Skip to content

ThinkProduits
Solutions
Consulting
Support
En savoir plus

Qu'est-ce que l'intelligence artificielle (IA) ?

Découvrir l’IA conversationnelle d’IBM

 Intelligence artificielle (IA)

 Qu'est-ce que l'intelligence artificielle ?
 Types d'intelligences artificielles: IA faible et IA forte
 Apprentissage en profondeur versus Apprentissage automatique
 Applications de l'intelligence artificielle
 Histoire de l'intelligence artificielle: Dates et noms clés
 Intelligence artificielle et IBM Cloud
 Solutions connexes
Intelligence artificielle (IA)
L'intelligence artificielle exploite les ordinateurs et les machines pour imiter les fonctions de
résolution de problèmes et de prise de décision du cerveau humain. 
En savoir plus

Téléchargez le livre électronique sur l’intelligence artificielle

Regardez la vidéo IBM Cloud Paks: un logiciel propulsé par l’IA pour faire progresser la transformation
numérique

1:12 - This link plays a video

Qu'est-ce que l'intelligence artificielle ?

Alors qu'un certain nombre de définitions de l'intelligence artificielle (IA) ont été proposées au cours
des dernières décennies, John McCarthy avance la définition suivante dans ce document de 2004
(PDF, 106 ko, lien externe à IBM): "C'est la science et l'ingénierie de la fabrication de machines
intelligentes, en particulier de programmes informatiques intelligents. Elle est liée à la tâche similaire
qui consiste à utiliser des ordinateurs pour comprendre l'intelligence humaine, mais l'IA ne doit pas se
limiter aux méthodes qui sont biologiquement observables."

Cependant, des décennies avant cette définition, la naissance de la discussion sur l'intelligence
artificielle était signalée dans l'ouvrage fondamental d'Alan Turing, "Computing Machinery and
Intelligence" (PDF, 89,8 ko, lien externe à IBM), publié en 1950. Dans cet article, Turing, souvent
appelé le "père de l'informatique", pose la question suivante : "Les machines peuvent-elles penser ?" .
C'est alors qu'il propose un test, désormais connu sous le nom de "Test de Turing", où une personne
essaie de distinguer une réponse d'un ordinateur de celle d'un humain. Bien que ce test ait fait l'objet
de nombreux débats depuis sa publication, il reste un élément important de l'histoire de l'intelligence
artificielle, ainsi qu'un concept très actuel au sein de la philosophie, car il fait appel à des idées
relatives à la linguistique.

Stuart Russell et Peter Norvig ont ensuite publié Artificial Intelligence: A Modern Approach (le lien
réside en dehors d'IBM), qui est devenu l'un des principaux manuels de référence dans l'étude de
l'intelligence artificielle. Ils y examinent quatre objectifs ou définitions potentiels de l'IA, qui
différencient les systèmes informatiques sur la base de la rationalité et de la réflexion par rapport à
l'action:

Approche humaine:

 Systèmes qui pensent comme des êtres humains

 Systèmes qui agissent comme des êtres humains

Approche idéale:

 Systèmes qui pensent rationnellement

 Systèmes qui agissent rationnellement

La définition d'Alan Turing aurait été classée dans la catégorie des "systèmes qui agissent comme des
êtres humains."

Dans sa forme la plus simple, l'intelligence artificielle est un domaine qui combine l'informatique et
des ensembles de données solides pour permettre la résolution de problèmes. Elle englobe également
les sous-domaines de l'apprentissage automatique et de l'apprentissage en profondeur qui sont
fréquemment mentionnés en association à l'intelligence artificielle. Ces disciplines sont composées
d'algorithmes d'IA qui cherchent à créer des systèmes experts qui exécutent des prévisions ou des
classifications sur la base de données d'entrée.

