LES RÉSEAUX

TABLE DES MATIÈRES

1) Définitions
 Arborescence
 Réseau 4) Historique: d'où on vient et où on va?
 Réseau informatique
1) Jalons historiques d'Internet et du web
2) Pourquoi?
2) Le "cloud computing"
3) Comment
3) Le "big data"
1) Analogique vs numérique
4) L'internet des objets
2) Du matériel au logiciel
3) Du réseau local à Internet 5) L'intelligence artificielle neuronale
4) Commutation de circuits vs commutation de paquets
5) Internet, modèle TCP/IP et protocoles
 1) DÉFINITIONS

Arborescence Réseau

Représentation organisationnelle adoptant la forme d'un

arbre, qui établit une stricte hiérarchie entre les
éléments qui la composent, de façon que toute information, Ensemble d'éléments ou nœuds interconnectés,
sauf la première, procède d'une seule autre, mais peut en sans hiérarchie, n'importe quel nœud pouvant
engendrer plusieurs. (GDT) être connecté à n'importe quel nœud.
RÉSEAU
INFORMATIQUE

 "Ensemble des moyens

matériels et logiciels
qui permettent
l'échange de données,
de services ou de
ressources entre
plusieurs appareils
informatiques, y
compris ces appareils
eux-mêmes." (Grand
dictionnaire
terminologique)
 OU ENCORE…

 "Un réseau informatique est constitué d’un

ensemble de dispositifs matériels et logiciels
distribués et interconnectés pour échanger de
l’information en vue d’offrir divers services,
comme le transport de flux audio/vidéo, le
transport de données informatiques, etc.
 Ces dispositifs sont interconnectés à l’aide
liaisons filaires ou sans fil.
 (Delacroix et al. 2017: 338)
2) POURQUOI?

 •Communication
 Synchrone / asynchrone
 Messagerie/messagerie instantanée/VOIP/IPTV/ jeux vidéo multi-joueurs/streaming audio et vidéo
 Vidéoconférence, visioconférence, « remote interpreting »
 Entre utilisateurs / processus
 Partage, centralisation de ressources
 Données
 Matériel
 Programmes
 Travail collaboratif (Google documents, projet de traduction en ligne)
 Sécurité et cohérence des données
3) COMMENT?

Crédit image: https://www.eds.fr/2017/11/13/atouts-apportes-reseau/

3.1. ANALOGIE AVEC LA LETTRE

 Communication de qqch, transmission d'un

message
 Il faut un canal matériel à cette communication
  encapsulation du message
 Enveloppe = contenant standard avec les
adresses de l’expéditeur et du
destinataire
 Lettre = facture, invitation…
 à traiter
3.2. DU MATÉRIEL AU LOGICIEL

1. Aspects matériels
1. Ex.: J’ai deux ordinateurs et une imprimante, que je veux partager
2. Ex. J’ai un réseau Wifi et je veux partager des fichiers entre mon fixe et mon portable
2. Aspects logiciels
1. Ex.: Je lance une recherche terminologique sur l’IATE
 tracert / ping iate.europa.eu
2. Ex.: J’envoie un mail à toto@ulb.be
tracert iate.europ.eu
3.3. DU RESEAU
LOCAL
À INTERNET
3.4. DE LA
COMMUTATION
DE CIRCUITS
À LA COMMUTATION
DE PAQUETS
UN PAQUET ANALOGIQUE
UN PAQUET NUMÉRIQUE (DATAGRAMME)

 Les données circulent sur Internet sous forme de datagrammes (on parle
aussi de paquets). Les datagrammes sont des données encapsulées, c'est-
à-dire des données auxquelles on a ajouté des en-têtes correspondant à
des informations sur leur transport (Comment ça marche.com)
 telles que l'adresse MAC dans un réseau local ou l'adresse IP sur Internet
3.5. INTERNET, MODÈLE TCP/IP ET PROTOCOLES

 L'Internet repose sur un ensemble d'éléments matériels (connexions

physiques, routeurs...) et logiciels (protocoles et logiciels)
 Les protocoles sont des règles de communication entre entités
hétérogènes (wifi ou Ethernet au niveau physique, http ou https pour
l'échange des pages web).
 Et tout cela en différentes couches:
 MODÈLE TCP/IP
Hôte-réseau:
Les données sont découpées en trames (frames) portant l'adresse MAC du dispositif
émetteur et circulent en local via un câble Ethernet ou les ondes Wifi.

Internet: le routeur découpe les données en paquets, chaque paquet portant les
informations du niveau inférieur (encapsulation) et l'adresse du réseau émetteur
(adresse IP= internet protocol; la conversion URL-adresse IP se faisant grâce aux
serveurs DNS)

Transport: les paquets vont circuler de routeur en routeur jusqu'au serveur de

destination, dont on connaît l'adresse IP (protocole TCP= transfer control protocol)
et être reconstitués à l'arrivée au réseau destinataire.

