Intelligence artificielle

Introduction

L''intelligence artificielle (IA) désigne l''ensemble des techniques permettant à une machine d''imiter des fonctions cognitives humaines (apprendre, raisonner, percevoir, décider). Présente partout — recommandation, traduction, vision, ChatGPT — elle soulève des enjeux scientifiques, économiques et éthiques majeurs.

I. Définition et histoire

1. Naissance d''un champ

• Test de Turing (1950) : « une machine peut-elle paraître pensante ? »
• Conférence de Dartmouth (1956) : terme « artificial intelligence » créé par John McCarthy.
• 1980-1990 : systèmes experts (raisonnement par règles).
• 2010+ : essor du deep learning grâce aux GPU et au big data.

2. Distinction

• IA faible : spécialisée dans une tâche (Siri, AlphaGo, GPT).
• IA forte : conscience, raisonnement général — pour l''instant hypothétique.

II. Comment ça marche : l''apprentissage automatique

1. Le machine learning

On ne programme pas explicitement la solution : on entraîne un modèle sur des données.

Trois grands paradigmes :

• Supervisé : exemples étiquetés (photo → "chat"/"chien")
• Non supervisé : recherche de structures (clustering)
• Par renforcement : récompenses (jeu, robotique)

2. Réseaux de neurones et deep learning

Inspirés du cerveau : couches de neurones artificiels qui ajustent leurs poids par rétropropagation de l''erreur. Avec beaucoup de couches → deep learning.

3. Données et puissance

Trois ingrédients : données massives + algorithmes + calcul GPU. Un grand modèle de langage (LLM) peut compter des centaines de milliards de paramètres.

III. Applications

Domaine	Exemple
Vision	Diagnostic médical, voiture autonome
Langage	Traduction, ChatGPT, transcription
Sciences	Pliage des protéines (AlphaFold)
Industrie	Maintenance prédictive
Loisirs	Recommandation Netflix, Spotify

IV. Enjeux

1. Biais et discriminations

Une IA reflète les biais des données d''entraînement (recrutement, justice prédictive).

2. Vie privée

Reconnaissance faciale, profilage, surveillance.

3. Désinformation

Deepfakes, génération automatisée de fake news.

4. Emploi

Automatisation de tâches intellectuelles, transformation des métiers.

5. Consommation énergétique

Entraîner un grand modèle = plusieurs MWh.

6. Régulation

AI Act européen (2024) : approche par les risques (interdit, haut risque, transparence).

V. Limites scientifiques

• L''IA n''a pas de compréhension au sens humain (chambre chinoise de Searle).
• Elle commet des erreurs « stupides » hors de son domaine d''entraînement.
• Difficile à expliquer (boîte noire) → recherche en explainable AI (XAI).

À retenir

L''IA repose sur l''apprentissage statistique à partir de grandes masses de données. Puissante mais imparfaite, elle pose des questions techniques (fiabilité, biais) et sociétales (emploi, démocratie, environnement) qui exigent un cadre éthique et réglementaire.