Intelligence Artificielle

Un voyage dans le monde de l’IA

Bac 3: 60 Hrs soit 4 Cr

Grade 1: 45 Hrs soit 3Cr

Mr. Samuel MUGISHO

 OBJECTIFS DU COURS

 Présenter la genèse de l’Intelligence Artificielle et des systèmes intelligents

 Définir le concept « Intelligence Artificielle »
 Etablir les ressemblances et les dissemblances entre les systèmes classiques et ceux
issus de l’Intelligence Artificielle
 Présenter les principaux domaines d’application de l’Intelligence Artificielle
 Introduire la notion de l’Intelligence Artificielle Distribué et présenter ses domaines
d’applications
 Décrire l’architecture des systèmes issus de l’Intelligence Artificielle et discuter les
différents modules
 Plan du Cours
Titre 1: Introduction
Titre 2: Types d’intelligence Artificielle
Titre 3: Machine Learning
Titre 4: Le Deep Learning
Titre 5: La Robotique
Titre 6: L’intelligence Artificielle dans la vie de tout les jours
Titre 7: Usage de l’Intelligence Artificielle dans le domaine de la Santé
Titre 8: Usage de l’Intelligence artificielle dans le monde des affaires
Titre 9: Considérations Ethiques
Titre 10: Les Inconvénients de l’Intelligence Artificielle
Titre 11: L’Avenir de l’Intelligence Artificielle
Titre 12: Conclusion
Introduction
 Qu’est ce que l’Intelligence Artificielle?
L'intelligence artificielle (IA) fait référence à la capacité d'un système informatique pour
effectuer des tâches qui nécessitent normalement une intelligence humaine. Ces tâches
comprennent la résolution de problèmes, l'apprentissage, la compréhension du langage
naturel, la reconnaissance de motifs, la prise de décision et d'autres activités cognitives.

L'objectif de l'IA est de développer des machines capables de simuler des processus de
pensée humaine et d'accomplir des tâches de manière autonome.
L'intelligence artificielle (IA) a un impact significatif sur diverses industries et
continue de transformer la façon dont les entreprises fonctionnent. Voici
quelques-unes des façons dont l'IA est importante et influence différents
secteurs :