Application: l'application va interpréter les données (mail, requête dans une base de
données, envoi de fichier, streaming...)
 Les données circulent sur Internet sous forme de datagrammes (on parle aussi
de paquets). Les datagrammes sont des données encapsulées, c'est-à-dire des
données auxquelles on a ajouté des en-têtes correspondant à des
informations sur leur transport (Comment ça marche.com)
 comme l'adresse IP sur Internet

 Encapsulation:
 Les données du niveau supérieur englobent les données du niveau inférieur.
URL, ET ADRESSE IP

 URL = Uniform Resource Locator

 Exemples: https://iate.europa.eu; https://www.lesoir.be
 Adresse IP v4: 52.213.31.47
 Adresse IP v6: 2a02:a000:1:213::51f3:1b9
 Résolution: serveur DNS
COUCHES DE SERVICES
 Chaque couche est indépendante
 Interconnexion de réseaux hétérogènes
  quand je demande la traduction de « switch » à l’IATE, ma requête ne dépend
pas du fait que j’utilise
 un réseau Ethernet ou un réseau Wifi
 Un Mac ou un PC
 Safari, Opera, Google Chrome, Mozilla Firefox, Internet Explorer, Edge ou UC
Browser
 …
 Une technologie peut évoluer, cela n’aura pas d’impact sur les autres niveaux
4. HISTORIQUE
 HISTORIQUE - LES DÉBUTS - 1950-60
 1957: Sputnik 1  création de l'agence DARPA (Defense Advanced Research
Projects Agency)
 Recherches sur la mise en communication de systèmes informatiques lancées par la
DARPA
 2 difficultés: hétérogénéité des systèmes, assurer la robustesse
 réseau maillé + technique de la « patate chaude »
 découper l’information en paquets (1968)
 Commutation de paquets plutôt que de circuits
 Arpanet
 1969: (Ucla-Stanford-Santa Barbara et Utah)
1970-1980
 1970
 Multiplication des réseaux privés
 Unix dans les universités
 1980
 1980: adoption du nom Internet
 Développement du protocole TCP/IP (1982)
 Système DNS en 1983
 Large communauté de chercheurs et développeurs à laquelle s’adjoignent
rapidement de plus en plus de personnes privées
1990-
 1989: HTML et le web
 Tim Berners-Lee (et Robert Cailliau)
 1995: Internet "commercial"

 HTML=HyperText Markup Language =

langage de balisage permettant de décrire la
structure et la présentation d'une page web de
manière à ce qu'elle soit interprétable, lisible quel
que soit l'ordinateur ou le système d'exploitation.
 Codage des caractères en HTML:
 •é = é
 •Á = Á
 •À = À
UNE PAGE WEB

 <html>
 <head><title>Ma 1e page web</title></head>
 <body>
 <h1>Exemple de page web</h1>
 <p>Paragraphe de texte <img src="Images/image.png"/></p>
 <p>Comme aller à l'<a href="http://www.ulb.ac.be">ULB</a>?</p>
 </body>
 </html>
ÉVOLUTIONS
 1995: web commercial
 2005: web 2.0 = réseaux sociaux  "user-generated content"
 2010:
 Cloud Computing
 Big Data / données de masse
 IoT / Internet of Things / Internet des objets
 Intelligence artificielle (neuronale)
 Reconnaissance d'images
 2016: traduction automatique neuronale (neural machine translation, nMT)
 2022: ChatGPT
STADES

Stade
1960 militaire
1970-1990 universitaire
1995- Commercial
2005 Web 2.0 ou collaboratif
2010- Cloud computing; Big data, IoT, IA
4.2. CLOUD COMPUTING

 Externalisation sur des serveurs distants de traitements traditionnellement effectués

en local
 En particulier les SaaS (software as a service):
 Google docs; Microsoft 365; wikis; mémoires de traduction en ligne
 Wordbee, Matecat, Wordscope…
 Mais aussi le IaaS (Infrastructure as a Service), càd le stockage en ligne: Dropbox,
Owncloud, Onedrive, iCloud, Google Drive…
4.3. LE BIG DATA

 Ou données de masse
1. Définition
2. Mise en données du monde
3. Caractéristiques
1. La quantité plus que la qualité
2. Des corrélations et non des causes
4. Dangers et dérives
5. Conclusion
OAT/OAI 201920 29
4.3.1. DÉFINITION

 Méthode d’analyse des données, fondée sur une quantité massive de données, visant
à établir des corrélations et servant d’aide à la décision
 Exemple: le 1er Google Translate, Google et la grippe

