République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieure et de la Recherche Scientifique

Université Djillali Liabès de Sidi-Bel-Abbès

Faculté des Sciences Economiques, Commerciales

et des Sciences de Gestions

Rapport
Pour l’obtention la note du TP

Présenté par :
SEBBAI Nafissa
MENEZLA Amina Nour-El-Houda

L’intelligence artificielle

Encadreur du rapport :
Dr. BOUKHARI
Professeur à l’université Djillali Liabès

Spécialité : (Master 1 en Management Financière)

Année universitaire : (2019/2020)

Date Du dépôt : 15 novembre 2020

Table des matières

Contexte et Problématique 1

1 L’intelligence artificielle 3
1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 L’intelligence artificielle . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 L ?intelligence artificielle avant 2000 . . . . . . . . . . . . . . . 4
1.1.2.1 les types de l’Intelligence Artificielle . . . . . . . . . 5
1.1.2.2 L’intelligence artificielle faible . . . . . . . . . . . . . 5
1.1.2.3 L’intelligence artificielle fort . . . . . . . . . . . . . . 5

2 Le mode de fonctionnement de IA 7
2.1 Comment fonctionne l ?intelligence artificielle ? . . . . . . . . . . . . . 8
2.1.1 Intelligence artificielle : tous les secteurs impactés . . . . . . . 9
2.1.2 Finances et intelligence artificielle . . . . . . . . . . . . . . . . 10

Conclusion 11

Bibliographie 12

Bibliographie 17

i
Table des figures

1 L’intelligence artificielle . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1 Comparaison entre L’IA faible [11] . . . . . . . . . . . . . . . . . . . 5

1.2 Comparaison entre L’IA fort et L’IA faible[11] . . . . . . . . . . . . . 6
1.3 Comparaison entre L’IA fort et L’IA faible[11] . . . . . . . . . . . . . 6

2.1 Les premiers grammes significatifs avec les mots correspondants. . . . 9

ii
Contexte et Problématique

Aujourd’hui, d’une simple phrase, on peut connaître la météo, programmer une

alarme, être averti de ses rendez-vous, avec les trajets pour s’y rendre et des résultats
de plus en plus précis au fil du temps .... C’est la face émergée de l’IA dans notre
vie quotidienne. Mais au-delà de ces usages, pratiques mais un peu anecdotiques,
l’intelligence artificielle recouvre un vaste domaine et des champs d’application exis-
tants ou potentiels quasi-infinis : Traduction automatique, reconnaissance d’image,
reconnaissance faciale, assistants vocaux, aide médicale au diagnostic, Facility Ma-
nagement et smart building, amélioration des processus de recrutement, réduction
des consommations d’énergie ? L’intelligence artificielle est une science qui boule-
verse tous les secteurs, tous les domaines,mais :
1. Qu’est-ce que l’intelligence artificielle ?

Figure 1 – L’intelligence artificielle

1
Chapitre 1
L’intelligence artificielle

3
Chapitre 1 : L’intelligence artificielle

1.1 Définitions
1.1.1 L’intelligence artificielle
L’intelligence artificielle peut se définir comme « l’ensemble de théories et de
techniques mises en ?uvre en vue de réaliser des machines capables de simuler l ?in-
telligence », selon le Larousse[1]. Soit des ordinateurs ou des programmes capables
de performances habituellement associées à l ?intelligence humaine, et amplifiées par
la technologie :
Capacité de raisonner
Capacité de traiter de grandes quantités de données
Faculté de discerner des patterns et des modèles indétectables par un humain
Aptitude à comprendre et analyser ces modèles
Capacités à interagir avec l ?homme
Faculté d ?apprendre progressivement Et d ?améliorer continuellement ses perfor-
mances