Aujourd'hui, le développement de l'IA fait encore l'objet d'un grand battage médiatique, ce qui est
normal pour toute nouvelle technologie émergente sur le marché. Comme indiqué dans le "Hype
cycle" de Gartner (lien hors IBM), les produits innovants comme les voitures autonomes et les
assistants personnels suivent "une progression typique de l'innovation, passant d'un excès
d'enthousiasme à une période de désillusion jusqu'à la compréhension finale de la pertinence de
l'innovation et de son rôle sur un marché ou domaine." Comme le souligne Lex Fridman ici (01:08:15)
(lien externe à IBM) dans sa conférence au MIT en 2019, nous sommes au sommet des attentes
exagérées et nous approchons de la période de désillusion.  

Alors que des discussions émergent autour de l'éthique de l'IA, nous pouvons commencer à entrevoir
les premiers signes du creux lié à la désillusion. Pour en savoir plus sur le positionnement d'IBM dans
cet débat autour de l'éthique de l'intelligence artificielle, lisez ceci.
Produits à la une

Watson Studio

IBM Cloud Pak for Data

IBM Watson Assistant

Types d'intelligences artificielles: IA faible et IA forte

L'IA faible, également appelée IA étroite ou intelligence artificielle étroite (ANI, Artificial Narrow
Intelligence), est une IA entraînée et concentrée pour effectuer des tâches spécifiques. L'intelligence
artificielle faible régit l'essentiel de l'IA actuelle. Il serait plus approprié de parler d'IA étroite car elle
n'a en fait rien de faible ; elle contribue au fonctionnement de certaines applications très robustes,
comme Siri d'Apple, Alexa d'Amazon, IBM Watson et les véhicules autonomes.

L'IA forte se compose de l'intelligence artificielle générale (IAG) et de la super intelligence artificielle
(SIA). L'intelligence artificielle générale (IAG), ou IA générale, est une forme théorique d'IA dans
laquelle une machine aurait une intelligence égale à celle des êtres humains : elle aurait une
conscience d'elle-même, serait capable de résoudre des problèmes, d'apprendre et de planifier l'avenir.
La super intelligence artificielle (SIA), également appelée super intelligence, dépasserait l'intelligence
et les capacités du cerveau humain. Bien que l'IA forte soit encore entièrement théorique et qu'aucun
exemple pratique ne soit utilisé aujourd'hui, cela ne signifie pas que les chercheurs en IA n'explorent
pas son développement. En attendant, les meilleurs exemples d'IAG sont peut-être issus de la science-
fiction, comme HAL, l'assistant informatique surhumain et dévoyé de 2001: l'odyssée de l'espace.
Liens connexes

Science des données et IA

AutoAI

IA explicable

IBM Cloud Paks

Apprentissage en profondeur versus Apprentissage automatique

Les termes "apprentissage en profondeur" et "apprentissage automatique" ayant tendance à être utilisés
indifféremment, il convient de noter les nuances entre les deux. Comme mentionné précédemment,
l'apprentissage en profondeur et l'apprentissage automatique sont tous les deux des sous-domaines de
l'intelligence artificielle, l'apprentissage en profondeur étant en fait un sous-domaine de l'apprentissage
automatique.

L'apprentissage en profondeur est composé de réseaux neuronaux. Le terme "en profondeur" fait
référence à un réseau neuronal composé de plus de trois couches, incluant les entrées et la sortie, qui
peut être considéré comme un algorithme d'apprentissage en profondeur. 

La différence entre l'apprentissage en profondeur et l'apprentissage automatique réside dans la manière

dont chaque algorithme apprend. L'apprentissage en profondeur automatise une grande partie de
l'extraction des caractéristiques du processus, éliminant une partie de l'intervention humaine manuelle
requise et permettant l'utilisation de plus grands ensembles de données. L'apprentissage en profondeur
s'apparente à un "apprentissage automatique évolutif", comme l'a noté Lex Fridman dans la conférence
du MIT mentionnée ci-dessus. L'apprentissage automatique classique, ou "non profond", dépend
davantage de l'intervention humaine pour apprendre. Les experts humains déterminent la hiérarchie
des caractéristiques pour comprendre les différences entre les entrées de données, ce qui nécessite
généralement des données plus structurées pour apprendre.

