L’A-Z DE L’IA

Artificial
intelligence ou

Intelligence
artificielle  : Au fond, l'IA est une programmation

informatique qui apprend et s'adapte. L'intelligence artificielle est le nom donné à tout
système informatique qui apprend à imiter les comportements humains intelligents. Il s'agit
de tout, depuis les programmes qui apprennent à jouer à des jeux de société et à traduire des
langues jusqu'aux systèmes complexes capables d'avoir des conversations à consonance
humaine, d'analyser le marché boursier ou d'aider à diagnostiquer des problèmes de santé.

L'IA alimente des outils pratiques qui existent tout autour de nous.

Ces technologies sont déjà présentes dans la vie de tous les jours : elles nous aident à
organiser les photos sur nos smartphones ou à planifier notre trajet pour aller au travail.
Elles prennent en charge des tâches qui, historiquement, ont exigé un intellect humain
considérable et les traitent à l'aide de la programmation informatique.
La dernière décennie a été marquée par d'importants progrès, suscités par l'augmentation de
la vitesse des ordinateurs et l'introduction de techniques telles que l'apprentissage
automatique. En conséquence, l'IA s'intègre de plus en plus à notre façon de vivre, de
travailler et de comprendre le monde.

En définitive, l'avenir de ces technologies dépendra fortement de ce que les gens décideront
d'en faire, mais la promesse qu'elles ont de transformer les défis humains devient évidente.

Bias Biais : ou Des données incomplètes

peuvent entraîner des biais dans l'IA. Les résultats des systèmes d'IA peuvent être affectés
par des données qui amplifient les biais existants dans le monde réel.

En général, l'IA crée un biais lorsque les données qui lui sont fournies pour apprendre ne
sont pas complètes et qu'elles commencent donc à l'orienter vers certains résultats. Les
données étant le seul moyen d'apprentissage d'un système d'IA, celui-ci peut finir par
reproduire les déséquilibres ou les préjugés trouvés dans les informations d'origine.

Par exemple, si vous apprenez à l'IA à reconnaître des chaussures et que vous ne lui
montrez que des images de baskets, elle n'apprendra pas à reconnaître les talons hauts, les
sandales ou les bottes comme des chaussures.

Les préjugés font qu'il est difficile de développer une IA qui fonctionne pour tout le monde.

Aucun système d'IA n'est assez complexe, ni aucune base de données assez profonde, pour
représenter et comprendre l'humanité dans toute sa diversité. Cela peut présenter de
profonds défis lorsque l'on considère le potentiel de l'IA à influencer les expériences des
personnes réelles.

Une IA qui sélectionne des candidats pour des entretiens avec des PDG pourrait apprendre à
favoriser les hommes simplement parce qu'elle a reçu des CV réussis et qu'historiquement,
il y a eu un biais sociétal en faveur des candidats masculins.

Pour s'assurer que les systèmes d'IA sont éthiques et réduisent le risque de partialité, les
programmeurs conçoivent leurs systèmes et contrôlent leurs données avec vigilance. C'est la
seule façon de garantir que les systèmes fonctionnent bien pour tout le monde.
Climate ou Climat :
L'IA est utilisée pour relever les défis climatiques mondiaux.

Dans le monde entier, des personnes utilisent l'IA pour contribuer à résoudre la crise sans
précédent à laquelle notre planète est confrontée.

La surveillance du changement climatique implique des ensembles de données vastes et en

constante évolution. Les systèmes d'IA peuvent aider à analyser des collections
d'informations environnementales, à suivre en temps réel l'évolution des conditions
climatiques, à réduire les inefficacités et à identifier les opportunités vitales pour l'humanité
afin de trouver des solutions qui pourraient avoir un impact positif sur notre planète, plus
rapidement.

Pour relever certains des plus grands défis de l'humanité, l'IA peut être un outil puissant.

Les systèmes alimentés par l'IA nous aident à réguler la quantité d'énergie gaspillée à la
maison en éteignant le chauffage et les lumières lorsque nous quittons la maison.

Dans le monde entier, ils aident à lutter contre la sécheresse en surveillant les zones
touchées par la désertification.

Une comparaison côte à côte montre une montagne recouverte de glace en 1917 et la même
montagne en 2005, dont le sommet glacé a fondu.

Ils sont utilisés pour modéliser la fonte des glaciers et prédire l'élévation du niveau des mers
afin de prendre des mesures efficaces.

D'autres systèmes aident à trouver de nouvelles structures chimiques nécessaires à la

création de combustibles solaires à partir de la lumière du soleil.

Les chercheurs s'intéressent également à l'impact environnemental des centres de données et

de l'IA elle-même, par exemple en explorant les moyens de développer des systèmes et des
infrastructures plus économes en énergie.

L'IA n'est qu'un outil parmi d'autres dans le processus de compréhension de la complexité
du changement climatique, mais sa capacité à traiter de grands volumes de données et à
découvrir des modèles nous offre la possibilité de mieux comprendre l'écosystème.
Datasets ou

Ensembles de
données
le monde.
: Les informations utilisées pour enseigner l'IA sur

Les ensembles de données sont de grandes collections d'informations numériques qui sont
utilisées pour entraîner l'IA.