1. Santé
Diagnostic médical : Les systèmes d'IA peuvent analyser rapidement de
grandes quantités de données médicales pour aider les médecins à
diagnostiquer les maladies plus précisément.
Recherche pharmaceutique : L'IA peut accélérer le processus de découverte
de médicaments en identifiant des combinaisons potentielles de composés et
en prédisant leur efficacité.
 2. Finance :
1. Gestion des risques : Les algorithmes d'IA peuvent analyser les données financières en
temps réel pour détecter les tendances du marché et évaluer les risques.
2. Fraude financière : L'IA peut identifier des modèles suspects de transactions, aidant
ainsi à prévenir la fraude financière.
3. Commerce et vente au détail :
1. Recommandations personnalisées : Les systèmes d'IA analysent le comportement
d'achat des clients pour recommander des produits de manière personnalisée,
améliorant ainsi l'expérience d'achat.
2. Gestion de la chaîne d'approvisionnement : L'IA peut optimiser la gestion des stocks et
prédire la demande, réduisant ainsi les coûts et améliorant l'efficacité.
4. Éducation :
Personnalisation de l'apprentissage : Les systèmes d'IA peuvent adapter les programmes
d'apprentissage aux besoins individuels des élèves, facilitant ainsi l'apprentissage
personnalisé.
Évaluation automatisée : L'IA peut automatiser l'évaluation des performances des étudiants,
fournissant des retours plus rapides.
 5. Transport :
1. Véhicules autonomes : L'IA est essentielle au développement de véhicules autonomes
capables de naviguer sans intervention humaine.
2. Logistique intelligente : L'IA optimise les itinéraires, la planification des transports et la
gestion des flottes, réduisant les coûts et améliorant l'efficacité.
6. Technologie :
1. Assistance virtuelle : Les systèmes d'IA, tels que les assistants virtuels, simplifient
l'interaction homme-machine et facilitent l'accès à l'information.
2. Sécurité informatique : L'IA est utilisée pour détecter les menaces de cyber sécurité et
renforcer la protection des systèmes informatiques.
7. Ressources humaines :
1. Recrutement : L'IA peut analyser les CV, évaluer les compétences des candidats et
aider à identifier les profils les mieux adaptés à un poste.
2. Gestion des ressources humaines : L'IA peut faciliter la gestion des performances, la
planification des effectifs et l'analyse des données RH.
L'histoire de l'intelligence artificielle (IA) remonte à plusieurs décennies, marquée par des
avancées significatives et des périodes d'intérêt croissant. Voici quelques jalons importants
dans le développement de l'IA :
Années 1950 - Les débuts :
La naissance de l'IA est souvent attribuée à Alan Turing, qui a posé les bases théoriques avec
sa machine universelle en 1936.
Le terme "intelligence artificielle" a été introduit pour la première fois par John McCarthy lors
de la conférence Dartmouth en 1956, considérée comme le point de départ de l'IA en tant
que domaine de recherche.
Années 1950-1960 - Recherche sur les jeux et les langues :
En 1951, Christopher Strachey développe le premier programme d'échecs sur l'ordinateur
Ferranti Mark I.
En 1969, le programme informatique ELIZA, conçu par Joseph Weizenbaum, démontre une
certaine compréhension du langage naturel.
Années 1970 - Déception et hiver de l'IA :
1. Malgré des progrès dans des domaines tels que la vision par ordinateur et la
planification, les attentes exagérées et les défis techniques ont conduit à une période dite
"d'hiver de l'IA" dans les années 1970.
Années 1980-1990 - Résurgence de l'IA :
1. L'IA connaît une résurgence avec l'avènement de l'apprentissage machine et des réseaux
neuronaux.
2. Des systèmes experts, basés sur des règles, sont développés pour résoudre des
problèmes spécifiques dans des domaines tels que la médecine et la finance.
Années 1997 - Deep Blue bat Kasparov :
1. IBM's Deep Blue devient le premier ordinateur à battre le champion du monde
d'échecs, Garry Kasparov, en 1997, marquant un moment emblématique dans l'histoire
de l'IA.
Années 2000 - Essor de l'apprentissage machine :
1. L'apprentissage machine devient central avec l'émergence d'algorithmes comme le
Support Vector Machines (SVM) et les méthodes d'apprentissage en ligne.
Années 2010 - Renaissance de l'apprentissage profond :
1. L'utilisation de réseaux neuronaux profonds (deep learning) conduit à des avancées
majeures dans la vision par ordinateur, la reconnaissance vocale et la traduction
automatique.
2. En 2011, IBM's Watson remporte le jeu télévisé Jeopardy!, démontrant la capacité des
systèmes d'IA à comprendre et à répondre à des questions complexes.
Années 2010 à aujourd'hui - Applications généralisées de l'IA :
1. L'IA est de plus en plus intégrée dans des applications quotidiennes telles que les
assistants virtuels, les recommandations de produits en ligne, les véhicules autonomes,
etc.
2. Les avancées dans le traitement du langage naturel, la vision par ordinateur et la
robotique contribuent à élargir le champ d'application de l'IA.
Différents Types de l’Intelligence Artificielle
L'intelligence artificielle (IA) peut être catégorisée en fonction de ses capacités et de ses
applications. Voici quelques types d'intelligence artificielle :
1.Intelligence Artificielle Faible (IA étroite) :
2.Intelligence Artificielle Forte (IA générale) :
