See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/350340924

L'intelligence artificielle d'hier à aujourd'hui

Article · February 2021

CITATIONS READS

0 1,415

1 author:

Pascale Zaraté
Toulouse 1 Capitole University
209 PUBLICATIONS 1,821 CITATIONS

SEE PROFILE

All content following this page was uploaded by Pascale Zaraté on 14 June 2021.

The user has requested enhancement of the downloaded file.

 Dossier DROIT SOCIAL
Dossier
L’IA dans l’entreprise : usages et régulation
L’intelligence artificielle d’hier à aujourd’hui
L’intelligence artificielle connaît actuellement
un énorme engouement et ses retombées se
retrouvent un peu partout dans la vie cou-
rante. Cette contribution tente de définir ce
qu’est l’intelligence artificielle et dresse un
historique succinct de ses avancées.
INTRODUCTION
Le concept d’intelligence est relatif et difficile à définir.
A fortiori, l’expression « intelligence artificielle » (IA) ne le
précise pas et elle est souvent critiquée.
La difficulté de définir l’intelligence artificielle n’est
pas propre à cette discipline mais peut être constatée
dans beaucoup de disciplines scientifiques. Cependant,
cette discipline possède un caractère très dynamique, en
témoignent le nombre d’ouvrages publiés sur le sujet, le
nombre de publications scientifiques, le nombre d’évé-
nements scientifiques organisés. Par ailleurs, le monde
industriel a aussi pris possession de cette discipline qui
est très souvent appliquée dans de nombreux domaines.
Malgré ce dynamisme, il reste que l’intelligence artificielle
est souvent peu définie. Il faut alors la comprendre en
précisant le but de la discipline, les problèmes qu’elle
se pose et comment elle les aborde. Il existe alors deux
thèses : l’une définissant l’intelligence artificielle comme
une science cognitive et l’autre comme une branche de
l’informatique.
Si l’on considère l’intelligence artificielle comme une
science cognitive, la problématique consiste alors à com-
prendre les phénomènes et les processus de raisonnement
humain. Cette compréhension passe par l’élaboration de
modèles mathématiques permettant de décrire les rai-
sonnements. Il existe d’autres disciplines qui s’intéressent
1 pascale.zarate@ut-capitole.fr
N° xx - xxx 2015
1
1
par Pascale Zaraté
Professeur à l’université Toulouse 1 Capitole
Chercheur à l’Institut de recherche en informatique
de Toulouse (IRIT – UMR 5505) – Équipe
Argumentation, décision, raisonnement, incertitude,
apprentissage (ADRIA) – Co-responsable
du département d’intelligence artificielle
à cette problématique : la psychologie, la linguistique,
l’épistémologie, la philosophie, les neurosciences. L’in-
telligence artificielle a pour objectif de développer des
modèles, des théories et de la valider non pas sur des
sujets humains comme les autres sciences cognitives mais
en programmant des algorithmes. L’intelligence artifi-
cielle ayant alors pour vocation à simuler le raisonnement
humain, il s’agit d’abord de modéliser les connaissances et
les modes de raisonnement d’un expert humain et ensuite
de les rendre accessibles à un non-informaticien.
Cette thèse de l’intelligence artificielle comme une
science cognitive a été très populaire au début des années
1970 (Farreny et Ghallab, 1987).
La deuxième thèse considère l’intelligence artificielle
comme une branche de l’informatique. L’ordinateur n’est
alors plus seulement un outil d’investigation mais il est
l’objet central de recherche. Il s’agit alors de concevoir
des méthodes et des machines exploitant les possibilités
propres des ordinateurs pour leur faire réaliser des tâches
nécessitant ce qui, il y a longtemps, aurait été consi-
déré comme des facultés humaines uniquement, tâches
impliquant nécessairement du raisonnement symbolique
plutôt que des calculs arithmétiques (Shortliffe, 1976). Il
s’agit alors de concevoir des programmes et des machines
capables de traiter des problèmes pour lesquels on ne
connaît pas de méthodes de résolution directes et assurées
(Lindsay et al., 1980). Elle comprend alors les domaines
pour lesquels nous traitons de l’information sans savoir
comment nous nous y prenons (Pitrat, 1970).
2 DROIT SOCIAL
Les domaines privilégiés de l’IA sont alors ceux pour
lesquels il n’y a pas d’algorithme à la portée des machines,
comme les problèmes qui ont une combinatoire trop
importante dans des domaines tels que la crypto-arithmé-
tique, les jeux, les mots croisés, la planification, l’écono-
mie. Par exemple, le jeu d’échecs comprend 10160 possi-
bilités qui ne peuvent pas être toutes explorées en même
temps. Il s’agit alors de mettre en place une démarche
heuristique. Une démarche ou raisonnement heuristique
est alors une méthode de résolution de problème ne
s’appuyant pas sur une analyse détaillée ou exhaustive
du problème mais qui permet à tout agent humain ou
logiciel de se servir de ses découvertes pour concevoir de
nouvelles démarches d’apprentissage lors de tout processus
d’apprentissage.
Si l’on tente de définir l’intelligence artificielle, les
mots-clés permettant de la cerner seraient : algorithme
autonome et capable de prendre des décisions ; prédic-
tion ; simuler l’intelligence humaine ; capacité d’adapta-
tion et de réflexion ; apprentissage et évolution.
Selon le Larousse, l’intelligence artificielle est définie
comme : un ensemble de théories et de techniques mises
en œuvre en vue de réaliser des machines capables de
simuler l’intelligence humaine.
L’intelligence artificielle vise alors à reproduire au
mieux, à l’aide de machines, des activités mentales,
qu’elles soient de l’ordre de la compréhension, de la
perception ou de la décision. À la différence de la philo-
