L’intelligence artificielle, ou IA, est une technologie qui permet aux ordinateurs et aux machines de simuler l’intelligence humaine et les capacités de résolution de problèmes.
Seule ou combinée avec d’autres technologies (par exemple, capteurs, géolocalisation, robotique), l’IA peut accomplir des tâches qui nécessiteraient autrement l’intelligence ou l’intervention humaine. Les assistants numériques, le guidage GPS, les véhicules autonomes et les outils d’IA générative (comme Chat GPT d’Open AI) ne sont que quelques exemples de l’IA dans l’actualité quotidienne et dans notre vie de tous les jours.
En tant que domaine de l’informatique, l’intelligence artificielle englobe (et est souvent mentionnée conjointement avec) l’apprentissage automatique et l’apprentissage profond. Ces disciplines impliquent le développement d’algorithmes d’IA, modélisés d’après les processus de prise de décision du cerveau humain, qui peuvent « apprendre » à partir des données disponibles et effectuer des classifications ou des prédictions de plus en plus précises au fil du temps.
L’intelligence artificielle a traversé de nombreuses vagues de battage médiatique, mais même pour les sceptiques, la sortie de ChatGPT semble marquer un tournant. La dernière fois que l’IA générative a pris une telle ampleur, les avancées se situaient dans la vision par ordinateur, mais aujourd’hui, le bond en avant concerne le traitement du langage naturel (NLP). Aujourd’hui, l’IA générative peut apprendre et synthétiser non seulement le langage humain, mais aussi d’autres types de données, notamment des images, des vidéos, du code logiciel et même des structures moléculaires.
Les applications de l’IA se multiplient chaque jour. Mais à mesure que le battage médiatique autour de l’utilisation des outils d’IA en entreprise s’intensifie, les discussions sur l’éthique de l’IA et l’IA responsable deviennent d’une importance critique. Pour en savoir plus sur la position d’IBM sur ces questions, veuillez lire Instaurer la confiance dans l’IA .
L’IA faible, également connue sous le nom d’IA étroite ou d’intelligence artificielle étroite (ANI), est une IA entraînée et ciblée pour effectuer des tâches spécifiques. L’IA faible alimente la majeure partie de l’IA qui nous entoure aujourd’hui. « Étroite » est peut-être un descripteur plus approprié pour ce type d’IA, car elle est tout sauf faible : elle permet de réaliser des applications très robustes, telles que Siri d’Apple, Alexa d’Amazon, IBM watsonx™ et les véhicules autonomes.
L’IA forte est composée de l’intelligence artificielle générale (AGI) et de la superintelligence artificielle (ASI). L’AGI, ou IA générale, est une forme théorique d’IA où une machine aurait une intelligence égale à celle des humains ; elle serait consciente d’elle-même, dotée d’une conscience capable de résoudre des problèmes, d’apprendre et de planquer pour l’avenir. L’ASI, également connue sous le nom de superintelligence, surpasserait l’intelligence et la capacité du cerveau humain. Bien que l’IA forte soit encore entièrement théorique et ne compte aucun exemple pratique en service aujourd’hui, cela ne signifie pas que les chercheurs en IA n’explorent pas son développement. En attendant, les meilleurs exemples d’ASI proviennent peut-être de la science-fiction, comme HAL, l’assistant informatique surhumain et rebelle dans 2001, l’Odyssée de l’espace.
L’apprentissage automatique et l’apprentissage profond sont des sous-disciplines de l’IA, et l’apprentissage profond est une sous-discipline de l’apprentissage automatique.
Les algorithmes d’apprentissage automatique et d’apprentissage profond utilisent tous deux des réseaux de neurones pour « apprendre » à partir d’énormes quantités de données. Ces réseaux de neurones sont des structures programmables modélisées d’après les processus de prise de décision du cerveau humain. Ils se composent de couches de nœuds interconnectés qui extraient des caractéristiques des données et font des prédictions sur ce que représentent les données.
