Abonnez-vous à DeepL Pro pour éditer ce document.

Visitez www.DeepL.com/pro pour en savoir plus.

Intuition
de l'intelligence
artificielle
1

Ce chapitre couvre
• Définition de l'IA telle que nous la connaissons

• Intuition des concepts applicables à l'IA

• Types de problèmes en informatique et en IA, et leurs propriétés

• Aperçu des algorithmes d'IA abordés dans ce livre

• Utilisations de l'IA dans le monde réel

Qu'est-ce que l'intelligence artificielle ?

L'intelligence est un mystère - un concept dont la définition ne fait pas
l'unanimité. Les philosophes, les psychologues, les scientifiques et les
ingénieurs ont tous des opinions différentes sur ce qu'elle est et sur la
façon dont elle émerge. Nous observons l'intelligence dans la nature qui nous
entoure, par exemple dans les groupes d'êtres vivants qui travaillent
ensemble, et dans la façon dont les humains pensent et se comportent.
En général, les choses qui sont autonomes tout en s'adaptant sont
considérées comme intelligentes. Autonome signifie qu'une chose n'a pas
besoin de recevoir d'instructions constantes, et adaptative signifie qu'elle
peut modifier son comportement en fonction de l'évolution de
l'environnement ou de l'espace problématique. Lorsque nous observons
les organismes vivants et

1
2 Chapitre 1 I Intuition de l'intelligence
artificielle

nous voyons que l'élément central du fonctionnement est la donnée. Les images que nous
voyons sont des données ; les sons que nous entendons sont des données ; les mesures
des choses qui nous entourent sont des données. Nous consommons des données, nous
les traitons toutes et nous prenons des décisions sur la base de ces données. Il est donc
important de comprendre les concepts qui entourent les données pour comprendre les
algorithmes de l'intelligence artificielle (IA).

Définition de l'IA
Certains affirment que nous ne comprenons pas ce qu'est l'IA parce que nous avons
du mal à définir l'intelligence elle-même. Salvador Dalí pensait que l'ambition était un
attribut de l'intelligence ; il a dit : "L'intelligence sans ambition est un oiseau sans
ailes." Albert Einstein pensait que l'imagination était un facteur important de
l'intelligence ; il a dit : "Le véritable signe de l'intelligence n'est pas la connaissance,
mais l'imagination." Et Stephen Hawking a déclaré : "L'intelligence est la capacité
d'adaptation", ce qui signifie qu'il faut être capable de s'adapter aux changements dans le
monde. Ces trois grands esprits avaient des points de vue différents sur l'intelligence.
S'il n'existe pas encore de réponse définitive à la question de l'intelligence, nous savons
au moins que notre compréhension de l'intelligence repose sur le fait que l'homme est
l'espèce dominante (et la plus intelligente).
Pour le bien de notre santé mentale, et pour nous en tenir aux applications
pratiques de ce livre, nous définirons vaguement l'IA comme un système synthétique
qui présente un comportement "intelligent". Au lieu d'essayer de définir quelque chose
comme étant de l'IA ou non, faisons référence à sa ressemblance avec l'IA. Une chose peut
présenter certains aspects de l'intelligence parce qu'elle nous aide à résoudre des
problèmes difficiles et qu'elle nous apporte de la valeur et de l'utilité. En général, les
implémentations de l'IA qui simulent la vision, l'audition et d'autres sens naturels sont
considérées comme proches de l'IA. Les solutions capables d'apprendre de manière
autonome tout en s'adaptant à de nouvelles données et à de nouveaux
environnements sont également considérées comme proches de l'IA.
Voici quelques exemples de choses qui font preuve d'intelligence artificielle :
• Un système qui réussit à jouer à de nombreux types de jeux complexes
• Un système de détection des tumeurs cancéreuses
• Un système qui génère des œuvres d'art à partir de peu d'informations.
• Une voiture à conduite autonome
Douglas Hofstadter a dit : "L'IA est ce qui n'a pas encore été fait". Dans les exemples
que nous venons de citer, une voiture à conduite autonome peut sembler intelligente
parce qu'elle n'a pas encore été perfectionnée. De même, un ordinateur qui additionne
des chiffres était considéré comme intelligent il y a quelque temps, mais il est considéré
comme acquis aujourd'hui.
L'essentiel est que l'IA est un terme ambigu qui a des significations différentes selon
les personnes, les industries et les disciplines. Les algorithmes présentés dans ce livre
 Qu'est-ce que l'intelligence 3
artificielle ?
ont été classés comme des algorithmes d'IA dans le passé ou le présent ; qu'ils
répondent ou non à une définition spécifique de l'IA n'a pas vraiment d'importance.
Ce qui compte, c'est qu'ils sont utiles pour résoudre des problèmes difficiles.
4 Chapitre 1 I Intuition de l'intelligence
artificielle