sophie ou de la psychologie qui sont aussi concernées par
l’étude de l’intelligence, l’intelligence artificielle a le projet
de construire des artefacts intelligents.
Il s’agit alors concrètement de rechercher : il faut ici
analyser les problèmes à résoudre et trouver des méthodes
de résolution ; pour cela, il faut alors représenter les
connaissances sous différentes formes : en logique, ou
règles, ou mémoire, ou cas, ou bien en langue naturelle,
etc. ; puis mettre en application la représentation des
connaissances au travers de différents types d’applica-
tions : systèmes experts, pilotes automatiques, agents logi-
ciels, Robots, etc.
HISTORIQUE
L’histoire de l’intelligence artificielle se décompose en
quatre étapes : 1. La naissance (1956-1966) ; 2. Les
années noires (1966-1969) ; 3. Le renouveau (1969-
1979) ; 4. L’institutionnalisation (1979-…).
1. La naissance (1956-1966)
La naissance officielle de l’intelligence artificielle
remonte à 1956 lors d’une conférence se déroulant au
Darmouth College (Hanover, New Hampshire, États-
Unis) durant laquelle John Mac Carthy donna le nom de
la discipline avec d’autres collègues, entre autres Marvin
Minsky, Alan Newell, Herbert Simon et Claude Shan-
non. Il s’agit alors de la première période, dite les années
lumières, portée par une grande euphorie et de grands
espoirs entre 1956 et 1966. Les premiers algorithmes et
Dossier
programmes datent de cette époque : The Logic Theorist
(Newell, Shaw et Simon, 1957) est un démonstrateur
de théorèmes en logique des propositions ; le perceptron
(Frank Rosenblatt, 1958) est une approche probabiliste
pour le stockage et l’organisation de l’information dans
le cerveau ; le General Problem Solver (Newell, Shaw
et Simon, 1959) est un programme mettant en œuvre
l’approche récursive, la séparation d’un problème en
sous-problèmes, la planification, l’analyse des moyens et
des fins pour atteindre un objectif, la mémorisation des
tâches précédemment réalisées ; ELIZA (Weizenbaum,
1966) est un programme mettant en œuvre un certain
type de conversation naturelle entre un homme et une
machine. Les phrases sont analysées sur la base de règles
de décomposition.
Les projets sont nombreux durant cette période et le
nombre de programmes sur des thématiques diverses (tra-
duction automatique de texte, reconnaissance de carac-
tères, etc.) est florissant.
2. Les années noires (1966-1969)
Durant cette période les projets sont tout aussi nom-
breux mais les résultats sont moins marquants. Il s’agit
alors d’une période de maturation permettant aux réalisa-
tions de la première période d’être reprises et améliorées.
3. Le renouveau (1969-1979)
Cette période est marquée par le développement des
systèmes experts. Le principal objectif de ces systèmes
est d’aider un humain dans la réalisation d’une tâche
très spécifique. Ces programmes ou logiciels capturent
l’expertise d’un humain sur une tâche précise et grâce
à un moteur d’inférence peuvent raisonner en activant
certaines parties de la connaissance modélisées. La pre-
mière étape lors de la réalisation de ces systèmes consiste
à modéliser la connaissance des experts sous la forme de
règles de production, par exemple de type « si condition
alors action ». Ces logiciels sont composés de différents
modules : la base de connaissances, le moteur d’inférence
et l’interface homme-machine. Parmi les réalisations les
plus connues, on peut citer : DENDRAL, qui réalise
l’analyse automatique des spectres de masse pour déter-
miner la structure moléculaire du corps chimique étudié
(Buchanan et al., 1970) ; MYCIN, qui diagnostique les
maladies infectieuses du sang et propose un traitement
approprié (Shortliffe, 1976). Ce système est basé sur une
modélisation, sous forme de règles, de la connaissance
d’un médecin en matière de diagnostic médical. Une fois
les paramètres concernant le patient saisis, le système pro-
pose un diagnostic ainsi qu’un traitement adapté.
Les systèmes experts ont ensuite évolué vers les sys-
tèmes à base de connaissances plus complets intégrant
différentes approches. Outre la base de connaissances, le
moteur d’inférence et l’interface homme-machine, ini-
tialement présents dans les systèmes experts, on trouve
d’autres modules tels qu’un module d’explications retra-
çant le raisonnement de la machine, un module d’acqui-
sition automatique des connaissances. En effet, le public
montrant initialement une grande méfiance à l’égard de
ces systèmes et de leurs résultats, des travaux en explicabi-
N° xx - xxx 2015
Dossier DROIT SOCIAL
lité ont permis de retracer le raisonnement de la machine
pour une meilleure acceptation de ces logiciels. Enfin, le
travail de modélisation des connaissances préalable à tout
développement de système à base de connaissances est
fastidieux et chronophage. Des travaux sur le traitement
automatique de la langue (TAL) se sont alors intéressés à
une acquisition automatique des connaissances au travers
de textes.
4. L’institutionnalisation (1979-…)
Depuis le développement des systèmes experts, l’intel-
ligence artificielle s’est très largement répandue dans le
secteur industriel et les travaux en recherche fondamentale
et appliquée sont de plus en plus nombreux. On assiste
alors à une institutionnalisation de l’intelligence artificielle
dans l’industrie mais aussi dans le milieu académique
scientifique.
D’un point de vue industriel, des outils issus de l’intel-
ligence artificielle tels que les systèmes à base de connais-
sances, les systèmes d’apprentissage, le data mining sont
développés. Si l’on prend comme exemple cette dernière
approche, le data mining, cela permet aux entreprises de