Ils peuvent contenir des données météorologiques, telles que la pression atmosphérique et la
température, des photos, de la musique ou tout autre élément susceptible d'aider un système
d'IA dans la tâche qui lui a été confiée.

Les ensembles de données sont comme des manuels pour les ordinateurs.

Un tas de pommes intitulé "My Green Apple Dataset" semble avoir une orange égarée
nichée en son centre. Un petit symbole d'erreur rouge, signalant son emplacement,
représente le processus minutieux d'affinage des ensembles de données.

Tout comme un enfant apprend par des exemples, il en va de même pour les machines. Les
ensembles de données constituent la base de ce processus d'apprentissage.
Les équipes de conception de l'IA doivent examiner attentivement les données avec
lesquelles elles choisissent d'entraîner leur IA, et peuvent intégrer des paramètres qui aident
le système à donner un sens aux informations qui lui sont fournies.

En raison de leur échelle et de leur complexité, ces collections peuvent être très difficiles à
construire et à affiner, qu'il s'agisse de quelques centaines d'échantillons audio ou de cartes
étendues couvrant l'ensemble du système solaire connu.

C'est pourquoi les équipes de conception d'IA partagent souvent des ensembles de données
au profit de la communauté scientifique au sens large, afin de faciliter la collaboration et
l'exploitation des recherches de chacun.

Ethics Éthique : ou

Lignes directrices qui régissent la manière dont l'IA est construite et utilisée.

À l'instar des codes éthiques et des lois qui régissent la société, les directives éthiques
contribuent à façonner la manière dont l'IA est développée.

Toute technologie puissante soulève des questions quant à son utilisation. La société prend
en compte non seulement la manière dont une technologie sera utilisée pour résoudre des
problèmes, mais aussi la manière dont elle pourrait être utilisée à mauvais escient - des
codes de conduite et des lignes directrices peuvent aider à s'en prémunir.

L'IA s'accompagne de toute une série de considérations éthiques.

Les systèmes capables de fonctionner avec un minimum d'encadrement humain ne

manqueront pas de susciter un débat sur le niveau de restriction requis. En outre, certains
systèmes d'IA sont si complexes dans leurs calculs qu'il peut être difficile pour les humains
de vérifier comment ils sont parvenus à leurs résultats. En conséquence, la société pourrait
ne pas se sentir à l'aise de les affecter à certaines tâches sans les soumettre à des tests
approfondis et sans mettre en place d'autres garanties.
Les entreprises réfléchies examinent et révisent en permanence les cadres éthiques qui
guident leurs projets d'IA, et les communautés qui se consacrent à l'exploration de l'éthique
de l'IA ouvrent de nouvelles conversations qui évoluent parallèlement à ces technologies.

Apprenez-en davantage sur la façon dont Google aborde la création d'une IA responsable
pour tous grâce à ces pratiques d'IA responsable.

Fakes Factices : ou

sons ou vidéos factices réalisés à l'aide de l'IA.

Images,

L'IA a donné naissance à de nouveaux moyens permettant aux technologies de créer des
images, des paroles, de la musique et des vidéos hyper truquées.

Les hyper truqués fonctionnent en étudiant des images ou des sons du monde réel, en les
cartographiant en détail, puis en les manipulant pour créer des œuvres de fiction d'une
véracité déconcertante.

Ces technologies, considérées comme impossibles il y a seulement quelques années, ont

trouvé une grande variété d'applications dans tous les domaines, de l'image de synthèse
dans les films hollywoodiens à la production musicale et à la pornographie. Si beaucoup
d'entre elles sont censées être divertissantes et imaginatives, elles peuvent aussi, lorsqu'elles
sont utilisées de manière inappropriée, générer des informations erronées qui peuvent être
préjudiciables à la société : des faux convaincants injectés dans le discours public peuvent
causer des dommages importants à la connaissance et à la confiance du public.

Les faux peuvent être convaincants, mais il existe des signes révélateurs qui les distinguent
de la réalité.

Un diagramme intitulé "spotting a deepfake" montre le visuel d'un homme, en signalant les
caractéristiques qui indiquent qu'il peut être généré par l'IA.

Dans les faux de ces dernières années, les rendus visuels des personnes peuvent sembler un
peu bancals, comme dans les jeux vidéo. Les voix peuvent avoir un son un peu robotique.
Les personnages clignent également moins des yeux ou répètent leurs gestes, car il peut être
difficile pour les créateurs de trouver, de cartographier et de reproduire les sources de
personnes ayant les yeux fermés ou les mains exposées.
À mesure que les faux deviennent plus sophistiqués, les méthodes et les technologies
utilisées pour les détecter doivent elles aussi évoluer en permanence.

GANs Réseaux ou

adversariens
génératifs  : Deux systèmes d'IA qui apprennent
en entrant en compétition l'un avec l'autre.
Les réseaux adversaires génératifs (GANs) sont des paires de systèmes d'IA
entraînés à créer du contenu et à accomplir des tâches plus rapidement qu'un
système travaillant seul.
Imaginez que la tâche consiste à générer une image inspirée par le style
artistique de Picasso. Les équipes de conception d'IA pourraient rassembler tous
les tableaux de Picasso et entraîner un GAN à repérer les couleurs, les
caractéristiques et les coups de pinceau individuels qui rendent ses œuvres
uniques.