 Intelligence Artificielle Faible (IA étroite)
L'intelligence artificielle faible, également appelée intelligence artificielle étroite, se réfère à
des systèmes d'IA conçus pour accomplir des tâches spécifiques ou résoudre des problèmes
bien délimités. Contrairement à l'intelligence artificielle forte, qui serait capable de
comprendre, d'apprendre et de s'adapter à n'importe quelle tâche intellectuelle humaine, l'IA
faible est spécialisée dans un domaine particulier et ne peut pas généraliser ses compétences
au-delà de ce domaine restreint. Exemples : les systèmes de recommandation, la
reconnaissance vocale, les chatbots spécialisés, etc.
Caractéristiques de l'intelligence artificielle faible :
1.Spécialisation : Les systèmes d'IA faible sont généralement développés pour exceller dans
une tâche ou un ensemble spécifique de tâches. Par exemple, un programme d'IA faible
pourrait être spécifiquement conçu pour la reconnaissance faciale, la traduction automatique,
la recommandation de produits, etc.
2.Manque de compréhension globale : Ces systèmes ne comprennent pas le contexte plus
large ou ne possèdent pas une compréhension générale du monde comme le ferait un être
humain. Leur expertise est limitée à leur domaine d'application spécifique.
Dépendance de l'entraînement et de la programmation : L'IA faible dépend souvent d'un
ensemble prédéfini de règles ou d'un modèle préalablement entraîné pour accomplir sa
tâche. Elle ne peut pas apprendre activement de nouvelles tâches sans une intervention
humaine significative.
Manque d'auto-amélioration : Contrairement à l'intelligence artificielle forte, l'IA faible ne
s'améliore pas spontanément au fil du temps ou en fonction de nouvelles expériences. Tout
progrès nécessite une mise à jour manuelle par les programmeurs.
Exemples d'intelligence artificielle faible incluent :
•Reconnaissance d'image : Les systèmes qui peuvent identifier des objets, des personnes ou
des motifs dans des images, mais qui ne peuvent pas effectuer d'autres tâches complexes.
•Systèmes de recommandation : Les algorithmes qui suggèrent des produits, des films ou
d'autres éléments en fonction des préférences ou des comportements passés de l'utilisateur.
•Reconnaissance vocale : Les systèmes qui interprètent la parole humaine pour effectuer des
commandes vocales, mais qui ne comprennent pas la signification profonde du langage.
 Intelligence Artificielle Forte (IA générale)
L'intelligence artificielle forte, également appelée intelligence artificielle générale, fait référence
à une forme d'intelligence artificielle hypothétique qui aurait la capacité de comprendre,
d'apprendre et de s'adapter à n'importe quelle tâche intellectuelle humaine. Contrairement à
l'intelligence artificielle faible, qui est spécialisée dans des domaines spécifiques, l'IA forte serait
capable de résoudre des problèmes de manière autonome dans une variété de domaines, tout
en démontrant une compréhension et une conscience similaires à celles des êtres humains.
Caractéristiques de l'intelligence artificielle forte :
1.Polyvalence : Une IA forte serait capable de s'adapter et de résoudre des problèmes dans
divers domaines sans nécessiter une programmation spécifique pour chaque tâche.
2.Compréhension du contexte : Contrairement à l'IA faible, une IA forte aurait la capacité de
comprendre le contexte plus large dans lequel elle opère et de tirer des conclusions
complexes.
3.Apprentissage autonome : Elle serait capable d'apprendre de nouvelles informations, de
s'ajuster à des situations inconnues et d'évoluer au fil du temps sans une intervention humaine
constante.
4.Conscience et conscience de soi : Une IA forte pourrait démontrer une certaine forme de
conscience, d'auto-conscience et de compréhension de ses propres états mentaux.
Intelligence Artificielle Réactive :
1. Se base sur des règles préprogrammées et des bases de connaissances pour fournir des
réponses à des situations spécifiques.
2. Ne peut pas apprendre à partir de l'expérience.
Exemple : le célèbre système d'échecs Deep Blue d'IBM.
Intelligence Artificielle Basée sur la Mémoire (IA limitée) :
1. Capable d'apprendre à partir de l'expérience passée.
2. Utilise des données pour améliorer ses performances au fil du temps.
Exemple : les algorithmes d'apprentissage machine qui ajustent leurs modèles en
fonction des nouvelles données.
Intelligence Artificielle Théorique :
1. Explore les aspects de l'IA qui ne sont pas encore pleinement réalisés.
2. Implique des concepts tels que la conscience, la compréhension de soi et la prise de
décision morale.
3. Ces idées sont souvent plus spéculatives et conceptuelles.
Intelligence Artificielle Évolutive :
1. S'inspire de principes évolutifs et génétiques pour créer des algorithmes d'optimisation.
2. Les solutions sont améliorées au fil du temps par sélection naturelle et mutation.
3. Souvent utilisée pour l'optimisation de fonctions complexes.
Intelligence Artificielle Connectée (IA en réseau) :
1. Implique la connexion de multiples modules d'IA pour créer une intelligence plus
complexe.
2. Les modules spécialisés travaillent ensemble pour résoudre des problèmes plus vastes.
Par exemple, un système de voiture autonome pourrait inclure des modules pour la
vision, la planification et le contrôle.