mieux exploiter et fouiller les données qu’elles possèdent.
D’un point de vue académique, des gros progrès sont
faits dans les domaines suivants : l’apprentissage ou
machine learning avec un algorithme particulier tel que le
deep learning ; les réseaux de neurones ; le natural langage
processing ; la reconnaissance automatique de la parole ;
les générateurs d’images ; les arbres décisionnels avec par
exemple le logiciel de jeu de Go : Alpha Go développé
par une entreprise britannique et qui devient le premier
programme à battre un joueur professionnel en 2015. Ce
dernier logiciel combine des techniques d’apprentissage et
des parcours de graphe.
Du point de vue des langages de programmation, l’in-
telligence artificielle possède les principaux langages sui-
vants : Lisp (MacCarthy, 1960), langage de programma-
tion récursif très puissant ; Prolog (Colmerauer, 1973),
langage de programmation logique qui a ensuite évolué
vers Prolog avec contraintes ; SmallTalk (Kay, 1972),
langage de programmation orienté objet réflexif ; Java ;
C++ ; Scheme ; etc.
De nos jours, les retombées de l’intelligence artifi-
cielle sont partout et en particulier dans le domaine de
l’informatique. Grâce à une combinaison des techniques
existantes issues de l’informatique avec l’IA, on peut
citer des progrès concluants dans les domaines de l’in-
formatique suivants : programmation objets ou agents ;
méthodologies de conception de logiciel ; représentation
des connaissances ; approches causales ; approches quali-
tatives ; fouille de données, fouille de textes ; statistiques
non linéaires avec les réseaux neuronaux ; programmation
par contraintes ; nouvelles méthodes d’optimisation (évo-
lution artificielle).
Par ailleurs, les applications de l’IA sont nombreuses
dans des domaines très variés. La recherche médicale uti-
lise des algorithmes issus de la reconnaissance des formes
capables de détecter des tumeurs cancéreuses invisibles
pour un œil humain sur des images de type IRM. La
N° xx - xxx 2015
3
sécurité nationale met en œuvre des algorithmes de recon-
naissance faciale, ce qui permet de détecter un compor-
tant anormal dans une foule. La domotique développe des
robots roulants capables de détecter des obstacles et de se
dérouter de manière automatique. Le premier robot de ce
type a été présenté lors de la Conférence internationale en
intelligence artificielle (IJCAI) qui s’est déroulée en 1993
à Chambéry. Les applications commerciales de ce robot
sont maintenant nombreuses avec l’aspirateur et la ton-
deuse qui circulent et fonctionnent tout seuls. Ces robots
sont capables de détecter grâce à une caméra les obstacles
qui se situent sur leur route, d’analyser l’image correspon-
dante et d’en déduire qu’il s’agit d’un obstacle. Ils sont
ensuite capables de se dérouter de manière autonome.
Dans les domaines de la médecine, la police, la justice,
de nombreux systèmes interactifs d’aide à la décision sont
développés (SIAD). Une modélisation est d’abord réalisée
sous forme d’arbres de décision par exemple, avec des
probabilités associées à chaque branche de l’arbre. L’utili-
sateur peut ensuite modifier certains paramètres (modifier
une probabilité d’occurrence par exemple) et voir ce que
le système propose comme solution au problème posé.
La résolution du problème se fera alors en interaction
entre l’homme et la machine et c’est l’utilisateur qui
guidera le processus de résolution de problème. Si nous
prenons l’exemple de la médecine et du diagnostic médi-
cal, le système est un guide pour un médecin novice.
Le médecin peut ainsi modifier certains paramètres du
logiciel, comme la probabilité qu’un virus se répande, et
voir ce que le logiciel peut fournir comme diagnostic.
Les systèmes de recommandation sont actuellement pré-
sents dans de nombreuses applications comme les réseaux
sociaux, les publicités ciblées, les sites de rencontres,
l’analyse de performance d’organisation. Les systèmes de
recommandation représentent une évolution des systèmes
d’aide à la décision. Il existe trois types de recommanda-
tions. La recommandation collaborative mesure la proxi-
mité entre deux utilisateurs (ou agents) et sur la base
de cette proximité une recommandation sera faite : par
exemple, l’ami de mon ami me sera recommandé dans
un réseau social. Ensuite, la recommandation basée sur
le contenu garde une trace des préférences passées d’un
utilisateur. Ces préférences viennent constituer le profil
de l’utilisateur. Sur la base de ce profil, les items les plus
proches seront recommandés à l’utilisateur. Si nous pre-
nons comme exemple l’e-commerce et l’achat d’un livre,
plusieurs critères (le prix, l’auteur, le genre de littérature :
science-fiction, policier, etc., le type de livre : poche,
édition brochée, etc.) viennent constituer le profil de
l’utilisateur et du livre. Le système cherche alors dans sa
base de données le livre le plus proche de l’utilisateur. La
limite de ce type de recommandation est connue pour des
utilisateurs nouveaux pour lesquels le système ne connaît
pas encore ses préférences. Il existe alors une approche
hybride : collaborative et par le contenu, permettant de
pallier ce problème. Cependant, d’autres problématiques,
comme la sérendipité, subsistent. Les recommandations
seront toujours réalisées sur la même base sans recherche
d’innovation. Des travaux sont en cours afin de pallier ce
problème.
L’intelligence artificielle a connu de nombreux déve-
loppements et il existe actuellement des domaines de
l’IA, divers et très spécifiques. On peut citer entre autres
domaines : la reconnaissance et synthèse de la parole avec
 4 DROIT SOCIAL Dossier