1.1.2 L ?intelligence artificielle avant 2000

Preuve que ce n ?est pas une science d ?aujourd ?hui, les premières traces de l ?IA
remontent à 1950 dans un article d ?Alan Turing intitulé ?Computing Machinery
and Intelligence ? dans lequel le mathématicien explore le problème de définir si
une machine est consciente ou non. De cet article découlera ce que l ?on appelle
aujourd ?hui le Test de Turing qui permet d ?évaluer la capacité d ?une machine à
tenir une conversation humaine. Dès le milieu des années 60, la recherche autour
de l ?IA sur le sol américain était principalement financée par le Département de
la Défense. Dans le même temps, des laboratoires ouvrent çà et là à travers le
monde. Certains experts prédisaient à l ?époque que « des machines seront capables,
d ?ici 20 ans, de faire le travail que toute personne peut faire ». En 1974 arrive une
période appelée le « AI Winter ». Beaucoup d ?experts ne réussissent pas à faire
aboutir leurs projets et les gouvernements britannique et américain réduisent leurs
financements pour les académies. Dans les années 80, le succès des systèmes experts
permet de relancer les projets de recherche sur l ?intelligence artificielle. Un système
expert était un ordinateur capable de se comporter comme un expert (humain), mais
dans un domaine bien précis. Grâce à ce succès. Le développement exponentiel des
performances informatiques, notamment en suivant la loi de Moore, permet entre
1990 et 2000 d ?exploiter l ?IA sur des terrains jusqu ?alors peu communs. C ?est à

4
Chapitre 1 : L’intelligence artificielle

partir de ce moment que certaines sociétés vont prendre les devants. En effet, la
problématique de l ?IA n ?est plus d ?avoir les cerveaux pour élaborer des systèmes,
mais d ?avoir de la donnée à traiter.

1.1.2.1 les types de l’Intelligence Artificielle

On regroupe les types de l’intelligence artificielle en deux catégories suivant :

1.1.2.2 L’intelligence artificielle faible

L ?IA Faible est utilisé dans des tâches simples. C ?est une intelligence assez
limitée par ses fonctions car elle ne fonctionne qu ?avec une succession d ?algorithme
programmé par des humains pour simuler une intelligence. Le robot n ?a aucune
indépendance car cette simulation d ?intelligence est généralement assistée par les
hommes même s ?ils essayent de construire des systèmes autonomes de plus en plus
complexes.

Figure 1.1 – Comparaison entre L’IA faible [11]

1.1.2.3 L’intelligence artificielle fort

L ?IA Forte, qui est encore un idée futuriste, se base sur l ?analyse d ?une situa-
tion concrète (algorithme évolutionniste, système de neurone). Elle est à la recherche

5
Chapitre 1 : L’intelligence artificielle

d ?une réelle autonomie ; pour les chercheurs, le robot possédant une IA forte serait
doté d ?une réelle conscience et éprouverait des sentiments. De plus, son raisonne-
ment doit se rapprocher de celui de l ?être humain. Mais pour l ?instant un robot
n ?a jamais pu ressentir le moindre sentiment, c’est le rêve ambitieux de beaucoup
de chercheurs d ?arriver à se stade.

Figure 1.2 – Comparaison entre L’IA fort et L’IA faible[11]

Figure 1.3 – Comparaison entre L’IA fort et L’IA faible[11]

6
Chapitre 2
Le mode de fonctionnement de IA

7
Chapitre 2 : Le mode de fonctionnement de IA

2.1 Comment fonctionne l ?intelligence artificielle ?

La révolution actuelle de l ?intelligence artificielle et de la science qui en découle
est rendue possible par « une combinaison de 3 facteurs », selon Harry Shum : «
une vaste quantité de data ; une puissance informatique extraordinaire, notamment
grâce au cloud ; et des algorithmes révolutionnaires, basés sur le deep-learning ».
Soit des données, la puissance pour les exploiter, et la capacité à apprendre. Car
l ?intelligence dite « artificielle » s ?inspire des différents processus cognitifs humains.
Notamment notre très grande capacité d ?apprentissage, tout au long de la vie.
L ?IA a ainsi fréquemment recours à l ?apprentissage supervisé. Par exemple, on
« nourrit » un programme avec des milliers de photos de voitures, étiquetées. Après
cet « entrainement », le programme peut reconnaître, seul, des voitures de tous types
sur les nouvelles images qui lui seront présentées.
Autre composant de l ?intelligence artificielle, le « Machine Learning ». Cette
fois, on donne aux ordinateurs l ?accès à des données, puis on les laisse apprendre
par eux-mêmes, sans intervention humaine ou reprogrammation logicielle. Ce qui
leur permet de s ?améliorer progressivement, de manière autonome. Et de dépasser
ainsi les fonctions et les capacités initialement programmées. Certains algorithmes
ne se contentent plus de reconnaître des images, mais se montrent capables de les
produire et de donner des yeux aux machines.