Un système d'IA tenterait de copier l'œuvre de Picasso, tandis que l'autre

jugerait ses tentatives.

L'imitateur applique ses connaissances pour produire des milliers de nouvelles

images dans le style de Picasso - en s'inspirant des caractéristiques des œuvres
existantes - tandis que l'autre système d'IA juge de la similarité des créations
avec le style de Picasso et les évalue. Les créations qui ne sont pas
convaincantes sont renvoyées à l'imitateur pour qu'il les améliore.

Au bout du compte, après avoir échangé des idées des millions de fois,
l'imitateur devient de plus en plus doué pour créer des tableaux dans le style de
Picasso.
Comparaison côte à côte de deux portraits dans le style expressionniste de
Picasso - l'un réalisé par Picasso, l'autre par l'IA.

La capacité des GAN à aller au-delà de la simple mémorisation de ce qui a été

fait auparavant pour créer un nouveau contenu était considérée comme une
étape importante dans la communauté des chercheurs en IA. Les concepteurs et
les architectes explorent déjà leur potentiel pour aider à générer des modèles
tridimensionnels de voitures et de bâtiments, à partir de l'étude de photos
bidimensionnelles.
Human-in-the-
loop Humain ou

dans la boucle
Un être humain qui guide un système d'IA pendant qu'il apprend.

L'humain dans la boucle est une personne qui forme, teste ou règle un système d'IA pour
l'aider à produire des résultats plus fiables.

Tout comme un étudiant qui maîtrise une activité pour la première fois est susceptible de
faire des erreurs ou de ne pas comprendre certaines nuances, il en va de même pour l'IA.

Un système à qui l'on apprend à identifier la vie marine, par exemple, peut
apprendre à distinguer rapidement une pieuvre des autres créatures en raison de
sa forme unique, mais avoir du mal à faire la différence entre des poissons qui
partagent des formes et des couleurs similaires.
Un humain dans la boucle peut intervenir pour enseigner au système les
caractéristiques distinctives à rechercher et le guider vers des réponses plus
précises.
Donner à un ordinateur un guide humain signifie que deux types d'intelligence
complètement différents sont exploités simultanément.
En fournissant des données à un système d'IA pour qu'il les étudie et en validant
ses efforts au cours du processus d'essai et d'erreur, les humains apportent la
sagesse qu'ils ont acquise au cours de leur vie et la combinent avec la vitesse de
l'informatique. Cette dynamique de collaboration permet de tenir compte des
inconvénients des personnes et des machines pour obtenir des résultats plus
précis.

Image recognition ou

Reconnaissance
d'images
"voir" le monde qui les entoure.
: Comment les systèmes d'IA apprennent à

La reconnaissance d'images est la technologie qui permet à l'IA de reconnaître et de classer

les objets du monde qui nous entoure.

Parfois connus sous le nom de "vision par ordinateur", les systèmes de reconnaissance
d'images peuvent apprendre à reconnaître n'importe quoi, qu'il s'agisse de personnes, de
monuments célèbres ou même d'animaux domestiques, simplement en étudiant une série
d'images de référence qui leur sont fournies.

Ces systèmes peuvent ensuite faciliter les tâches quotidiennes, comme l'organisation des
photos du smartphone, par exemple en suggérant automatiquement un nouvel album pour
les photos de vacances après un voyage.

Chaque image est comme une empreinte digitale.

Les systèmes d'IA sont formés pour repérer les caractéristiques d'identification - telles que
les couleurs et les formes - et les recouper avec des milliers d'autres images afin de les
reconnaître et de les étiqueter avec précision.

La main d'une personne tient un smartphone devant un panneau d'avertissement en

portugais. Le smartphone a traduit le texte en anglais : "Danger ! Cliff Ahead".

La même technologie qui permet de reconnaître des points de repère et des photos de
vacances en groupe est également utilisée de manière plus approfondie ailleurs, pour aider à
traduire des panneaux d'avertissement en langues étrangères ou protéger les enfants de
contenus explicites en ligne.

Journalism ou

Journalisme :
utilisent l'IA pour transformer le secteur de l'information.
Des journalistes

Pour les salles de presse, les systèmes d'IA capables de traiter des volumes de données en
temps réel sont des outils utiles.

Les journalistes du monde entier étudient comment l'IA peut aider à surveiller les sources
d'information, à organiser les informations, à trouver des liens inattendus et à distribuer les
articles.
Les systèmes d'IA sont généralement utilisés pour aider les salles de presse dans trois
domaines :

Pendant le processus de recherche : L'IA est utilisée pour automatiser la transcription des
interviews, suivre les événements au fur et à mesure qu'ils se déroulent, traduire les sources
d'information étrangères, rassembler les messages pertinents des médias sociaux et recouper
les articles, rapports et dossiers archivés pour trouver des informations supplémentaires.

Un journaliste est assis à son bureau pour rédiger un article. De multiples fenêtres et
ressources sont ouvertes sur l'écran de son ordinateur.

Pendant le processus de rédaction : L'IA l'aide à vérifier les faits, suggère des améliorations
de la grammaire et de la structure des phrases, et adapte les articles à différents publics en
surveillant des éléments tels que les statistiques locales sur la criminalité, l'éducation et le
logement.