30
 4.3.2. MISE EN DONNÉES

 Cela implique que l’on ait déterminé les paramètres/

indicateurs à utiliser et qu’on les ait numérisés.
 Exemple: numérisation vs océrisation d’un texte
 Exemples:
 Facebook et X-Twitter permettent de mettre en données
nos relations sociales
 Algorithme de Kashimizu
 N-gram viewer de Google
31
4.3.3. 1. LA QUANTITÉ PLUTÔT QUE LA QUALITÉ

 Les approches traditionnelles en sciences humaines se fondent sur l’échantillonnage

(un petit nombre mais représentatif et de bonne qualité)
 L’approche Big Data se fonde sur la quantité, même s’il y a des donnés erronées
 Exemples:
 suggestions des sites de vente;

32
  correcteur d’orthographe de MS (algorithme de Banko et Brill)
 Suggestions de recherche de Google
 Les femmes / les hommes devraient…
 Google Translate
  mieux vaut passer du temps à constituer un corpus qu’à développer des règles

33
4.3.3.2. DES CORRÉLATIONS
ET NON DES CAUSES

 Exemples:
 Qu’achète-t-on à l’approche d’une tempête chez Walmart ?
 Une lampe torche
 Des barres petit-déjeuner
 À la fraise
 "Les personnes qui mangent de la crème glacée sont plus susceptibles de se
noyer"
34
 4.3.4. DANGERS ET DÉRIVES
 Constitution de monopoles (Google, Amazon, Facebook, Apple,
Microsoft) "data barons"
 Respect de la vie privée
 Emploi secondaire des données
 Et si l’algorithme de Kashimizu servait à déterminer les
risques liés à la conduite?
 Croisement des données qui rend caduque l’anonymisation
des données
 Justice
 Et si on était jugé pour des faits que l’on est susceptible de 35

commettre?
4.3.5. CONCLUSIONS

 Des corrélations et non des causes…

 Sinon, on resterait prisonniers de notre passé, ce qui nierait notre liberté
et notre responsabilité

 C’est un outil, à utiliser avec humilité et vigilance

36
4.4. L'internet des objets
(Internet of Things, IoT)

Source: http://www.futura-
sciences.com/tech/definitions/internet-internet-objets-15158/
DÉFINITION
L'Internet des objets (IoT) est un réseau d'objets physiques connectés à Internet. Ces
objets sont équipés de capteurs, de logiciels et d'autres technologies qui leur
permettent de collecter, de traiter et d'échanger des données.
  l'objet est équipé de capteurs
 Permettant de collecter des données
  reçoit/émet des informations par le biais de sa connectivité filaire ou non:
Bluetooth, Wifi, 4G, Ethernet
  possède un identifiant (QR code, puce RFID, adresse IP)
 Les logiciels traitent les données et réagissent en fonction.
FONCTIONNEMENT

1) Collecte de données au moyen de capteurs

2) Transmission des données (réseau et identifiant)
3) Traitement, analyse des données
4) Action
EXEMPLES

1) Montre connectée avec un capteur de la fréquence cardiaque, d'activité physique…

2) Vêtements avec capteurs de transpiration
3) Domotique: ampoules, réfrigérateur, éclairage, chauffage, enceintes, compteur…
4) Capteurs d'une voiture
5) Villes intelligentes
ENJEUX

 Impact sociétal (assurances liées à l'accès aux données biométriques)

 Sécurité
 Respect de la vie privée
 Coût énergétique
 De la fabrication des objets
 Des transferts et du stockage des données
VI.4. L’INTELLIGENCE ARTIFICIELLE

 « Construction de programmes informatiques qui s’adonnent à

des tâches qui sont, pour l’instant, accomplies de façon plus
satisfaisante par des êtres humains car elles demandent des
processus mentaux de haut niveau tels que : l’apprentissage
perceptuel, l’organisation de la mémoire et le raisonnement
critique. » (Marvin Minsky)

42
 L'intelligence artificielle désigne l'ensemble des programmes, techniques et
technologies permettant à des machines de réaliser des tâches complexes de façon
autonome, dont l'intelligence imite voire remplace celle de l'homme.