8
Chapitre 2 : Le mode de fonctionnement de IA

2.1.1 Intelligence artificielle : tous les secteurs impactés

Avec les grandes avancées technologiques modernes, de nombreux domaines se-
ront impactés par les changements qu ?apporte l ?intelligence artificielle dans son
sillage.
Dans les 15 prochaines années, presque 10 millions d ?emplois seront impactés
par l ?I.A Le monde du travail s ?est vu simplifié par l ?apparition de nouvelles
technologies. Désormais, les tâches les plus laborieuses et répétitives sont effectuées
par des robots. Cela bouleversera profondément le monde du travail tel que nous le
connaissons, au même titre que la modernisation des techniques et les changements
sociétaux ont engendré la révolution industrielle.
Évaluation Selon une étude menée par le cabinet McKinsey, l’automatisation
des processus pourrait avoir des conséquences sur 60 plus de la moitié des emplois
dans le monde. Tous les domaines seront impactés : à titre d ?exemple, 72 des emplois
dans le domaine de l ?hôtellerie et de la gastronomie pourront être automatisés, tout
comme 44 des emplois dans le domaine de la finance et des assurances.

2.1.2 Finances et intelligence artificielle

Les secteurs financiers sont en train de vivre une véritable révolution. L ?analyse
prédictive, la détection de fraudes et la personnalisation des offres permises par
l ?intelligence artificielle sont en train de changer la donne. Sans parler de la solution
IBM Watson qui bouscule actuellement le paysage bancaire français.
Les métiers, comme ceux de la comptabilité, qui sont au moins partiellement au-
tomatisables, sont directement touchés par l ?évolution de l ?intelligence artificielle.
La bourse et les marchés des Forex sont bien sûr évidemment touchés par l ?intel-
ligence artificielle, avec les trading bots permettant d ?analyser des séries temporelles
et de réagir plus rapidement que les humains sur ces marchés.
Articles décrivant l’impact de l’intelligence artificielle dans le secteur finances.

9
Conclusion Générale

L ?IA est donc complémentaire à l ?intelligence humaine, notamment pour opti-

miser les processus métier, afin qu ?ils soient plus rapides, efficaces et sécurisés. Loin
d ?être une menace, elle doit être vue comme un allié pour améliorer la productivité
et l ?intérêt des missions des collaborateurs.

10
Bibliographie

[1]Hernandez N.Ontologie de domaine pour la modélisation du contexte en re-

cherche d’information, these de doctorat en informatique ,Univetsité Paul Sabatier
.(2006)

[2]BoubekeurF."Contributionaladéffinition de modeles de recherche d’informa-

tion flexibles basés sur les CP-Nets",these de doctorat en informatique,Université
Paul Sabatier .(2008)

[3] Daoud M. "Accés personnalisé a l’information :approche basée sur l’utilisa-

tion d’un profil utilisateur sémantique dérivé d’une ontologie de domaines a travers
l’historique des sessions de recherche",these de doctorat en informatique,Université
Paul Sabatier (2009)

[4] Fuhr, N. Information Retrieval - From Information Access to Contextual Re-

trieval. In M. Eibl, C. Wolf, and C. Womser-Hacker, editors, Designing Information
Systems. Festschrift fà 14 r Jà 14 rgen Krause, pp. 47-57. UVK Verlagsgesellschaft, 2005

[5]S. Hedin , M. Hoestlandt, S. Lenouvel, S. Verraest. "L’évaluation des systemes

de recherche d’informations". 2004. http ://idemm.joueb.com/news/l-evaluation-dessystemes-
de-recherche-d-informations.

[6] M. Baziz. "Indexation conceptuelle guidée par ontologie pour la recherche

d"information,These de doctorat en informatique",Université Paul Sabatier de Tou-
louse, 2005.