Comprendre que les données sont au cœur des algorithmes d'IA

Les données constituent l'entrée des merveilleux algorithmes qui réalisent des
prouesses qui semblent presque magiques. Avec un mauvais choix de données, des
données mal représentées ou des données manquantes, les algorithmes fonctionnent
mal, et le résultat ne peut être meilleur que les données fournies. Le monde est rempli
de données, et ces données existent sous des formes que nous ne pouvons même pas
percevoir. Les données peuvent représenter des valeurs mesurées numériquement,
comme la température actuelle de l'Arctique, le nombre de poissons dans un étang ou
votre âge actuel en jours. Tous ces exemples impliquent la saisie de valeurs
numériques précises basées sur des faits. Il est difficile de mal interpréter ces
données. La température à un endroit précis à un moment précis est absolument vraie
et n'est soumise à aucun biais. Ce type de données est connu sous le nom de données
quantitatives.
Les données peuvent également représenter des valeurs d'observations, comme
l'odeur d'une fleur ou le niveau d'accord d'une personne avec les politiques d'un
politicien. Ce type de données est connu sous le nom de données qualitatives et est
parfois difficile à interpréter car il ne s'agit pas d'une vérité absolue, mais d'une perception
de la vérité d'une personne. La figure 1.1 illustre quelques exemples de données
quantitatives et qualitatives qui nous entourent.

Figure 1.1 Exemples de données qui nous entourent

Les données sont des faits bruts sur les choses, donc les enregistrements de ces
données n'ont généralement aucun parti pris. Dans le monde réel, cependant, les
données sont collectées, enregistrées et mises en relation par des personnes en
fonction d'un contexte spécifique et d'une compréhension spécifique de la manière
dont les données peuvent être utilisées. L'acte de construire des idées significatives
 Qu'est-ce que l'intelligence 5
pour répondre à des questions artificielle
basées? sur des données est la création d'informations.
En outre, l'acte d'utiliser les informations avec des expériences et de les appliquer
consciemment crée des connaissances. C'est en partie ce que nous essayons de simuler
avec les algorithmes d'IA.
La figure 1.2 montre comment les données quantitatives et qualitatives peuvent être
interprétées. Des instruments standardisés tels que des horloges, des calculatrices et
des balances sont généralement utilisés pour mesurer les éléments suivants
6 Chapitre 1 I Intuition de l'intelligence
artificielle

des données quantitatives, tandis que nos sens de l'odorat, de l'ouïe, du goût, du
toucher et de la vue, ainsi que nos opinions, sont généralement utilisés pour créer des
données qualitatives.

Figure 1.2 Données qualitatives et données quantitatives

Les données, les informations et les connaissances peuvent être interprétées

différemment par différentes personnes, en fonction de leur niveau de compréhension
du domaine concerné et de leur vision du monde, ce qui a des conséquences sur la
qualité des solutions, d'où l'importance de l'aspect scientifique de la création de
technologies. L'aspect scientifique de la création de technologies revêt donc une
importance considérable. En suivant des processus scientifiques reproductibles pour
capturer des données, mener des expériences et rendre compte avec précision des
résultats, nous pouvons garantir des résultats plus précis et de meilleures solutions aux
problèmes lorsque nous traitons des données avec des algorithmes.

Considérer les algorithmes comme des instructions dans des recettes

Nous avons maintenant une définition générale de l'IA et une compréhension de
l'importance des données. Comme nous allons explorer plusieurs algorithmes d'IA
tout au long de ce livre, il est utile de comprendre ce qu'est exactement un
algorithme. Un algorithme est un ensemble d'instructions et de règles fournies sous
forme de spécification pour atteindre un objectif spécifique. Les algorithmes
acceptent généralement des entrées, et après plusieurs étapes finies au cours
desquelles l'algorithme progresse à travers différents états, une sortie est produite.
Même quelque chose d'aussi simple que la lecture d'un livre peut être représenté par
 Qu'est-ce que l'intelligence 7
artificielle ?
un algorithme. Voici un exemple des étapes de la lecture de ce livre :
1. Trouvez le livre Grokking Artificial Intelligence Algorithms.
2. Ouvrez le livre.
8 Chapitre 1 I Intuition de l'intelligence
artificielle

3. Alors que les pages non lues restent,

a. Lire la page.
b. Passez à la page suivante.
c. Réfléchissez à ce que vous avez appris.
4. Réfléchissez à la manière dont vous pouvez appliquer vos connaissances dans le
monde réel.
Un algorithme peut être considéré comme une recette, comme le montre la figure 1.3. Avec
des ingrédients et des outils en entrée, et des instructions pour créer un plat spécifique, le
résultat est un repas.

Figure 1.3 Un exemple montrant qu'un algorithme est comme

une recette de cuisine

Les algorithmes sont utilisés pour de nombreuses solutions différentes. Par exemple,
nous pouvons permettre un chat vidéo en direct dans le monde entier grâce à des
algorithmes de compression, et nous pouvons naviguer dans les villes grâce à des
applications cartographiques qui utilisent des algorithmes de routage en temps réel.
Même un simple programme "Hello World" fait intervenir de nombreux algorithmes pour
traduire le langage de programmation lisible par l'homme en code machine et exécuter
les instructions sur le matériel. Vous pouvez trouver des algorithmes partout si vous
regardez de près.
Pour illustrer quelque chose de plus proche des algorithmes de ce livre, la figure 1.4
 Qu'est-ce que l'intelligence 9
montre un algorithme de jeuartificielle ?
de devinettes représenté sous forme d'organigramme.
L'ordinateur génère un nombre aléatoire dans une plage donnée et le joueur tente de
deviner ce nombre. Remarquez que l'algorithme comporte des étapes discrètes qui
effectuent une action ou prennent une décision avant de passer à l'opération
suivante.
10 Chapitre 1 I Intuition de l'intelligence
artificielle

Figure 1.4 Diagramme de flux d'un algorithme de jeu de devinette numérique

Compte tenu de notre compréhension de la technologie, des données, de

l'intelligence et des algorithmes : Les algo- rithmes d'IA sont des ensembles
d'instructions qui utilisent les données pour créer des systèmes qui présentent un
comportement intelligent et résolvent des problèmes difficiles.