L’apprentissage automatique et l’apprentissage profond diffèrent par les types de réseaux de neurones qu’ils utilisent et le degré d’intervention humaine impliqué. Les algorithmes d’apprentissage automatique classiques utilisent des réseaux de neurones avec une couche d’entrée, une ou deux couches « cachées » et une couche de sortie. En règle générale, ces algorithmes sont limités à l’apprentissage supervisé : les données doivent être structurées ou étiquetées par des experts humains pour permettre à l’algorithme d’extraire des caractéristiques des données.
Les algorithmes d’apprentissage profond utilisent des réseaux de neurones profonds — des réseaux composés d’une couche d’entrée, de trois couches cachées ou plus (mais généralement des centaines) et d’une couche de sortie. Ces multiples couches permettent l’apprentissage non supervisé : elles automatisent l’extraction de caractéristiques à partir de grands ensembles de données non étiquetés et non structurés. Parce qu’il ne nécessite pas d’intervention humaine, l’apprentissage profond permet essentiellement l’apprentissage automatique à grande échelle.
L’IA générative fait référence aux modèles d’apprentissage profond capables de prendre des données brutes (disons, l’ensemble de Wikipédia ou l’œuvre complète de Rembrandt) et « d’apprendre » à générer des sorties statistiquement probables lorsqu’ils y sont invités. À un niveau élevé, les modèles génératifs encodent une représentation simplifiée de leurs données d’entraînement et s’en inspirent pour créer une nouvelle œuvre similaire, mais non identique, aux données d’origine.
Les modèles génératifs sont utilisés depuis des années en statistique pour analyser des données numériques. L’essor de l’apprentissage profond a toutefois permis de les étendre aux images, à la parole et à d’autres types de données complexes. Parmi la première catégorie de modèles d’IA à avoir réalisé cette percée transsectorielle figurent les auto-encodeurs variationnels, ou VAE, introduits en 2013. Les VAE ont été les premiers modèles d’apprentissage profond largement utilisés pour générer des images et de la parole réalistes.
« Les VAE ont ouvert la voie à la modélisation générative profonde en facilitant la mise à l’échelle des modèles », a déclaré Akash Srivastava , expert en IA générative au laboratoire d’IA MIT-IBM Watson. « Une grande partie de ce que nous considérons aujourd’hui comme l’IA générative a commencé ici. »
Des exemples précoces de modèles, notamment GPT-3, BERT ou DALL-E 2, ont démontré ce qui est possible. À l’avenir, les modèles seront entraînés sur un vaste ensemble de données non étiquetées qui pourront être utilisées pour différentes tâches, avec un réglage fin minimal. Les systèmes qui exécutent des tâches spécifiques dans un domaine unique cèdent la place à des systèmes d’IA larges qui apprennent de manière plus générale et fonctionnent à travers les domaines et les problèmes. Les modèles de fondation, formés sur de grands ensembles de données non étiquetés et affinés pour une gamme d’applications, stimulent ce changement.
Quant à l’avenir de l’IA, en ce qui concerne l’IA générative, il est prévu que les modèles de fondation accélèrent considérablement l’adoption de l’IA dans les entreprises. La réduction des exigences en matière d’étiquetage permettra aux entreprises de s’engager beaucoup plus facilement, et l’automatisation pilotée par l’IA, hautement précise et efficace, qu’ils permettent, signifiera qu’un nombre bien plus important d’entreprises pourront déployer l’IA dans un plus grand nombre de situations critiques. Pour IBM, l’espoir est que la puissance de calcul des modèles de fondation puisse finalement être apportée à chaque entreprise dans un environnement de cloud hybride fluide.
Il existe de nombreuses applications concrètes pour les systèmes d’IA aujourd’hui. Vous trouverez ci-dessous quelques-uns des cas d’utilisation les plus courants :
Également connue sous le nom de reconnaissance automatique de la parole (ASR), de reconnaissance vocale par ordinateur ou de conversion de la parole en texte, la reconnaissance vocale utilise le NLP pour traiter la parole humaine dans un format écrit. De nombreux appareils mobiles intègrent la reconnaissance vocale dans leurs systèmes pour effectuer des recherches vocales — Siri, par exemple — ou offrir une plus grande accessibilité en matière de messagerie texte en anglais ou dans de nombreuses langues largement parlées. Découvrez comment Don Johnston a utilisé IBM Watson Text to Speech pour améliorer l’accessibilité en classe grâce à notre étude de cas .