L'apprentissage machine "en profondeur" peut s'appuyer sur des ensembles de données étiquetées, on
parle également d'apprentissage supervisé, pour informer son algorithme, mais il ne nécessite pas
nécessairement un ensemble de données étiquetées. Il peut ingérer des données non structurées dans
leur forme brute (texte, images, etc.) et déterminer automatiquement la hiérarchie des caractéristiques
qui distinguent les différentes catégories de données les unes des autres. Contrairement à
l'apprentissage automatique, il ne nécessite pas d'intervention humaine pour traiter les données, ce qui
nous permet de faire évoluer l'apprentissage automatique de manière plus intéressante.
Applications de l'intelligence artificielle

Les applications de systèmes d'IA dans le monde réel sont nombreuses aujourd'hui. Voici quelques-
uns des exemples d'application les plus courants :

 Reconnaissance vocale: Également appelée reconnaissance automatique de la parole,

reconnaissance de la parole par ordinateur ou de synthèse vocale, la reconnaissance de la
parole est une fonctionnalité qui utilise le traitement du langage naturel pour transcrire la
parole humaine dans un format écrit. De nombreux terminaux mobiles intègrent la
reconnaissance vocale dans leurs systèmes pour effectuer recherche vocale (comme Siri) ou
fournir plus d'accessibilité au niveau des SMS. 
 Service client:  Des agents virtuels remplacent les agents humains au cours du parcours des
clients. Ils répondent aux questions fréquemment posées sur des sujets tels que l'expédition, ou
fournissent des conseils personnalisés, proposent des produits de vente croisée ou font des
suggestions de taille pour les utilisateurs, changeant ainsi notre façon de concevoir
l'engagement des clients sur les sites Web et les plateformes de médias sociaux. Les bots de
messagerie sur les sites de commerce électronique avec des agents virtuels, les applications de
messagerie, comme Slack et Facebook Messenger, et les tâches habituellement effectuées par
les assistants virtuels et les assistants vocaux en sont des exemples.
 Vision de l'ordinateur:  Cette technologie IA permet aux ordinateurs et aux systèmes de
dériver des informations significatives des images numériques, des vidéos et d'autres entrées
visuelles et sur la base de celles-ci, il peut agir. Cette capacité à fournir des recommandations
la distingue des tâches de reconnaissance d'image. Optimisée par des réseaux de neurones
convolutifs, la vision par ordinateur trouve des applications dans le marquage des photos sur
les médias sociaux, l'imagerie radiologique dans les soins de santé et les voitures à conduite
autonome dans l'industrie automobile.  
  Moteurs de recommandations  En utilisant des données sur les comportements de
consommation passés, les algorithmes d'IA peuvent découvrir des tendances de données qui
peuvent être utilisées pour développer des stratégies de vente croisée plus efficaces. Les
enseignes en ligne s'en servent pour faire des recommandations pertinentes de produits
complémentaires aux clients lors du processus de règlement.
 Trading d'actions automatique: conçues pour optimiser les portefeuilles d'actions, les
plateformes de transactions boursières à haute fréquence pilotées par l'IA effectuent des
milliers, voire des millions de transactions par jour sans intervention humaine.
 