[7] N.D.Y. Kompaoré. "Fusion de systemes et analyse des caractéristiques lin-

guistiques des requetes : vers un processus de RI adaptatif". These de doctorat en

11
Bibliographie

informatique, Université Paul Sabatier de Toulouse, 2008

[8]P.Ingwersen."Polyrepresentationofinformationneedsandsemanticentities : elements
of a cognitive theory for information retrieval interaction". In Proceedings of the
Seventeenth Annual International ACM SIGIR Conference on Research and Deve-
lopment in Information Retrieval., pages 101-110, 1994.

[9] Borlund, P. Measures of relative relevance and ranked hal ife : performance
indicatorsforinteractiveir.Proceedings of the ACMSIGIRConferenceonResearch and
Development in Information Retrieval, pp. 24 - 28, 1998.

[10]Mizzaro,S.Relevance,thewhole(hi)story.JournaloftheAmericanSociety for In-

formation Science, 48, pp.810-832, 1997.

[11] Hammmach A Recherche d"information : un modele de langue combinant

mots simples et mot composés, these de doctorat en informatique ,université Mou-
loud Mammeri de Tizi-Ouzou

[12][Belkin et al., 92] N. J. Belkin, W. B. Croft, Information retrieval and infor-

mation filtering : Two sides of the same coin. CACM, pages : 29-38, 1992.

[13][Hlaoua, 07] L. Hlaoua : Reformulation de Requetes par RÃ c injection de

Pertinence dans les Documents Semi-Structurés Thèse de doctorat, université Paul
Sabatier (2007)

[14]M. Baziz.Indexation conceptuelle guidée par ontologie pour la recherche d’in-

formation, These de doctorat en informatique, Université Paul Sabatier de Toulouse,
2005.

[15]Pouliquen, B. : Indexation de textes médicaux par extraction de concepts, et

ses utilisations, these de doctorat de l’université de Rennes I, (2002).

[16] Anderson, J. and Pérez-Carballo,J.The nature of indexinf part ii :machine

indexing,Ny,USA,Pergamon Press,Inc.2001.

[17] W. B. Frakes. Stemming Algorithms, pages 131-160. Frakes W B, BaezaYates

R (eds) Prentice Hall, New jersey, 1992.

12
Bibliographie

[18] [Adamson and Boreham, 1974] G. Adamson and J. Boreham. The use of anas-
sociation measurebasedoncharacterstructureto identify semantically related pairs of
words and document titles. Information storage and retrieval, 10 :253-60, 1974.

[19]M.F.porter.AN algorithm for suffix stripping.Program 14.1980.

[20] Robertson, S.E. , S. Walker. On relevance weights with little relevance in-
formation. Proceedings of the 20th annual international ACM SIGIR conference on
Research and development in information retrieval, pp. 16-24, 1997.

[21] Singhal, A., Salton, G., Mitra, M., Buckley, C. Document length normaliza-
tion. Information Processing and Management, 32(5), pp. 619-633, 1996.

[22]Lobna H "Reformulation de Requêtes par Réinjection de Pertinence dans les

DocumentsSemi-Structurés",these de doctorat en informatique,Université Paul Sa-
batier. 2007

[23]Calabretto, S., E. Egyd-Zsigmond. "Recherche d’Information en contexte".

EARIA’06,2006 France.

[24] Salton, G. The smart Retrieval System : Experiments in Automatic Docu-

ment Processing. Prentice-Hall.

[25] Antoine-Augustin Cournot, Exposition de la théorie des chances et des pro-

babilités, Paris, Hachette, 1843, 448 p

[26]Robertson, S.E. , S. Walker. On relevance weights with little relevance in-

formation. Proceedings of the 20th annual international ACM SIGIR conference on
Research and development in information retrieval, pp. 16-24, 1997.

[27]M. Boughanem, W. Kraaij and J-Y. Nie. Modeles de langage pour la re-
cherche d’information. 2004 (lavoisier)

[28]Rubinstein,R.Y.,"The cross-entropy method for combinatorial and continuous

Optimization", Methodology and Computing in Applied Probability,2,127-190,1999.