Les agents virtuels en ligne et les chatbots remplacent les agents humains tout au long du parcours client. Ils répondent aux questions fréquemment posées (FAQ) sur des sujets tels que la livraison, ou fournissent des conseils personnalisés, effectuent des ventes croisées de produits ou suggèrent des tailles aux utilisateurs, modifiant notre façon de concevoir l’engagement client sur les sites Web et les plateformes de réseaux sociaux. Les exemples incluent les bots de messagerie sur les sites de commerce électronique dotés d’agents virtuels , les applications de messagerie telles que Slack et Facebook Messenger, et les tâches habituellement effectuées par les assistants virtuels et les assistants vocaux . Découvrez comment Autodesk Inc. a utilisé IBM watsonx Assistant pour accélérer les temps de réponse des clients de 99 % grâce à notre étude de cas .
Cette technologie d’IA permet aux ordinateurs et aux systèmes de déduire des informations significatives à partir d’images numériques, de vidéos et d’autres entrées visuelles, et d’agir en fonction de ces entrées. Cette capacité à formuler des recommandations la distingue des tâches de reconnaissance d’images. Propulsée par des réseaux de neurones convolutionnels, la vision par ordinateur trouve des applications dans le marquage de photos sur les réseaux sociaux, l’imagerie radiologique dans la santé et les voitures autonomes dans l’industrie automobile. Découvrez comment ProMare a utilisé IBM Maximo pour définir un nouveau cap pour la recherche océanique grâce à notre étude de cas .
La robotique adaptative agit sur les informations des appareils de l’Internet des objets (IoT) et sur les données structurées et non structurées pour prendre des décisions autonomes. Les outils NLP peuvent comprendre le langage humain et réagir à ce qui leur est dit. L’analytique prédictive est appliquée à la réactivité de la demande, à l’optimisation des stocks et des réseaux, à la maintenance préventive et à la fabrication numérique. Les algorithmes de recherche et de reconnaissance de motifs — qui ne sont plus seulement prédictifs, mais hiérarchiques — analysent les données en temps réel, aidant les chaînes d’approvisionnement à réagir à une intelligence augmentée générée par machine, tout en offrant une visibilité et une transparence instantanées. Découvrez comment Hendrickson a utilisé IBM Sterling pour alimenter des transactions en temps réel grâce à notre étude de cas .
Les modèles météorologiques sur lesquels s’appuient les présentateurs pour établir des prévisions précises consistent en des algorithmes complexes exécutés sur des superordinateurs. Les techniques d’apprentissage automatique améliorent ces modèles en les rendant plus applicables et plus précis. Découvrez comment Emnotion a utilisé IBM Cloud pour permettre aux entreprises sensibles aux conditions météorologiques de prendre des décisions plus proactives et axées sur les données grâce à notre étude de cas .
Les modèles d’IA peuvent passer au peigne fin de grandes quantités de données et découvrir des points de données atypiques au sein d’un ensemble de données. Ces anomalies peuvent attirer l’attention sur des équipements défectueux, des erreurs humaines ou des failles de sécurité. Découvrez comment Netox a utilisé IBM QRadar pour protéger les entreprises numériques contre les cybermenaces grâce à notre étude de cas .
L’idée d’« une machine qui pense » remonte à la Grèce antique. Mais depuis l’avènement de l’informatique électronique (et par rapport à certains des sujets abordés dans cet article), les événements et jalons importants de l’évolution de l’intelligence artificielle comprennent les suivants :
1950 : Alan Turing publie Computing Machinery and Intelligence (le lien renvoie vers un site externe à ibm.com) . Dans cet article, Turing — célèbre pour avoir décrypté le code ENIGMA allemand pendant la Seconde Guerre mondiale et souvent qualifié de « père de l’informatique » — pose la question suivante : « Les machines peuvent-elles penser ? » À partir de là, il propose un test, aujourd’hui célèbre sous le nom de « test de Turing », où un interrogateur humain essaierait de faire la distinction entre une réponse textuelle d’un ordinateur et celle d’un humain. Bien que ce test ait fait l’objet de nombreux examens depuis sa publication, il reste une partie importante de l’histoire de l’IA, ainsi qu’un concept permanent au sein de la philosophie puisqu’il utilise des idées liées à la linguistique.