Pendant la distribution : L'IA est appliquée à l'analyse automatique et au marquage des

articles d'actualité avec des étiquettes thématiques afin que les lecteurs qui ont l'habitude
d'apprécier des sujets similaires puissent trouver le contenu correspondant.

En définitive, les systèmes d'IA contribuent à accélérer l'établissement des faits et à

automatiser les tâches quotidiennes des salles de presse.

Dans un monde où nous générons d'énormes quantités d'informations, mais où les

ressources sont de plus en plus limitées, l'IA peut aider les journalistes en réduisant la
quantité de travail de fond qu'ils doivent effectuer afin qu'ils puissent se concentrer sur ce
qu'ils font le mieux : raconter les histoires du monde.

Knowledge ou

Connaissance : Les systèmes

d'IA construisent des connaissances d'une manière fondamentalement différente de celle des
humains.
Les connaissances qu'un système d'IA acquiert sont très différentes des connaissances
complexes que les êtres humains développent tout au long de leur vie.

Les humains donnent un sens au monde en s'appuyant automatiquement sur leur expérience
de vie antérieure pour contextualiser tout ce qui les entoure. Mais les systèmes d'IA ne
disposent pas du même type de connaissances de base auxquelles faire appel, ni de l'instinct
pour le faire.

Il faut apprendre explicitement aux systèmes d'IA à recouper et à analyser un large éventail
d'informations, sous la forme de données organisées, afin d'enrichir leur expérience. Il
existe des plafonds et des limites à ce qu'ils peuvent apprendre, déterminés par les
paramètres mis en place par les équipes de conception de l'IA.

La connaissance est aussi éloignée de l'information que la sagesse l'est du savoir.

Un alignement d'oiseaux de toutes les couleurs, formes et tailles, parmi lesquels se trouve
un perroquet aux couleurs vives.

Prenez un système d'IA entraîné à repérer un perroquet dans un ensemble de photos

d'oiseaux. Il ne "comprend" pas ce qu'est un perroquet. Il peut apprendre à repérer les
caractéristiques d'identification, telles que les plumes colorées et le bec incurvé, mais les
connaissances d'un système sont limitées par le type d'informations qu'on lui donne à
apprendre.

Learning ou

Apprendre :
utilisées pour enseigner l'IA.
Les différentes méthodes

Deux des techniques les plus courantes utilisées par les équipes de conception d'IA pour
former les systèmes d'apprentissage automatique sont l'apprentissage supervisé et non
supervisé.
Dans l'apprentissage supervisé, un système reçoit des données de référence, qu'il peut
utiliser pour rechercher des modèles similaires dans les nouvelles données. Il apprend par
un processus d'itération : essais et erreurs.

Imaginons que quelqu'un veuille apprendre à un système à reconnaître différents fruits.

Vous pourriez commencer par montrer au système des photos étiquetées comme étant des
ananas. La prochaine fois qu'il rencontrera une boule hérissée et noueuse dans une coupe de
fruits, il devrait être capable de l'identifier.

Dans l'apprentissage non supervisé, un système est surveillé de près par ses développeurs,
mais on peut lui apprendre à rechercher lui-même des relations dans les données. Vous
pourriez montrer à un système des images d'une série de fruits - sans lui dire lesquels - et lui
demander de trouver des similitudes et des différences entre eux. Il pourrait regrouper
toutes les boules hérissées et noueuses et suggérer qu'il s'agit en fait de la même chose, mais
il ne saurait pas qu'il s'agit d'ananas sans qu'on le lui dise.

Il n'est pas surprenant que la façon dont nous enseignons à l'IA affecte la façon dont elle
apprend.

Les méthodes d'apprentissage supervisé sont capables de catégoriser et d'étiqueter les

données en fonction de ce que les humains savent déjà, tandis que les méthodes non
supervisées peuvent être utilisées pour repérer des modèles que les gens ne savent pas
nécessairement rechercher.
Machine learning ou

Apprentissage
automatique :
par elle-même grâce aux données et à l'expérience.
Lorsque l'IA apprend

L'apprentissage automatique permet aux systèmes d'IA de trouver leurs propres solutions,
au lieu d'être préprogrammés avec un ensemble de réponses.

Dans la programmation traditionnelle, si vous vouliez apprendre à un ordinateur à dessiner

un chat, vous deviez lui expliquer le processus de dessin dans les moindres détails. Avec
l'apprentissage automatique, vous fournissez à un système d'IA des milliers de croquis à
analyser et vous le laissez chercher des modèles par lui-même.

Au fil du temps, il commence à reconnaître les caractéristiques d'un chat, comme les
oreilles pointues et les moustaches, et développe une compréhension plus souple et plus
nuancée de ce qui constitue un croquis de chat.

Grâce à ces capacités de repérage, l'apprentissage automatique aide les systèmes d'IA à
donner un sens à de grandes quantités de données.

L'apprentissage automatique peut accomplir certaines tâches à grande vitesse et à grande

échelle.