13
Bibliographie

[29] Kenney Ng, A Maximum Likelihood Ratio Information Retrieval Model,

TREC8, pp. 483-492,1999

[30]Alex Franz and Thorsten Brants (2006). "All Our N-gram are Belong to You".
Google Research Blog. Retrieved 2011-12-16.

[31]S. F. Chen and J. T. Goodman. An empirical study of smoothing techniques

for language modeling. Technical Report TR-10-98, Harvard University.

[32] Powers, David M W (2011). "Evaluation : From Precision, Recall and F-

Measure to ROC, Informedness, Markedness and Correlation" (PDF). Journal of
Machine Learning Technologies. 2 (1) : 37-63.

[33] Records of the National Institute of Standards and Technology (NIST),

National Archives and Records Administration website, (Record Group 167), 1830-
1987.

[34] A.Bouremoul Recherche D’information Contextuelle et sé mantique sur le

web ,these de doctorat en informatique,Université MENTOURI de Constantine
,2011

[35] Macdonald C., Ounis I., "The TREC Blogs06 collection : creating and ana-
lysing a blog test collection ", 2006.

[36] Arezki Hammache, Mohand Boughanem, Rachid AhmedOuamer, Labora-

toire LARI,Département d’informatique,Université Mouloud Mammeri 15000 Ti-
ziOuzou, Algérie

[37] Yuliya Korenchuk,Methode d’enrichissement et d’élargissement d’une onto-

logie a partir de corpus de spécialité multilingues, Sciences du Langage . Université
de Strasbourg. 2017

[38]Sahar.G.Etude sur les representations continues de mots appliquees à la dé-

tection automatique des erreurs de reconnaissance de la parole.Thèse de Doctorat
de l’Université Bretagne Loire , janvier 2018.disponible sur :https ://tel.archives-
ouvertes.fr/tel-01661490/document

14
Bibliographie

[39][Chen et Goodman, 1996] Chen, S. F. et Goodman, J. (1996). An empirical

study of smoothing techniques for language modeling. In Proceedings of the 34th
annual meeting on Association for Computational Linguistics, pages 310-318. Asso-
ciation for Computational Linguistics.

[40]" Sun Open Sources Java Platform " [archive], Sun Microsystems, 13 no-
vembre 2006

[41]Topley, Kim (October 12, 2009). JavaFX Developer’s Guide. Addison-Wesley

Professional. p. 640. ISBN 0-321-60165-3.

[42] Loy, Marc ; Eckstein, Robert ; Wood, Dave ; Elliott, James ; Cole, Brian
(2012). Java Swing (2 ed.). O’Reilly Media, Inc. p. 53. ISBN 1449337309.

[43] Guy D "Modélisation Connexionniste du Repŕage de l’Information", these

de doctorat en informatique, Université du Quebec a Montrál L, 2006

[44][Jalam and Chauchat, 2002] Jalam, R. and Chauchat, J.-H. (2002). Pourquoi
les ngrammes permettent de classer des textes Recherche de mots-clefs pertinents a
l’aide des n-grammes caractéristiques. In Morin, A. and Sébillot, P., editors, 6èmes
Journées internationales d’Analyse statistique des Données Textuelles.

[45]NicolasDespres* -SylvainLamprier * -BenjaminPiwowarski */Apprentissage

de Modeles de Langue Neuronaux pour la Recherche d’Information,* Sorbonne Uni-
versités, UPMC Univ Paris 06.

[46]Yuliya Korenchuk1, 2 (1) LiLPa (Linguistique, Langues, Parole), EA 1339,

Université de Strasbourg (2) Rebuz SAS, Strasbourg korenchuk@unistra.fr .

[47]M.Boughanem, "cours RI"/modele de langue/( Recherche en Informatique)

disponible sur :https ://www.irit.fr/Mohand.Boughanem/slides/RI/chap8-LM.pdf

[48] TARIK M, "Comparaison de TF-IDF et BM25 pour le repérage de l’infor-

mation", these de Master en informatique, Université du Quebec a Montréal, 2014.

15
Bibliographie

16