Histoire de l'intelligence artificielle: Dates et noms clés

L'idée d'une "machine qui pense" remonte à la Grèce antique. Mais depuis l'avènement du calcul
électronique (et par rapport à certains des sujets abordés dans cet article), voici quelques événements
et étapes importants dans l'évolution de l'intelligence artificielle :

 1950: Alan Turing publie Computing Machinery and Intelligence. Dans cet article, Turing,

connu pour avoir décodé le code ENIGMA des nazis pendant la Seconde Guerre mondiale,
propose une réponse à la question "les machines peuvent-elles penser ?" et introduit le test de
Turing pour déterminer si un ordinateur peut faire preuve de la même intelligence qu'un
humain (ou fournir des résultats qu'elle pourrait produire). La valeur du test de Turing fait
l'objet d'un débat depuis.
 1956: John McCarthy a inventé le terme "intelligence artificielle" lors de la toute première
conférence sur intelligence artificielle au Dartmouth College. (McCarthy allait inventer le
langage Lisp.) Plus tard la même année, Allen Newell, JC Shaw et Herbert Simon créaient le
Logic Theorist, le tout premier progiciel d'intelligence artificielle.
 1967: Frank Rosenblatt crée le Perceptron Mark 1, premier ordinateur basé sur un réseau de
neurones qui "apprend" par essais et erreurs. Un an plus tard, Marvin Minsky et Seymour
Papert publient le livre intitulé Perceptrons, qui devient à la fois l'ouvrage de référence sur les
réseaux de neurones et, du moins pendant un certain temps, un argument contre les futurs
projets de recherche sur les réseaux de neurones.
 Dans les années 1980: Les réseaux de neurones qui utilisent un algorithme de
rétropropagation pour s'entraîner sont largement utilisés dans les applications d'IA.
 1997: Lors d'une partie d'échecs (avec revanche), Deep Blue d'IBM bat le champion du monde
de l'époque, Garry Kasparov.
 2011: IBM Watson bat les champions Ken Jennings et Brad Rutter à Jeopardy!
 2015: Le superordinateur Minwa de Baidu utilise un type particulier de réseau de neurones
profonds, appelé réseau de neurones convolutifs, pour identifier et classer des images avec un
taux de précision supérieur à celui de l'être humain moyen.
 2016: Le programme AlphaGo de DeepMind, optimisé par un réseau de neurones profonds,
bat Lee Sodol, champion du monde de Go, dans une partie en cinq manches. Cette victoire est
importante compte tenu du nombre considérable de coups possibles au cours de la partie (plus
de 14,5 mille milliards après seulement quatre coups !). Plus tard, Google achètera DeepMind
pour un montant de 400 millions de dollars.
Intelligence artificielle et IBM Cloud

IBM a toujours été leader en matière d'avancées des technologies pilotées par l'IA pour les entreprises
et a été pionnier concernant le futur des systèmes d'apprentissage automatique pour de multiples
secteurs. Basé sur des décennies de recherche en intelligence artificielle, des années de collaboration
avec des entreprises de toues tailles, et sur les enseignements tirés de plus de 30 000 engagements
IBM Watson, IBM a développé l'échelle de l'intelligence artificielle pour des déploiements d'IA
réussis :

 Collecter: simplification de la collecte et de l'accessibilité des données.

 Organiser: création d'une base d'analyse prête à l'emploi.
  Analyser: création de systèmes optimisé par l'IA, évolutifs et fiables.
 Infuser: intégration et optimisation des systèmes dans l'ensemble d'une structure métier.
 Moderniser: transfert de vos applications et systèmes d'intelligence artificielle dans le cloud.
IBM Watson offre aux entreprises les outils d'IA dont elles ont besoin pour transformer leurs systèmes
et flux de travaux, tout en améliorant considérablement l'automatisation et l'efficacité. Pour plus
d'informations sur la façon dont IBM peut vous aider dans votre parcours IA, explorez le portefeuille
IBM de services et solutions gérés.
Inscrivez-vous pour obtenir un identifiant IBM et créer votre compte IBM Cloud.  
Solutions connexes
Solutions d'intelligence artificielle (IA)
Utilisez IBM Watson à grande échelle dans votre entreprise grâce à l'expertise IA leader d'IBM,
associée à un portefeuille de solutions.
Explorer les solutions d'IA 
Services d'IA
Créez des flux de travaux intelligents utilisant l'IA, les données et les analyses, et transformez vos
projets IA en résultats opérationnels tangibles.
Explorer les services d'IA 
L'IA pour la cybersécurité
L'IA change la donne en matière de cybersécurité en analysant des quantités massives de données sur
les risques afin d'accélérer les temps de réponse et de renforcer les opérations de sécurité sous-
dimensionnées en ressources.
Explorez l'intelligence artificielle pour la cybersécurité  
France — Français
Découvrir
ProduitsServicesSecteurs d'activitéÉtudes de cas (US)Essais gratuits des logiciels IBMFinancement
 