Une brève histoire de l'intelligence artificielle

Un bref retour en arrière sur les progrès de l'IA est utile pour comprendre que les
anciennes techniques et les nouvelles idées peuvent être exploitées pour résoudre
des problèmes de manière innovante. L'IA n'est pas une idée nouvelle. L'histoire est
remplie de mythes d'hommes mécaniques et de machines autonomes "pensantes". En
regardant en arrière, nous constatons que nous nous tenons sur les épaules de géants.
Peut-être pouvons-nous nous-mêmes contribuer au réservoir de connaissances, de
manière modeste.
L'examen des développements passés souligne l'importance de comprendre les
fondements de l'IA ; les algorithmes d'il y a plusieurs décennies sont essentiels dans de
nombreuses implémentations modernes de l'IA. Ce livre commence par des
algorithmes fondamentaux qui aident à construire l'intuition de la résolution de
problèmes et passe progressivement à des approches plus intéressantes et modernes.
 Qu'est-ce que l'intelligence 11
artificielle ?
La figure 1.5 ne constitue pas une liste exhaustive des réalisations en matière d'IA,
mais simplement un petit ensemble d'exemples. L'histoire est remplie de nombreuses
autres percées !
12 I
Chapitre 1Une brève histoire
Intuition de l'intelligence artificielle7
de l'intelligence
artificielle

Figure 1.5 L'évolution de l'IA

8 Chapitre 1 I Intuition de l'intelligence
artificielle

Types de problèmes et
paradigmes de résolution de
problèmes
Les algorithmes d'IA sont puissants, mais ce ne sont pas des balles d'argent qui
peuvent résoudre tous les problèmes. Mais quels sont les problèmes ? Cette section
examine différents types de problèmes que nous rencontrons habituellement en
informatique, en montrant comment nous pouvons commencer à acquérir une intuition à
leur sujet. Cette intuition peut nous aider à identifier ces problèmes dans le monde
réel et à guider le choix des algorithmes utilisés pour les résoudre.
Plusieurs termes en informatique et en IA sont utilisés pour décrire les problèmes. Les
problèmes sont classés en fonction de leur contexte et de leur objectif.

Recherchez des problèmes : Trouver un chemin vers une solution

Un problème de recherche implique une situation qui présente plusieurs solutions
possibles, chacune d'entre elles représentant une séquence d'étapes (chemin) vers un
objectif. Certaines solutions contiennent des sous-ensembles de chemins qui se
chevauchent ; certaines sont meilleures que d'autres ; et certaines sont moins coûteuses à
réaliser que d'autres. Une "meilleure" solution est déterminée par le problème
spécifique à résoudre ; une solution "moins chère" signifie qu'elle est moins coûteuse à
exécuter sur le plan informatique. Un exemple est la détermination du chemin le plus
court entre deux villes sur une carte. De nombreuses routes peuvent être disponibles, avec
des distances et des conditions de circulation différentes, mais certaines routes sont
meilleures que d'autres. De nombreux algorithmes d'IA sont basés sur le concept de
recherche d'un espace de solution.

Problèmes d'optimisation : Trouver une bonne solution

Un problème d'optimisation implique une situation dans laquelle il existe un grand
nombre de solutions valables et où la meilleure solution absolue est difficile à trouver.
Les problèmes d'optimisation comportent généralement un très grand nombre de
possibilités, chacune d'entre elles se distinguant par sa capacité à résoudre le problème.
Un exemple est le rangement des bagages dans le coffre d'une voiture de manière à
maximiser l'utilisation de l'espace. De nombreuses combinaisons sont possibles, et si
le coffre est bien rempli, il peut contenir plus de bagages.
Le meilleur local contre le meilleur global
Comme les problèmes d'optimisation comportent de nombreuses solutions et
que ces solutions existent en différents points de l'espace de recherche, le
concept de meilleure solution locale et de meilleure solution globale entre en jeu.
Une meilleure solution locale est la meilleure solution dans une zone spécifique de
l'espace de recherche, et une meilleure solution globale est la meilleure solution dans
tout l'espace de recherche. En général, il existe plusieurs meilleures solutions
locales et une meilleure solution globale. Prenons l'exemple de la recherche du
meilleur restaurant. Vous pouvez trouver le meilleur restaurant de votre région,
mais ce n'est pas nécessairement le meilleur restaurant du pays ou du monde.
10 Chapitre I
Types1 de Intuition
problèmes de et paradigmes de
l'intelligence résolution de problèmes9
artificielle