des applications pour la réservation d’hôtel ; la reconnais-
sance et la synthèse d’images et ses applications dans le
domaine de la sécurité et la reconnaissance de visages ;
la reconnaissance de l’écriture avec par exemple la recon-
naissance de signature sur les chèques ou la reconnais-
sance de codes postaux ; le traitement automatique du
langage naturel et ses applications diverses comme Google
Home ; la planification et le partage des ressources satel-
lites ; l’aide à la décision avec une évolution actuellement
vers le preference mining qui permet aux systèmes de
recommandations d’apprendre les préférences d’un utili-
sateur ; l’aide à la programmation avec des agents intelli-
gents qui s’interfacent automatiquement ; l’apprentissage
très largement connu du grand public ; les jeux comme
DeeperBlue ; l’aide à la décision en médecine avec la
prédiction de patients à risque et l’analyse automatique
d’images médicales.
L’engouement de l’intelligence artificielle est actuelle-
ment tel que de nombreux gouvernements de différents
pays font de très gros efforts dans ce domaine en inves-
tissant des moyens dans la recherche. On peut citer par
exemple en France la création en 2019 de quatre instituts
en intelligence artificielle : MIAI@Grenoble Alpes, avec
pour applications privilégiées la santé, l’environnement
et l’énergie à Grenoble ; 3IA Côte d’Azur, avec pour
applications privilégiées la santé et le développement des
territoires à Nice ; PRAIRIE, avec des applications sur la
santé, les transports et l’environnement à Paris, et Aniti
avec pour applications privilégiées le transport, l’environ-
nement et la santé à Toulouse. ■