Informations pour...
DéveloppeursPartenaires commerciaux
 
Connectez-vous
IBM ConsultingSupportRechercher un partenaire commercial (US)
 
A propos d'IBM
Contactez IBMCarrièresEvénements IBM dans le mondeNewsroomRelations avec les investisseurs
(US)A propos d'IBMIBM Innovation Studio
 
Suivre IBM
TwitterLinkedIn
ContactDonnées personnellesConditions d'utilisationAccessibilitéPréférences de cookies

Le marché des technologies de l’intelligence artificielle (IA) est

florissant. Au-delà du battage médiatique et de l’attention accrue
des médias sur le sujet, de nombreuses startup et géants
d’Internet cherchant à les acquérir, on note une augmentation
significative des investissements et de leur adoption par les
entreprises.
Une enquête de Narrative Science a révélé que l’année dernière, 38% des
entreprise utilisaient l’IA et que ce chiffre devrait passer à 62% d’ici
2018. Forrester Research a prédit une augmentation des
investissements de plus de 300% dans l’IA en 2017 par rapport à 2016.
L’organisme d’études IDC (International Data Corporation) estime
que le marché de l’IA qui pesait près de 8 milliards d’euros en 2016 devrait
passer à plus de 47 milliards d’euros d’ici 2020.
Inventée en 1955 pour décrire une sous-discipline de l’informatique,
l’intelligence artificielle comprend aujourd’hui une variété
de technologies et d’outils, certains plus anciens que
d’autres. Forrester a récemment publié un rapport TechRadar sur
l’intelligence artificielle (destiné aux professionnels du développement
d’applications), une analyse détaillée de 13 technologies que les entreprises
devraient songer à adopter afin d’épauler et de soutenir les décisions des
humains.
Basée sur l’analyse de Forrester, voici le top des 10 meilleures
technologies de l’IA :

1. Génération automatique de texte : Production de texte à partir

de données informatiques. Actuellement utilisé dans les services à la
clientèle, la génération de rapports et la synthèse de business
intelligence. Exemples de fournisseurs: Attivio, Cambridge Semantics,
Raisonnement numérique, Lucidworks, Narrative Science, SAS,
Yseop. 

2. Reconnaissance automatique de la parole : Transcrire et

transformer la parole humaine en format utile pour les applications
informatiques. Actuellement utilisée dans les systèmes interactifs de
réponse vocale et les applications mobiles. Exemples de fournisseurs :
NICE, Nuance Communications, OpenText, Verint Systems.

3. Agents virtuels : « Le chouchou des médias» d’après Forrester. De

simples chatbots à des systèmes avancés qui peuvent communiquer
avec les humains. Actuellement utilisés dans les services à la clientèle
et comme gestionnaires de maison intelligente. Exemples de
fournisseurs : Amazon, Apple, Solutions Artificielles, Assist AI,
Creative Virtual, Google, IBM, IPsoft, Microsoft, Satisfi.