Problèmes de prédiction et de classification : Apprendre à partir de modèles

dans les données
Les problèmes de prédiction sont des problèmes dans lesquels nous disposons de données
sur quelque chose et voulons essayer de trouver des modèles. Par exemple, nous
pouvons avoir des données sur différents véhicules et leurs tailles de moteur, ainsi
que sur la consommation de carburant de chaque véhicule. Pouvons-nous prédire la
consommation de carburant d'un nouveau modèle de véhicule, compte tenu de la
taille de son moteur ? S'il existe une corrélation dans les données entre la taille des
moteurs et la consommation de carburant, cette prédiction est possible.
Les problèmes de classification sont similaires aux problèmes de prédiction, mais au
lieu d'essayer de trouver une prédiction exacte telle que la consommation de
carburant, nous essayons de trouver une catégorie d'un objet en fonction de ses
caractéristiques. Compte tenu des dimensions d'un véhicule, de la taille de son
moteur et du nombre de sièges, peut-on prédire si ce véhicule est une moto, une
berline ou un véhicule utilitaire sport ? Les problèmes de classification exigent de
trouver des modèles dans les données qui regroupent les exemples en catégories.
L'interpolation est un concept important pour trouver des modèles dans les données,
car nous estimons de nouveaux points de données sur la base des données connues.

Problèmes de mise en grappes : Identifier des modèles dans les données

Les problèmes de regroupement comprennent des scénarios dans lesquels des
tendances et des relations sont découvertes à partir de données. Différents aspects
des données sont utilisés pour regrouper les exemples de différentes manières. Si l'on
dispose de données sur le coût et la localisation des restaurants, par exemple, on peut
constater que les jeunes ont tendance à fréquenter les endroits où la nourriture est
moins chère.
Le clustering vise à trouver des relations dans les données, même lorsqu'une question
précise n'est pas posée. Cette approche est également utile pour mieux comprendre
les données et savoir ce que l'on peut en faire.

Modèles déterministes : Même résultat à chaque fois qu'il est calculé

Les modèles déterministes sont des modèles qui, à partir d'une entrée spécifique,
produisent une sortie cohérente. Par exemple, si l'on indique l'heure de midi dans une
ville donnée, on peut toujours s'attendre à ce qu'il fasse jour, et si l'on indique l'heure
de minuit, on peut toujours s'attendre à ce qu'il fasse nuit. Évidemment, cet exemple
simple ne tient pas compte des durées inhabituelles de la lumière du jour près des
pôles de la planète.

Modèles stochastiques/probabilistes :
Résultat potentiellement différent à chaque fois qu'il est calculé
Les modèles probabilistes sont des modèles qui, à partir d'une entrée spécifique, renvoient
un résultat parmi un ensemble de résultats possibles. Les modèles probabilistes
comportent généralement un élément d'aléa contrôlé qui contribue à l'ensemble des
résultats possibles. Si l'on considère l'heure de midi, par exemple, on peut s'attendre à
ce que le temps soit ensoleillé, nuageux ou pluvieux ; il n'y a pas de temps fixe à cette
heure.
10 Chapitre 1 I Intuition de l'intelligence
artificielle

Intuition des concepts d'intelligence artificielle

L'IA est un sujet brûlant, tout comme l'apprentissage automatique et l'apprentissage
profond. Essayer de donner un sens à ces concepts différents mais similaires peut être
une expérience décourageante. En outre, dans le domaine de l'IA, il existe des
distinctions entre les différents niveaux d'intelligence.
Dans cette section, nous démystifions certains de ces concepts. Cette section constitue
également une feuille de route des sujets abordés tout au long de ce livre.
Plongeons dans les différents niveaux de l'IA, présentés par la figure 1.6.

Figure 1.6 Niveaux d'IA

Une intelligence étroite : Solutions à usage spécifique

Les systèmes d'intelligence restreinte résolvent les problèmes dans un contexte ou un
domaine spécifique. Ces systèmes ne peuvent généralement pas résoudre un
problème dans un contexte et appliquer la même compréhension dans un autre. Un
système développé pour comprendre les interactions avec les clients et leur
comportement d'achat, par exemple, ne serait pas capable d'identifier des chats dans
une image. En général, pour qu'un système soit efficace dans la résolution d'un
problème, il doit être assez spécialisé dans le domaine du problème, ce qui le rend
difficile à adapter à d'autres problèmes.
Différents systèmes d'intelligence restreinte peuvent être combinés de manière
judicieuse pour créer quelque chose de plus grand qui semble être plus général dans son
intelligence. Un assistant vocal en est un exemple. Ce système peut comprendre le langage
naturel, ce qui, à lui seul, est un problème étroit, mais en l'intégrant à d'autres systèmes
 Intuition des concepts d'intelligence 11
artificielle
d'intelligence étroite, tels que les recherches sur le web et les recommandeurs de
musique, il peut présenter des qualités d'intelligence générale.
12 Chapitre 1 I Intuition de l'intelligence
artificielle

L'intelligence générale : Des solutions semblables à celles des humains

L'intelligence générale est une intelligence de type humain. En tant qu'êtres humains, nous
sommes capables d'apprendre de diverses expériences et interactions dans le monde et
d'appliquer cette compréhension d'un problème à un autre. Si, enfant, vous avez
ressenti de la douleur en touchant quelque chose de chaud, par exemple, vous pouvez
extrapoler et savoir que d'autres choses chaudes risquent de vous faire mal.
Cependant, l'intelligence générale chez les humains ne se limite pas à un
raisonnement du type "Les objets chauds peuvent être dangereux". L'intelligence
générale englobe la mémoire, le raisonnement spatial par le biais d'entrées visuelles,
l'utilisation des connaissances, etc. Atteindre l'intelligence générale dans une machine
semble être un exploit peu probable à court terme, mais les progrès de l'informatique
quantique, du traitement des données et des algorithmes d'IA pourraient en faire une
réalité à l'avenir.