Bibliographie
■ ■

B. Buchanan, G. Sutherland et E. Feigenbaum, A. Newell, J. C. Shaw et H. A. Simon, Report on a

Rediscovering some problems of artificial intelligence in general problem solving program, IFIP Congress, 1959.
the context of organic chemistry, in Machine Intelligence, ■

Edinburgh University Press, 1970. 253-280. A. Newell, J. C. Shaw et H. A. Simon, Empirical

■ explorations of the logic theory machine : a case study in
A. Colmerauer, Interpréteur du langage de programma- heuristic, IRE-AIEE-ACM Conference, 1957.
tion, rapport de DEA, Groupe d’intelligence artificielle, ■

université de Marseille, 1973. J. Pitrat, Un démonstrateur automatique de théorèmes,

■ Dunod, 1970.
H. Farreny et M. Ghallab, Éléments d’intelligence arti- ■

ficielle, Hermès, 1987. F. Rosenblatt, The perceptron : a probabilist model for

■ information storage and organization in the brain, Psy-
A. Kay, Smalltalk-71, Xerox Palo Alto Research Center, chological Review, 1958.
1972. ■

■ E. Shortliffe, Computer-based medical Consultations :

R. Lindsay, B. Buchman, E. Feigenbaum et J. Leder- MYCIN, New York, American Elsevier Publishing,
berg, The Dendral project, McGraw Hill, 1980. 1976.
■ ■

J. Mac Carthy, Recursive functions of symbolic expres- J. Weizenbaum, ELIZA – A computer program for the
sions and their computation by machine, Communica- study of natural language communication between man
tions of the ACM, vol. 3, no 4, 1960. 184-195. and machine, Communications of the ACM, vol. 9,
no 1, 1966. 36.

N° xx - xxx 2015

View publication stats