Les défenseurs de l'environnement l'utilisent pour analyser des mois d'enregistrements sous-
marins et repérer les schémas de migration des baleines, tandis que les diagnostiqueurs
médicaux l'utilisent pour examiner des multitudes de scans à la fois afin d'identifier les
premiers signes de maladie.
Neural networks ou

Réseaux
neuronaux :
cerveau humain.
Systèmes d'IA inspirés du

Les réseaux neuronaux permettent un type d'apprentissage différent de l'IA traditionnelle :

ils s'inspirent de la pensée humaine, mais en sont très différents.

Les réseaux neuronaux sont constitués de collections d'unités de traitement de l'information

qui travaillent en équipe, se transmettant les informations entre elles, comme le font les
neurones dans le cerveau. Ensemble, ces réseaux sont capables de relever de plus grands
défis, avec plus de complexité et de détails que la programmation traditionnelle ne peut le
faire.

Bien qu'ils tentent d'imiter la structure du cerveau, les réseaux neuronaux ne peuvent pas
"penser" comme les humains.

Deux personnages en train de discuter ont été éclatés en un nuage de détails - des mains, des
nez et des bouches flottent autour d'eux, ce qui dénote la capacité humaine à analyser de
nombreux petits éléments à la fois.

Les êtres humains sont capables d'analyser instantanément des milliers de petits détails pour
donner un sens à de nouveaux objets et scénarios, en tenant compte simultanément de
plusieurs caractéristiques, comme la couleur, la texture et la taille. Les réseaux neuronaux
sont capables de repérer des modèles, mais pas de contextualiser ces détails comme le font
les humains.

Les équipes de conception de l'IA peuvent affecter chaque élément d'un réseau à la
reconnaissance d'une des nombreuses caractéristiques. Les sections du réseau travaillent
ensuite ensemble pour comprendre les relations et les corrélations entre ces éléments, en
déterminant comment ils s'assemblent et s'influencent mutuellement.

En étudiant les données fournies par l'équipe de conception du réseau, ces systèmes orientés
vers le détail sont en mesure d'acquérir un œil aiguisé pour détecter des modèles subtils
dans ces informations, ce qui permet à l'IA de réussir des tâches gourmandes en données
que l'informatique traditionnelle ne pourrait même pas tenter.

Open source ou

Source ouverte
Code et données que tout le monde peut utiliser gratuitement.

Lorsque les gens décrivent quelque chose comme "open source", cela signifie que le code a
été téléchargé sur le web, pour être partagé avec tout le monde.

Cette pratique est courante dans le développement de logiciels, car elle permet à quiconque
de télécharger un code, des données ou des recherches préexistants, de les étudier, d'en tirer
des enseignements, de les adapter à ses propres programmes et problèmes et d'en construire
de nouvelles variantes comme bon lui semble.

L'open source consiste à partager et à développer des idées pour construire des systèmes
efficaces.

Deux femmes originaires de différentes régions du monde se tendent la main, ce qui

représente leur partage d'idées et leur soutien mutuel.

Le code et les ensembles de données créés par les équipes de conception de l'IA ont
tendance à être difficiles à organiser et leur assemblage peut demander beaucoup de travail.
L'approvisionnement libre peut éviter aux programmeurs le long processus de construction
de nouveaux systèmes similaires à partir de zéro. Il permet également aux collaborateurs de
repérer des vulnérabilités ou des bogues que les créateurs auraient pu manquer.
Cette pratique permet à un plus grand nombre de personnes de participer au processus et
aide les communautés du monde entier à approfondir collectivement leurs connaissances
respectives, ce qui conduit à une IA potentiellement plus sûre et plus efficace.

Predictions ou

Prédictions : Le résultat d'un système d'IA

est une prédiction de la probabilité que quelque chose se produise.

Les informaticiens qualifient souvent les résultats des systèmes d'IA de prédictions, même
lorsqu'ils n'ont rien d'évident à voir avec l'avenir.

Par exemple, la recommandation d'un livre par l'IA est une prédiction que vous allez
l'aimer.

Ces systèmes prédictifs sont omniprésents dans la société actuelle, qu'il s'agisse de suggérer
simplement des films ou des vidéos que vous pourriez aimer en fonction de vos goûts
antérieurs ou d'améliorer la précision des prévisions météorologiques en examinant les
schémas météorologiques précédents.

Les prédictions alimentées par l'IA aident les gens à prendre des décisions au quotidien.

Une femme jette un coup d'œil par la fenêtre, en essayant de jauger le ciel gris et inquiétant,
afin de prédire les prévisions météorologiques.

Si l'on dispose de suffisamment d'informations, elles peuvent nous permettre de prendre des
décisions avec plus de certitude, non seulement dans nos listes de lecture, mais dans tous les
domaines, qu'il s'agisse d'être mieux préparé aux futures catastrophes naturelles ou de gérer
nos investissements.
Quantum
computing ou

L'informatique
quantique : Une nouvelle

d'ordinateurs qui traitent l'information d'une manière complètement différente.

génération

Les ordinateurs quantiques constituent une nouvelle vague de machines ayant le potentiel
d'utiliser l'IA pour résoudre des problèmes qui prendraient beaucoup de temps aux
ordinateurs conventionnels.

Ces machines quantiques traitent l'information selon des méthodes et des dimensions
entièrement différentes de celles des ordinateurs qui alimentent les systèmes d'IA actuels.
Alors que les ordinateurs conventionnels traitent l'information comme une série de 0 ou de
1 (code binaire), les ordinateurs quantiques peuvent utiliser les 0 et les 1 simultanément.