La super intelligence : La grande inconnue

Certaines idées de superintelligence apparaissent dans des films de science-fiction se
déroulant dans des mondes post-apocalyptiques, dans lesquels toutes les machines sont
connectées, sont capables de raisonner sur des choses qui dépassent notre
compréhension, et dominent les humains. Il existe de nombreuses divergences
philosophiques sur la question de savoir si les humains pourraient créer quelque
chose de plus intelligent que nous et, si c'était le cas, si nous le saurions. La
superintelligence est la grande inconnue, et pendant longtemps, toute définition ne
sera que spéculation.

Ancienne IA et nouvelle IA
On utilise parfois les notions d'ancienne IA et de nouvelle IA. L'ancienne IA est souvent
comprise comme étant des systèmes dans lesquels des personnes ont encodé les règles
qui font qu'un algorithme présente un comportement intelligent - grâce à une
connaissance approfondie du problème ou par essais et erreurs. Un exemple de
l'ancienne IA est une personne qui crée manuellement un arbre de décision et les
règles et options de l'ensemble de l'arbre de décision. La nouvelle IA vise à créer des
algorithmes et des modèles qui apprennent à partir de données et créent leurs
propres règles qui fonctionnent aussi bien, voire mieux, que les règles créées par
l'homme. La différence est que ces dernières peuvent trouver des modèles importants
dans les données qu'une personne ne trouverait jamais ou qu'il lui faudrait beaucoup
plus de temps pour trouver. Les algorithmes de recherche sont souvent considérés
comme de la vieille IA, mais une solide compréhension de ceux-ci est utile pour
apprendre des approches plus complexes. Ce livre vise à présenter les algorithmes
d'IA les plus populaires et à développer progressivement chaque concept. La figure 1.7
illustre la relation entre certains des différents concepts de l'intelligence artificielle.
 Intuition des concepts d'intelligence 13
artificielle

Figure 1.7 Catégorisation des concepts de l'IA

Algorithmes de recherche
Les algorithmes de recherche sont utiles pour résoudre des problèmes dans lesquels
plusieurs actions sont nécessaires pour atteindre un objectif, comme trouver un chemin
dans un labyrinthe ou déterminer le meilleur mouvement à effectuer dans un jeu. Les
algorithmes de recherche évaluent les états futurs et tentent de trouver le chemin le
plus optimal pour atteindre l'objectif le plus valable. En général, les solutions possibles
sont trop nombreuses pour que l'on puisse les forcer brutalement. Même de petits
espaces de recherche peuvent entraîner des milliers d'heures de calcul pour trouver la
meilleure solution. Les algorithmes de recherche fournissent des moyens intelligents
d'évaluer l'espace de recherche. Les algorithmes de recherche sont utilisés dans les
moteurs de recherche en ligne, les applications de routage de cartes et même les
agents de jeu.

Algorithmes inspirés de la biologie

Lorsque nous observons le monde qui nous entoure, nous remarquons des choses
incroyables chez diverses créatures, plantes et autres organismes vivants. Par
exemple, la coopération des fourmis pour trouver de la nourriture, le regroupement
des oiseaux lors des migrations, l'estimation du fonctionnement du cerveau et
l'évolution de différents organismes pour produire une progéniture plus forte. En
observant et en apprenant de divers phénomènes, nous avons acquis des
connaissances sur le fonctionnement de ces systèmes organiques et sur la manière
dont des règles simples peuvent aboutir à un comportement intelligent émergent.
Certains de ces phénomènes ont inspiré des algorithmes utiles en IA, tels que les
14 I
Chapitre 1 Intuition de l'intelligence
artificielle
algorithmes évolutionnaires et les algorithmes d'intelligence en essaim.
Les algorithmes évolutionnaires s'inspirent de la théorie de l'évolution définie par
Charles Darwin. Le concept est qu'une population se reproduit pour créer de
nouveaux individus et qu'à travers ce processus, le mélange de gènes et de mutation
produit des individus qui
 Intuition des concepts d'intelligence 15
artificielle

sont plus performants que leurs ancêtres. L'intelligence en essaim est un groupe
d'individus apparemment "idiots" présentant un comportement intelligent.
L'optimisation par colonies de fourmis et l'optimisation par essaims de particules sont
deux algorithmes populaires que nous allons explorer dans ce livre.

