The Doppler Quarterly (FRANÇAIS) Hiver 2018 | Page 58

Défi nition de l’intelligence artifi cielle
L’intelligence artifi cielle est une intelligence produite par des machines, ce qui
lui vaut parfois l’appellation anglaise de « Machine Intelligence » (MI). On peut
la mettre en contraste avec l’intelligence naturelle qui est manifestée par les
humains ou d’autres organismes. L’intelligence peut être considérée d’un point
de vue factuel, et les faits peuvent être représentés par de simples instructions
de type « if:then ». En collectant celles-ci en nombre suffi sant, vous pouvez
donner à une machine une apparence de relative intelligence.
Mais un autre aspect de l’intelligence est l’apprentissage, c’est-à-dire l’aptitude
à acquérir de nouvelles connaissances ou à modifi er des connaissances factu-
elles existantes sur la base de nouvelles informations. C’est là que les choses
commencent à devenir intéressantes. Les techniques permettant aux machines
d’apprendre se divisent en deux catégories : l’apprentissage automatique, ou
Machine Learning (ML), et l’apprentissage approfondi, dit de Deep Learning
(DL).
Défi nition de l’apprentissage automatique
L’apprentissage automatique repose sur des statistiques de calcul, ou sur l’ex-
ploitation de données pour créer des modèles mathématiques utiles à la réali-
sation de prédictions. Une partie d’un ensemble de données est employée pour
étudier les modèles qui semblent présenter la meilleure correspondance, tan-
dis que le reste des données sert à mettre à l’essai la capacité prédictive du
modèle. Une fois la correspondance jugée adéquate, de nouvelles données peu-
vent être analysées selon ce modèle et les résultats peuvent être raisonnable-
ment utilisés pour passer à l’action. Les applications les plus performantes dans
ce type d’approche incluent la maintenance prédictive et la détection des
anomalies de sécurité.
Défi nition de l’apprentissage approfondi
L’apprentissage approfondi, ou apprentissage hiérarchique, est une subdivision
de l’apprentissage automatique qui imite la fonction du néocortex humain.
Notre cortex est essentiellement un moteur de mise en correspondance de
modèles qui prend nos données sensorielles et, au fur et à mesure que les dif-
férentes parties sont reconnues, assemble celles-ci sous forme de concepts de
niveau supérieur jusqu’à ce que la reconnaissance ait lieu. Dès lors, nous agis-
sons en conséquence.
Pensons l’exemple d’une tasse à café. Tout d’abord, nous reconnaissons le cer-
cle de l’ouverture, puis les lignes droites des bords, la courbe du fond et le
demi-cercle de l’anse. À mesure que ces éléments traversent les différentes
couches de notre cortex, ils fi nissent par se réunir pour former ce que nous
reconnaissons comme une tasse à café, et nous agissons en conséquence.
Selon les circonstances, nous pouvons ensuite saisir la tasse et avaler une
bonne gorgée de café chaud.
Nous disposons désormais de techniques de calcul capables d’imiter ce pro-
cessus et, sur la base des données saisies, d’apprendre à identifi er les entrées et
à prendre les mesures appropriées, comme le font les humains. La principale
différence est que les humains possèdent des capacités limitées, qui sont nos
cinq sens de base, ainsi qu’une capacité de stockage et une puissance de trait-
ement restreintes. Les machines, en revanche, peuvent admettre de nombreux
types d’entrées et s’appuyer sur des capacités de calcul et de stockage quasi-
ment illimitées pour analyser les données.
56 | THE DOPPLER | HIVER 2018