Tout comme les êtres humains sont capables d'avoir un 0 et un 1 dans leur esprit en même
temps, les ordinateurs quantiques peuvent essentiellement faire de même.

Un ordinateur quantique complexe se trouve à gauche, tandis qu'à droite, un ordinateur de

bureau démodé en forme de boîte tremble sous la pression d'un calcul intense.

Leur capacité à effectuer de nombreux calculs en même temps réduit considérablement le

temps de traitement, ce qui signifie que les ordinateurs quantiques pourraient permettre aux
systèmes d'IA d'accomplir en quelques secondes des tâches qui prendraient des milliers
d'années aux superordinateurs les plus rapides - donnant ainsi aux chercheurs la capacité de
trouver des réponses significatives à des problèmes complexes presque instantanément.
Bien que l'on ne sache pas exactement combien de temps il faudra attendre avant que ces
machines ne sortent des laboratoires de recherche et ne soient utilisées dans le monde, elles
ont le potentiel d'accélérer considérablement les tâches informatiques, à tel point qu'il
pourrait devenir possible d'analyser les traitements médicaux de manière granulaire et de
déterminer si un médicament particulier cible efficacement des molécules spécifiques dans
le corps.

Robotics ou

Robotique :
pour automatiser des tâches.
L’étude des machines construites

Les experts en robotique se consacrent à la création de machines programmables, appelées

robots.

Aujourd'hui, l'IA permet aux robots d'effectuer de nombreuses nouvelles tâches, mais ils
font partie de nos vies depuis des décennies : des ascenseurs aux machines à laver, des
aspirateurs automatiques aux bras mécaniques géants sur les chaînes de production des
usines. Le terme "robots" couvre également les logiciels utilisés pour automatiser les
activités numériques, et pas seulement le travail physique - ils sont communément appelés
"bots".

Historiquement, les robots ont été conçus pour effectuer des activités de base afin d'alléger
la charge de travail des personnes. Avec l'introduction de l'IA, une nouvelle génération de
robotique est devenue possible - une génération dans laquelle les robots ont la capacité
d'analyser et de diriger des tâches au moment même où elles sont effectuées et qui étaient
auparavant trop difficiles à automatiser.

L'IA contribue à créer des robots plus performants, plus utiles et plus utiles.

Un robot doté de l'IA nage sous la mer, éclairant le fond de l'océan avec son phare.
Pour connaître les profondeurs de l'océan, il fallait autrefois envoyer des êtres humains
enfermés dans des sous-marins et soumis à des pressions écrasantes. Les robots dotés de
l'IA plongent désormais pour nous dans les profondeurs de l'océan, rendant la recherche
marine plus sûre, plus rapide et plus efficace.

Équipés de programmes d'IA, les robots peuvent cartographier de manière autonome les
fonds marins et effectuer des activités telles que la prise de photos permettant d'identifier
des organismes connus, d'en repérer de nouveaux dont les chercheurs ignoraient l'existence
et de signaler des habitats inexplorés à des fins d'analyse.

Speech recognition
ou Reconnaissance
de la parole :
comprendre la parole humaine.
  Technologie qui aide l'IA à

Les systèmes de reconnaissance vocale sont formés pour reconnaître ce que disent les êtres
humains.

Ces systèmes constituent l'épine dorsale de tout, des logiciels de dictée aux outils de
traduction en passant par les haut-parleurs intelligents à commande vocale.

Si les machines peuvent reconnaître la parole, cela ne signifie pas qu'elles la comprennent
comme le font les humains.

Les êtres humains peuvent comprendre le langage, même hors contexte ou si la phrase est
mélangée. Les machines ont plus de mal à le faire.

Le "traitement du langage naturel" est une avancée récente dans le domaine de la

reconnaissance vocale qui permet à l'IA de s'appuyer sur des règles grammaticales et
d'analyser le discours en direct afin de mieux comprendre les façons complexes dont les
gens parlent. Cela aide les systèmes d'IA à comprendre comment un élément tel que le ton
ou l'humour peut modifier le sens d'une phrase.

Ces technologies évoluent constamment pour comprendre non seulement ce que nous
disons, mais aussi ce que nous voulons dire. Grâce aux équipes de conception de l'IA qui
cherchent continuellement des moyens d'intégrer davantage de nuances dans leurs systèmes,
les gens ont des interactions plus transparentes et plus naturelles que jamais avec l'IA.

Turing test ou Test

de Turing :
question : "Les machines peuvent-elles penser ?"
Un test célèbre qui posait la

Le test de Turing repose sur un principe simple : si un être humain peut avoir une
conversation de cinq minutes sans se rendre compte qu'il parle à une machine, l'ordinateur
passe le test.

Inventé en 1950 par le pionnier de l'informatique Alan Turing, ce test a jeté les bases de ce
que nous appelons aujourd'hui l'IA en demandant s'il était possible pour une machine
d'imiter la pensée humaine.

Ce n'est pas parce qu'un système peut obtenir une réponse qui ressemble à de la
compréhension qu'il comprend pour autant.