1956 : John McCarthy invente le terme « intelligence artificielle » lors de la toute première conférence sur l’IA au Dartmouth College. (McCarthy inventera plus tard le langage Lisp.) Plus tard la même année, Allen Newell, J.C. Shaw et Herbert Simon créent le Logic Theorist, le tout premier programme logiciel d’IA en cours d’exécution.
1967 : Frank Rosenblatt construit le Mark 1 Perceptron, le premier ordinateur basé sur un réseau de neurones qui « apprenait » par essais et erreurs. Un tout petit an plus tard, Marvin Minsky et Seymour Papert publient un livre intitulé Perceptrons , qui devient à la fois l’ouvrage de référence sur les réseaux de neurones et, du moins pendant un certain temps, un argument contre les futurs projets de recherche sur les réseaux de neurones.
Années 1980 : Les réseaux de neurones qui utilisent un algorithme de rétropropagation pour s’entraîner deviennent largement utilisés dans les applications d’IA.
1995 : Stuart Russell et Peter Norvig publient Artificial Intelligence: A Modern Approach (le lien renvoie vers un site externe à ibm.com), qui devient l’un des principaux manuels pour l’étude de l’IA. Ils y abordent quatre objectifs ou définitions potentiels de l’IA, qui différencient les systèmes informatiques sur la base de la rationalité et de la pensée par rapport à l’action.
1997 : Le Deep Blue d’IBM bat le champion du monde d’échecs de l’époque, Garry Kasparov, lors d’un match d’échecs (et d’une revanche).
2004 : John McCarthy écrit un article, What Is Artificial Intelligence ? (le lien renvoie vers un site externe à ibm.com), et propose une définition de l’IA fréquemment citée.
2015 : Le superordinateur Minwa de Baidu utilise un type spécial de réseau de neurones profonds appelé réseau de neurones convolutionnel pour identifier et catégoriser des images avec un taux de précision supérieur à celui de l’humain moyen.
2016 : Le programme AlphaGo de DeepMind, propulsé par un réseau de neurones profonds, bat Lee Sedol, le champion du monde du jeu de Go, lors d’un match en cinq parties. La victoire est significative compte tenu du nombre énorme de coups possibles au fur et à mesure que le jeu progresse (plus de 14,5 billions après seulement quatre coups !). Plus tard, Google a racheté DeepMind pour un montant estimé à 400 millions de dollars américains.
2023 : L’essor des grands modèles de langage, ou LLM, tels que ChatGPT, entraîne un changement considérable dans les performances de l’IA et son potentiel à générer de la valeur pour les entreprises. Grâce à ces nouvelles pratiques d’IA générative, les modèles d’apprentissage profond peuvent être pré-entraînés sur de vastes quantités de données brutes et non étiquetées.
Mettez l’IA au service de votre entreprise avec l’expertise en IA de pointe d’IBM et son portefeuille de solutions à vos côtés.
Réinventez les flux de travail et les opérations critiques en ajoutant l’IA pour maximiser les expériences, la prise de décision en temps réel et la valeur commerciale.
L’IA change la donne en matière de cybersécurité, en analysant des quantités massives de données de risque pour accélérer les temps de réponse et renforcer les opérations de sécurité aux ressources limitées.
Apprenez à utiliser le cadre de sélection de modèles pour choisir le modèle de fondation adapté aux besoins de votre entreprise.
Accédez à notre catalogue complet de plus de 100 cours en ligne en achetant dès aujourd’hui un abonnement d’apprentissage numérique individuel ou multi-utilisateurs, vous permettant d’élargir vos compétences sur une gamme de nos produits à un prix modique.
IBM watsonx Assistant reconnu comme le choix des clients dans le rapport Gartner Peer Insights Voice of the Customer 2023 pour les plateformes d’IA conversationnelle d’entreprise
Service associé: Agence marketing IA