43
INTELLIGENCE…

  perception
  compréhension
  classification
  décision
  agir

44
EXEMPLES

 Images: reconnaissance, étiquetage, classification

 Voitures intelligentes, robots
 Diagnostic (médecine)
 Aide à la décision (droit, domaine bancaire)
 Jeux
 Langage: bots, traduction, synthèse
 Analyse de données
45
QUAND L’ORDINATEUR
BAT L’HOMME
 Jeu d’échecs:
 1996-1997, Deep Blue (IBM) bat Kasparov
 Superordinateur capable de prévoir 7 coups à l’avance
 2011, Watson (IBM) gagne à Jeopardy
 Reconnaissance vocale, recherche d’informations, synthèse
vocale
 Devenu un système d’aide au diagnostic médical
 2016, AlphaGo (Google Deep Mind) bat Lee Sadol au jeu de go
 Apprentissage automatique
 algorithmique  heuristique
46
LIMITES ET DÉFINITION FLUCTUANTES

 Les algorithmes permettant de décider d’un trajet étaient considérés comme

relevant de l’IA dans les '1960

47
UN PEU D’HISTOIRE

 Créer un automate ou un être humain est un vieux

rêve/cauchemar/fantasme de l’humanité…
 Test de Turing – Imitation Game 1950
 Computing Machinery and Intelligence (Turing 1950)
 Qu’est-ce qui permet de dire qu’une machine est
« consciente »?
  programmes « Eliza »

48
 1958: Perceptron: premier réseau de neurones artificiel
 1960-1970: premiers engouements, premiers échecs
 1970-1990: systèmes logiques, à base de règles
 ’1980-1990: apprentissage automatique, réseaux
profonds (Yann LeCun)
 1990-2010: dormance

49
 Intelligence artificielle
AI

Apprentissage automatique
Machine Learning

Apprentissage profond
Deep Learning
50
LE RÉVEIL DE L’IA

 Par les réseaux de neurones profonds et d’apprentissage en profondeur (deep

learning)
  risque de confusion IA/deep learning
 2012: un algorithme appelé Supervision (uni. Toronto) gagne un concours de
reconnaissance d’images (Geoffrey Hinton, Alex Krizhevsky and Ilya Sutskever)

51
2012… POURQUOI?

 Amélioration des algorithmes

 Amélioration du matériel: GPU à 1 milliard d’instructions /seconde
 Données… Big data ImageNet (http://www.image-net.org/): banque de données
d’images étiquetées

52
QUELQUES NOMS DE L'IA
 machine de Turing et "test de Turing"
 Marvin Minsky (1969)
 John McCarthy (1971)
 Allen Newell et Herbert Simon (1975)
 Edward Feigenbaum et Raj Reddy (1994)
 Judea Pearl (2011)
 Yann Le Cun, Geoffrey Hinton et Yoshua Bengio (2019)
Alan Turing '30: machine de Turing
1950: "test de Turing"
John McCarthy 1956: Terme de "artificial intelligence'; Lisp
Frank Rosenblatt 1958: perceptron
Marvin Minsky Perceptrons (avec Seymour Papert, 1969) et
La société de l'esprit (1986)
Geoffrey Hinton 2012: Supervision
Yann Le Cun < 1980: système à apprentissage; Meta
(<2013)
Yoshua Bengio "lanceur d'alerte" sur les dérives d'une IA
non régulée
IA NEURONALE VS IA SYMBOLIQUE

 Comment traduisez-vous light?

 Comment savoir si werken se traduit par travailler ou fonctionner?
IA FORTE VS IA FAIBLE
 RÉFÉRENCES

 Pierre-Jean Benghozi, Sylvain Bureau, Françoise Massit-Folea. L’Internet

des objets. Quels enjeux pour les Européens ? Rapport de la chaire
Orange ”innovation and regulation”, Ecole polytechnique et TELECOM
Paris Tech. 2008.
 Bengio (Yoshua), "AI and Catastrophic Risk", in Journal of Democracy,
September 2023, https://www.journalofdemocracy.org/ai-and-
catastrophic-risk/
 Graphéine 2012, http://www.grapheine.com/divers/internet-map-
datavision
 Guichard (R.) et Lalitte (E.), Réseaux TCP/IP, sur Openclassrooms 57

 Hotyat (P.) 2010, Séminaire réseaux et sécurité, Bruxelles, ISTI

 Mayer-Schonberger (V.) & Cukier (K.) 2013, Big Data. A Revolution That Will
Transform How We Live,Work and Think, London, John Murray
 (Résumé dans le Monde Diplomatique de juillet 2013)
 Pillou (J.-F.) et Lemainque (F.), Tout sur les réseaux et Internet, 2e édition,
Paris, Dunod, 2010
 Linux 2007, http://www.linux-france.org/prj/edu/archinet/systeme/
 Sylvain (2003), http://www.frameip.com/osi/
 Ybet 2007, http://www.ybet.be/hardware2_ch2/hard2_ch2.htm 58
 LeCun,Yann, « Yann LeCun et l’intelligence articifielle », Conversation dans
le cadre de Le Monde Festival, 3 octobre 2017
 Minsky, Marvin, 1988, La société de l’esprit, Paris: InterEditions
 Turing, Alan M., 1950, « Computing Machinery and Intelligence », Mind 49:
433-460
59