Il est intéressant de noter qu'un grand nombre des systèmes qui ont réussi à ce jour ont pu
convaincre quelqu'un qu'ils parlaient à une personne, non pas grâce à une conversation
humaine convaincante, mais en introduisant des fautes d'orthographe ou des erreurs
grammaticales. Les compétences requises pour paraître humain et réussir le test ne sont pas
nécessairement liées à l'"intelligence" et à la "réflexion".

Alan Turing, assis à côté d'un énorme ordinateur démodé, se caresse le menton,
vraisemblablement plongé dans ses réflexions sur la nature de la pensée humaine.
Néanmoins, le test de Turing a conduit de nombreux scientifiques et ingénieurs à
s'interroger sur ce qui fait de nous des êtres humains par nature et a incité les équipes de
conception de l'IA du monde entier à s'efforcer de mettre au point des systèmes
informatiques qui interagissent de manière plus naturelle et plus humaine.

Uses ou Utilisations
Comment l'IA se manifeste dans le monde d'aujourd'hui.
 :

L'IA sort rapidement des laboratoires de recherche pour s'imposer dans la vie de tous les
jours.

Des haut-parleurs intelligents de nos maisons à l'exploration spatiale et à l'agriculture, ces

systèmes d'IA augmentent les capacités humaines grâce à la puissance de l'informatique.

L'IA s'avère cruciale pour faire progresser la science et relever certains de nos plus grands
défis mondiaux.

Il existe aujourd'hui des systèmes capables d'examiner en temps réel les informations sur la
circulation dans une ville afin d'aider les gens à planifier efficacement leur trajet pour se
rendre au travail.

Un programme alimenté par l'IA analyse trois épis de maïs. Il a identifié et agrandi une
sorte de microbe vivant sur l'un d'eux.

Il existe des applications qui croisent d'énormes bases de données pour aider les agriculteurs
à identifier les problèmes de leurs cultures.

Il existe des programmes qui jonglent avec d'énormes quantités de données de vol en direct,
permettant aux compagnies aériennes de planifier des trajectoires de vol plus efficaces et
d'optimiser l'espace de chargement afin de réduire les émissions de carbone.

Ces systèmes ouvrent de nouvelles voies pour résoudre des problèmes dans tous les
domaines de la vie. En définitive, l'avenir de l'application et de l'utilisation de l'IA sera
déterminé par ce que les gens décideront d'en faire.
Virtual assistants ou

Assistants
virtuels :
des tâches pour les gens.
Applications alimentées par l'IA qui effectuent

Un assistant virtuel est une utilisation de plus en plus courante de l'IA qui répond à des
commandes et à des questions pour aider les gens à accomplir leurs tâches.

Il s'agit essentiellement d'une version numérique d'un assistant humain. Les exemples les
plus reconnaissables sont les assistants vocaux auxquels les gens parlent via les
smartphones et les haut-parleurs intelligents. Au quotidien, ces assistants aident les gens à
rechercher des informations en ligne, à écouter de la musique ou à répondre à des questions
de base.

À mesure que la vie et la maison des gens deviennent plus connectées, les assistants virtuels
peuvent aider à accomplir de nouvelles tâches plus facilement.

Un homme marchant dans une ville enneigée contrôle son thermostat domestique depuis
son smartphone. À l'autre bout de la ville, son thermostat s'allume : il fait chaud, 73 degrés.

Les assistants d'aujourd'hui sont déjà capables de faire des courses assez sophistiquées,
comme allumer le chauffage avant que quelqu'un ne rentre chez lui, commander de la
nourriture à son restaurant préféré ou informer les voyageurs des changements de vol avant
qu'ils n'arrivent à l'aéroport.

Le fait de répondre aux commandes vocales ne rend pas seulement ces assistants faciles et
efficaces à utiliser, mais profite également à ceux qui trouvent les claviers difficiles à
utiliser, que ce soit pour des raisons d'alphabétisation, de handicap ou autres.
Grâce à l'apprentissage de l'IA, les systèmes de langage naturel que les assistants virtuels
utilisent pour comprendre le contexte des questions et interpréter les voix humaines créent
des conversations plus naturelles entre les personnes et leurs appareils.

Watson :
concurrent humain dans un jeu télévisé.
Le premier système d'IA à battre un

En 2011, IBM a créé Watson, un système d'IA qui a défié deux humains dans une partie du
jeu télévisé américain "Jeopardy" et qui a gagné.

Watson a basé ses réponses sur le contenu de millions de livres, dictionnaires et

encyclopédies.

Après avoir appris à Watson la structure unique des questions de Jeopardy ! à partir
d'exemples précédents, le système a développé un moyen de trouver les réponses aux
nouvelles questions en une fraction de seconde.

Les programmeurs ont entraîné l'IA non seulement à rechercher des mots clés dans le
contenu, mais aussi à analyser et à déchiffrer les phrases qui entourent ces mots clés. Ainsi,
Watson a pu croiser différentes sources contextuelles pour déterminer que le "thé" n'était
pas seulement une boisson, mais aussi un type de robe des années 1940 (et la réponse à une
question de 800 dollars).

Trois candidats se tiennent sur des podiums dans le jeu télévisé "Jeopardy". Deux sont des
humains. L'autre est un écran d'ordinateur avec un logo IBM Watson qui brille.

