sorties. L’apprentissage non supervisé est plus analytique que prédictif.

Apprentissage semi-supervisé

À mi-chemin entre l’apprentissage supervisé et non supervisé, l’apprentissage semi-supervisé peut recourir à un mélange de techniques de l’un et de l’autre, et bien que certaines données soient étiquetées, la majorité ne l’est pas.

Apprentissage par renforcement

L’algorithme apprend ici ce qu’il convient de faire à partir d’expériences répétées où il doit trouver la meilleure solution. Autrement dit, il apprend par essai et erreur en recevant ou non après chaque action une récompense numérique.

En complément :

Catherine Meilleur

Auteure:
Catherine Meilleur

Rédactrice de contenu créatif @KnowledgeOne. Poseuse de questions. Entêtée hyperflexible. Yogi contemplative.