Algorithmes d'apprentissage automatique

L'apprentissage automatique adopte une approche statistique de la formation de modèles
pour apprendre à partir de données. L'apprentissage automatique comprend une
variété d'algorithmes qui peuvent être exploités pour améliorer la compréhension des
relations dans les données, pour prendre des décisions et pour faire des prédictions
sur la base de ces données.
Il existe trois approches principales dans l'apprentissage automatique :
• L'apprentissage supervisé consiste à former des modèles à l'aide
d'algorithmes lorsque les données de formation présentent des résultats
connus pour une question posée, par exemple pour déterminer le type de fruit si
nous disposons d'un ensemble de données comprenant le poids, la couleur, la
texture et l'étiquette du fruit pour chaque exemple.
• L'apprentissage non supervisé permet de découvrir des relations et des
structures cachées dans les données qui nous guident pour poser des questions
pertinentes à l'ensemble des données. Il peut trouver des modèles dans les
propriétés de fruits similaires et les regrouper en conséquence, ce qui peut
informer les questions exactes que nous voulons poser aux données. Ces concepts
et algorithmes de base nous aident à créer une base pour explorer des
algorithmes avancés à l'avenir.
• L'apprentissage par renforcement s'inspire de la psychologie comportementale. En
bref, il décrit le fait de récompenser un individu si une action utile a été réalisée
et de le pénaliser si une action défavorable a été réalisée. Pour explorer un
exemple humain, lorsqu'un enfant obtient de bons résultats sur son bulletin
scolaire, il est généralement récompensé, mais de mauvaises performances
entraînent parfois une punition, ce qui renforce le comportement consistant à
obtenir de bons résultats. L'apprentissage par renforcement est utile pour
étudier la manière dont les programmes informatiques ou les robots
interagissent avec des environnements dynamiques. Par exemple, un robot est
chargé d'ouvrir des portes ; il est pénalisé lorsqu'il n'ouvre pas une porte et
récompensé lorsqu'il y parvient. Au fil du temps, après de nombreuses
tentatives, le robot "apprend" la séquence d'actions requise pour ouvrir une
porte.

Algorithmes d'apprentissage profond

L'apprentissage profond, qui découle de l'apprentissage automatique, est une famille
plus large d'approches et d'algorithmes qui sont utilisés pour atteindre une
intelligence étroite et tendre vers une intelligence générale. L'apprentissage profond
16 Chapitre 1 I Intuition de l'intelligence
implique généralement que l'approche tente de résoudre un problème de manière
artificielle
plus générale, comme le raisonnement spatial, ou qu'elle est appliquée à des
problèmes qui nécessitent une plus grande généralisation, comme la vision par
ordinateur et la reconnaissance vocale. Les problèmes généraux sont des problèmes
que les humains savent résoudre. Par exemple, nous pouvons faire correspondre des
motifs visuels dans presque tous les contextes. L'apprentissage profond s'intéresse
également à l'apprentissage superposé, à l'apprentissage non supervisé et à
l'apprentissage par renforcement. Les approches d'apprentissage profond utilisent
généralement de nombreuses couches de réseaux neuronaux artificiels. En tirant parti
de
 Intuition des concepts d'intelligence 17
artificielle

Différentes couches de composants intelligents, chaque couche résolvant des

problèmes spécialisés ; ensemble, les couches résolvent des problèmes complexes en vue
d'un objectif plus large. L'identification d'un objet dans une image, par exemple, est un
problème général, mais il peut être décomposé en compréhension des couleurs,
reconnaissance des formes des objets et identification des relations entre les objets
pour atteindre un objectif.

Utilisations des algorithmes d'intelligence artificielle

Les utilisations des techniques d'IA sont potentiellement infinies. Là où il y a des données
et des problèmes à résoudre, il y a des applications potentielles de l'IA. Compte tenu de
l'environnement en constante évolution, de l'évolution des interactions entre les
humains et des changements dans les exigences des personnes et des industries, l'IA peut
être appliquée de manière innovante pour résoudre des problèmes du monde réel.
Cette section décrit l'application de l'IA dans diverses industries.

L'agriculture : Croissance optimale des plantes

L'agriculture est l'une des industries les plus importantes pour le maintien de la vie
humaine. Nous devons être en mesure de produire des cultures de qualité pour la
consommation de masse de manière économique. De nombreux agriculteurs cultivent
des cultures à l'échelle commerciale pour nous permettre d'acheter des fruits et
légumes dans les magasins de manière pratique. Les cultures poussent différemment
selon le type de culture, les nutriments présents dans le sol, la teneur en eau du sol,
les bactéries présentes dans l'eau et les conditions météorologiques de la région,
entre autres. L'objectif est de produire autant de produits de haute qualité que
possible au cours d'une saison, car certaines cultures ne poussent généralement bien
qu'à certaines saisons.
Au fil des ans, les agriculteurs et autres organisations agricoles ont saisi des
données sur leurs exploitations et leurs cultures. Grâce à ces données, nous pouvons
exploiter les machines pour trouver des modèles et des relations entre les variables du
processus de culture et identifier les facteurs qui contribuent le plus à une croissance
réussie. En outre, grâce aux capteurs numériques modernes, nous pouvons
enregistrer les conditions météorologiques, les caractéristiques du sol, les conditions
hydriques et la croissance des cultures en temps réel. Ces données, associées à des
algorithmes intelligents, permettent de formuler des recommandations et des
ajustements en temps réel pour une croissance optimale (figure 1.8).
 Utilisations des algorithmes d'intelligence 15
artificielle