4. Plateformes d’apprentissage automatique : Fourniture

d’algorithmes, d’API, de boîtes à outils de développement et de
formation, de données, ainsi qu’une puissance de calcul pour
concevoir, former et déployer des modèles dans des applications, des
processus et autres machines. Actuellement utilisées dans un large
éventail d’applications d’entreprise, impliquant principalement la
prédiction ou la classification. Exemples de fournisseurs : Amazon,
Fractal Analytics, Google, H2O.ai, Microsoft, SAS, Skytree.
5. Matériel optimisé pour l’IA : Processeurs graphiques et appareils
spécialement designés et conçus pour exécuter efficacement des
travaux informatiques orientés vers l’IA. Exemples de fournisseurs :
Alluviate, Cray, Google, IBM, Intel, Nvidia.

6. Aide à la décision : Moteurs qui insèrent règles et logique dans les

systèmes d’IA, utilisée pour la configuration, la maintenance et les
réglages. Une technologie mature, employée par une grande variété
d’applications d’entreprise, d’assistance ou de prise de décision
automatisée. Exemples de fournisseurs : Concepts de systèmes
avancés, Informatica, Maana, Pegasystems, UiPath.

7. Apprentissage profond : Un type particulier d’apprentissage

automatique composé de réseaux neuronaux artificiels. Actuellement,
il est principalement utilisé dans les applications de reconnaissance
de formes et de classification, soutenues par une très grande base de
données. Exemples de fournisseurs : Deep Instinct, Ersatz Labs, Fluid
AI, MathWorks, Peltarion, Saffron Technology, Sentient
Technologies.

8. Reconnaissance biométrique : Permet des interactions plus

naturelles entre les humains et les machines, y compris, mais sans s’y
limiter, l’image et la reconnaissance tactile, la parole et le langage
corporel. Principalement utilisée dans les études de marché.
Exemples de fournisseurs : 3VR, Affectiva, Agnitio, FaceFirst,
Sensory, Synqera, Tahzoo.

9. Automatisation robotisée : Utilisation de scripts et autres

méthodes pour automatiser l’action humaine, afin de prendre
efficacement en charge certains métiers. Actuellement utilisée là où il
est trop cher ou inefficace pour les humains d’exécuter une tâche ou
un processus. Exemples de fournisseur s: Advanced Systems
Concepts, Automation Anywhere, Blue Prism, UiPath, WorkFusion.

10.Fouille de textes et TALN : Le traitement automatique du langage

naturel (TALN) utilise et soutient l’analyse du texte en facilitant la
compréhension de la structure et de la signification des phrases, du
sentiment et de l’intention par des méthodes statistiques et
d’apprentissage automatique. Actuellement utilisés dans la détection
de fraude, la sécurité, les assistants automatisés, et des applications
pour l’exploitation de données non structurées. Exemples de
fournisseurs : Basis Technology, Coveo, Expert System, Indico,
Knime, Lexalytics, Linguamatics, Mindbreeze, Sinequa, Stratifyd,
Synapsify.
Aujourd’hui l’IA offre de nombreux avantages pour le développement des
entreprises, mais selon un sondage mené en 2016 par Forrester, quelques
obstacles barrent encore la route à l’adoption de ces technologies par ces
dernières, freinant ainsi leurs investissements.
En voici les raisons, d’après ce sondage :
Il n’y a pas de business case défini                                                      
42%
Je ne comprends pas l’utilité de l’IA                                                  39%
Je n’ai pas les compétences requises                                                  
33%
Je dois d’abord investir dans la modernisation
de la plateforme de gestions des données                                          
29%
Je n’ai pas le budget                                                                                   
23%
Je ne sais pas comment mettre en œuvre l’IA                                  19%
Les systèmes d’AI ne sont pas sûrs                                                      
14%
Je ne possède pas les autorisations nécessaires                             
13%
On en parle beaucoup mais elle est peu efficiente                          11%
Je ne possède pas ou n’ai pas accès aux données                           8%
Je ne sais pas ce qu’IA signifie                                                                 
3%
Une fois ces obstacles surmontés par les entreprises,  Forrester conclut
qu’elles pourront tirer profit de l‘IA pour accélérer la transformation des
applications orientées client et développer un réseau interconnecté
d’intelligence d’entreprise.