Cependant, si l'animateur pose une question d'une manière inattendue, en utilisant une
structure de phrase que les programmeurs n'avaient pas prévue, Watson tâtonne. Le manque
de contexte conversationnel de Watson, que les humains ont naturellement, rendait
également certaines questions presque indéchiffrables pour l'IA.

Cette expérience s'est avérée déterminante pour la communauté scientifique, car elle a mis
en lumière la nécessité de disposer de systèmes d'IA flexibles entraînés à partir d'exemples
solides de la parole humaine et a inspiré la manière dont les systèmes de langage naturel
sont construits aujourd'hui, tels que ceux qui alimentent les assistants virtuels avec lesquels
nous conversons dans nos maisons et sur nos téléphones.
X-ray Rayons X :  ou

L'IA aide les médecins à analyser les radiographies et à diagnostiquer les patients plus
rapidement.

De nombreux radiologues utilisent désormais des outils alimentés par l'IA pour étudier les
radiographies, repérer les anomalies et diagnostiquer les maladies des gens plus rapidement
et (potentiellement) avec plus de précision.

En fait, tout praticien qui diagnostique des patients en examinant des images - comme ceux
qui recherchent des cellules cancéreuses dans des biopsies ou des signes d'Alzheimer dans
des scanners cérébraux - peut désormais effectuer son travail plus efficacement grâce à l'IA.

Les systèmes d'imagerie basés sur l'IA sont entraînés à l'aide de milliers de scans existants
afin d'apprendre à identifier les anomalies qui pourraient indiquer le début d'une maladie.
Ces systèmes sont ensuite capables de signaler une zone particulière d'une radiographie
pour qu'elle soit examinée de plus près par un médecin. L'IA et le médecin sont donc
complémentaires.

L'IA peut considérablement accélérer l'analyse des ensembles de données et générer des
diagnostics plus rapidement.

La capacité de l'IA à exécuter un processus de recherche détaillé en quelques secondes

permet aux médecins de procéder à des examens complets plus rapidement. Des médecins
avant-gardistes ouvrent la voie en explorant comment cette combinaison d'intelligence
humaine et de machine peut être exploitée pour améliorer les soins médicaux.

Le potentiel de ces outils pour sauver des vies ne fera qu'augmenter au fur et à mesure que
l'on recueillera des images de référence provenant d'un éventail de cas encore plus diversifié
et couvrant des maladies touchant davantage de populations.
You Vous : ou

le monde, elle doit "vous" comprendre.

Pour que l'IA puisse comprendre

Il est impossible d'enseigner à une machine la complexité de ce que signifie être humain.

Vous pourriez donner à un système d'IA toutes les données du monde et il ne pourrait
toujours pas refléter, ou comprendre, chaque être humain sur la planète. Nous sommes des
personnages multidimensionnels qui se situent en dehors du domaine des données
bidimensionnelles que les machines utilisent pour donner un sens aux choses.

Nombre des systèmes qui façonnent notre monde finissent également par façonner la
perception que nous avons de nous-mêmes.

Les systèmes d'IA sont formés et guidés par les humains, des développeurs et
programmeurs qui les construisent aux individus qui les utilisent.

En tant que tel, il appartient à chaque personne de choisir comment elle interagit avec les
systèmes d'IA et quelles informations elle se sent à l'aise de partager. C'est vous qui décidez
de ce que vous autorisez l'IA à apprendre sur "vous".

Au fil du temps, à mesure que ces systèmes d'IA feront leur apparition dans nos vies, les
humains pourront les aider à mieux comprendre les nuances sociales, les contextes et les
relations qui rendent chacun d'entre nous unique.

Zeros & ones ou

Zéros et uns :
fondamentaux de l'informatique.
Les éléments
Les 0 et les 1 sont le langage fondamental des ordinateurs. Connus sous le nom de "code
binaire", ils constituent le moyen par lequel les systèmes informatiques traitent les
informations.

Différentes versions du code binaire existent depuis des siècles ; par exemple, le braille
utilise des motifs de bosses en relief et inversées pour transmettre des informations aux
personnes aveugles. Le code morse utilise une série de signaux longs et courts. Tout ce que
fait un ordinateur est traduit en 0 et 1 qui peuvent être enchaînés en séquences pour
transmettre des informations, qu'il s'agisse de musique, de films, d'images, de langage ou
d'autre chose.

01001000 01100101 01101100 01101100 01101111 00100001 n'a peut-être pas l'air de
grand-chose pour vous, mais cette séquence binaire signifie "Bonjour".

Deux personnes sont assises l'une à côté de l'autre sur un banc. L'une d'elles parle à l'autre
par l'intermédiaire d'une bulle remplie de 0 et de 1.

Une approche binaire du traitement de l'information peut également constituer une limite
dans le domaine de l'IA, où les systèmes traitent des quantités extraordinaires de données
afin de mieux comprendre notre monde et de résoudre des problèmes qui sont rarement de
nature binaire.

À mesure que nous nous dirigeons vers l'avenir et que les ordinateurs deviennent de plus en
plus performants, évoluant vers des superordinateurs et, un jour, des ordinateurs quantiques,
la possibilité pour les systèmes d'IA de devenir encore plus complexes s'ouvre.