Figure 1.8 Utilisation des données pour optimiser l'exploitation

des cultures

Banque : Détection des fraudes

Le besoin de services bancaires est devenu évident lorsque nous avons dû trouver une
monnaie commune et cohérente pour échanger des biens et des services. Les banques
ont évolué au fil des ans pour offrir différentes options pour stocker de l'argent,
l'investir et effectuer des paiements. Une chose qui n'a pas changé au fil du temps, c'est
que les gens trouvent des moyens créatifs de tromper le système. L'un des plus gros
problèmes, non seulement dans le secteur bancaire mais aussi dans la plupart des
institutions financières, comme les compagnies d'assurance, est la fraude. La fraude se
produit lorsque quelqu'un est malhonnête ou fait quelque chose d'illégal pour obtenir
quelque chose pour lui-même. La fraude se produit généralement lorsque des failles dans
un processus sont exploitées ou qu'une escroquerie incite quelqu'un à divulguer des
informations. Le secteur des services financiers étant fortement connecté par le biais
d'Internet et des appareils personnels, davantage de transactions sont effectuées
électroniquement sur un réseau informatique qu'en per- sonne, avec de l'argent
physique. Grâce aux vastes quantités de données de transaction disponibles, nous
pouvons, en temps réel, trouver des schémas de transaction spécifiques au
comportement de dépense d'un individu qui peuvent sortir de l'ordinaire. Ces
données permettent aux institutions financières d'économiser d'énormes sommes
d'argent et protègent les consommateurs peu méfiants contre le vol.

Cybersécurité : Détection et traitement des attaques

16 Chapitre 1 I Intuition de l'intelligence
L'un des effets secondaires
artificielle intéressants du boom de l'internet est la cybersécurité.
Nous envoyons et recevons en permanence des informations sensibles sur l'internet :
messages instantanés, détails de cartes de crédit, courriels et autres informations
confidentielles importantes qui pourraient être endommagées.
 Utilisations des algorithmes d'intelligence 17
artificielle

utilisé à mauvais escient s'il tombait entre de mauvaises mains. Des milliers de
serveurs à travers le monde reçoivent des données, les traitent et les stockent. Les
attaquants tentent de compromettre ces systèmes pour accéder aux données, aux
appareils, voire aux installations.
En utilisant l'IA, nous pouvons identifier et bloquer les attaques potentielles sur les
serveurs. Certaines grandes entreprises de l'internet stockent des données sur la
façon dont des individus spécifiques interagissent avec leur service, y compris les
identifiants de leurs appareils, leur géolocalisation et leur comportement d'utilisation ;
lorsqu'un comportement inhabituel est détecté, des mesures de sécurité limitent
l'accès. Certaines sociétés Internet peuvent également bloquer et rediriger le trafic
malveillant lors d'une attaque par déni de service distribué (DDoS), qui consiste à
surcharger un service de fausses demandes dans le but de le faire tomber ou
d'empêcher l'accès des utilisateurs authentiques. Ces demandes non authentiques
peuvent être identifiées et réacheminées pour minimiser l'impact de l'attaque en
comprenant les données d'utilisation des utilisateurs, les systèmes et le réseau.

Soins de santé : Diagnostic des patients

Les soins de santé ont été une préoccupation constante tout au long de l'histoire de
l'humanité. Nous devons avoir accès au diagnostic et au traitement de différentes
affections dans différents endroits et dans des délais variables avant qu'un problème
ne devienne plus grave, voire fatal. Lorsque nous examinons le diagnostic d'un
patient, nous pouvons nous pencher sur les vastes quantités de connaissances
enregistrées sur le corps humain, les problèmes connus, l'expérience acquise dans le
traitement de ces problèmes et une myriade de scans du corps. Traditionnellement, les
médecins devaient analyser les images des scanners pour détecter la présence de
tumeurs, mais cette approche ne permettait de détecter que les tumeurs les plus
grandes et les plus avancées. Les progrès de l'apprentissage profond ont amélioré la
détection des tumeurs dans les images générées par les scanners. Désormais, les
médecins peuvent détecter le cancer plus tôt, ce qui signifie qu'un patient peut recevoir
le traitement requis à temps et avoir de meilleures chances de guérison.
En outre, l'IA peut être utilisée pour trouver des modèles dans les symptômes, les
maladies, les gènes héréditaires, les lieux géographiques, etc. Nous pourrions
potentiellement savoir qu'une personne a une forte probabilité de développer une
maladie spécifique et être prêts à gérer cette maladie avant qu'elle ne se développe. La
figure 1.9 illustre la reconnaissance des caractéristiques d'un scanner cérébral par
apprentissage profond.
18 I
Chapitre 1 Intuition de l'intelligence
artificielle
Figure 1.9 Utilisation de l'apprentissage automatique pour la reconnaissance des caractéristiques des
scanners cérébraux
 Utilisations des algorithmes d'intelligence 19
artificielle

La logistique : Acheminement et optimisation

Le secteur de la logistique est un immense marché composé de différents types de
véhicules qui livrent différents types de marchandises à différents endroits, avec des
exigences et des délais différents. Imaginez la complexité de la planification des
livraisons d'un grand site de commerce électronique. Qu'il s'agisse de biens de
consommation, d'équipements de construction, de pièces détachées pour machines
ou de carburant, le système vise à être aussi optimal que possible pour répondre à la
demande et réduire les coûts.
Vous avez peut-être déjà entendu parler du problème du vendeur itinérant : un vendeur
doit se rendre à plusieurs endroits pour accomplir son travail, et le but est de trouver la
distance la plus courte pour accomplir cette tâche. Les problèmes de logistique sont
similaires, mais généralement beaucoup plus complexes en raison de l'environnement
changeant du monde réel. Grâce à l'IA, nous pouvons trouver des itinéraires optimaux
entre des lieux en termes de temps et de distance. En outre, nous pouvons trouver les
meilleurs itinéraires en fonction des schémas de circulation, des blocages dus à la
construction et même des types de routes en fonction du véhicule utilisé. En outre, nous
pouvons calculer la meilleure façon d'emballer chaque véhicule et ce qu'il doit contenir
de manière à optimiser chaque livraison.

Télécoms : Optimisation des réseaux

L'industrie des télécommunications a joué un rôle énorme dans la connexion du monde.
Ces entreprises mettent en place une infrastructure coûteuse de câbles, de tours et de
satellites pour créer un réseau que de nombreux consommateurs et organisations
peuvent utiliser pour communiquer via l'internet ou des réseaux privés. L'exploitation
de ces équipements étant coûteuse, l'optimisation d'un réseau permet de multiplier
les connexions, ce qui permet à un plus grand nombre de personnes d'accéder à des
connexions à haut débit. L'IA peut être utilisée pour surveiller le comportement sur un
réseau et optimiser le routage. En outre, ces réseaux enregistrent les demandes et les
réponses ; ces données peuvent être utilisées pour optimiser les réseaux en fonction
de la charge connue de certains individus, de certaines zones et de certains réseaux
locaux spécifiques. Les données du réseau peuvent également être utiles pour
comprendre où se trouvent les gens et qui ils sont, ce qui est utile pour la planification
urbaine.

Jeux : Créer des agents d'IA

Depuis que les ordinateurs personnels et domestiques sont devenus largement
disponibles, les jeux ont constitué un argument de vente pour les systèmes
informatiques. Les jeux ont été populaires très tôt dans l'histoire des ordinateurs
personnels. Si l'on y réfléchit, on peut se souvenir de machines d'arcade, de
téléviseurs et d'ordinateurs personnels dotés de fonctions de jeu. Les jeux d'échecs, de
backgammon et autres ont été dominés par des machines à IA. Si la complexité d'un
jeu est suffisamment faible, un ordinateur peut potentiellement trouver toutes les
possibilités et prendre une décision basée sur ces connaissances plus rapidement qu'un
20 Chapitre 1 I Intuition de l'intelligence
humain. Récemment, un ordinateur a été capable de battre des champions humains au
artificielle
jeu de stratégie qu'est le go. Le go a des règles simples pour le contrôle du territoire,
mais il est extrêmement complexe en termes de décisions à prendre pour un scénario
gagnant. Un ordinateur ne peut pas générer toutes les possibilités de battre les meilleurs
joueurs humains, car l'espace de recherche est très vaste.
 Utilisations des algorithmes d'intelligence 21
artificielle

de manière abstraite, d'élaborer des stratégies et de planifier des mouvements vers

un objectif. Cet algorithme a déjà été inventé et a réussi à vaincre des champions du
monde. Il a également été adapté à d'autres applications, comme les jeux Atari et les
jeux multijoueurs modernes. Ce système s'appelle Alpha Go.
Plusieurs organismes de recherche ont développé des systèmes d'IA capables de jouer à
des jeux très complexes mieux que les joueurs et les équipes humaines. L'objectif de
ces travaux est de créer des approches générales qui peuvent s'adapter à différents
contextes. À première vue, ces algorithmes d'IA capables de jouer à des jeux peuvent
sembler sans importance, mais la conséquence du développement de ces systèmes est que
l'approche peut être appliquée efficacement dans d'autres espaces de problèmes
importants. La figure 1.10 illustre comment un algorithme d'apprentissage par
renforcement peut apprendre à jouer à un jeu vidéo classique comme Mario.

Figure 1.10 Utilisation de réseaux neuronaux pour apprendre à jouer à des jeux vidéo
22 Chapitre 1 I Intuition de l'intelligence
artificielle

L'art : Créer des chefs-d'œuvre

Des artistes uniques et intéressants ont créé de magnifiques peintures. Chaque artiste
a sa propre façon d'exprimer le monde qui l'entoure. Nous avons également des
compositions musicales étonnantes qui sont appréciées par les masses. Dans les deux
cas, la qualité de l'art ne peut être mesurée quantitativement ; elle est plutôt mesurée
qualitativement (par le degré d'appréciation de l'œuvre par les gens). Les facteurs en
jeu sont difficiles à comprendre et à saisir ; le concept est dicté par l'émotion.
De nombreux projets de recherche visent à construire une IA qui génère de l'art. Le
concept implique la généralisation. Un algorithme devrait avoir une compréhension
large et générale du sujet pour créer quelque chose qui correspond à ces paramètres.
Une IA de Van Gogh, par exemple, devrait comprendre toutes les œuvres de Van Gogh et
en extraire le style et la "sensation" afin de pouvoir appliquer ces données à d'autres
images. Le même raisonnement peut être appliqué à l'extraction de modèles cachés
dans des domaines tels que les soins de santé, la cybersécurité et la finance.

Maintenant que nous avons une intuition abstraite de ce qu'est l'IA, de la catégorisation
des thèmes qui la composent, des problèmes qu'elle vise à résoudre et de quelques cas
d'utilisation, nous allons nous plonger dans l'une des formes les plus anciennes et les
plus simples d'imitation de l'intelligence : les algorithmes de recherche. Les
algorithmes de recherche fournissent une bonne base pour certains concepts qui sont
employés par d'autres algorithmes d'IA plus sophistiqués explorés dans ce livre.
 Utilisations des algorithmes d'intelligence 23
artificielle

RÉSUMÉ DE L'INTUITION DE L'INTELLIGENCE ARTIFICIELLE