Artificial Intelligence Basics

Compréhension de l'Intelligence

• Définition de l'intelligence humaine :

  • Apprendre : Capacité à élaborer un système de connaissance structuré.

  • Raisonner, déduire et anticiper : Utilisation du système de connaissance et de l'expérience accumulée pour agir sur le futur.

  • Posséder une histoire : L'intelligence est liée à un vécu et une mémoire.

  • Posséder une conscience : Perception de soi-même et de son environnement.

  • Posséder des sentiments : Dimension émotionnelle de l'intelligence.

• Capacités spécifiques associées à l'intelligence :

  • Capacité d'adaptation face à des situations nouvelles.

  • Capacité de changement de conduite selon l'environnement actuel.

  • Capacité d'assimiler des connaissances et de les acquérir activement.

  • Capacité de comprendre les relations complexes entre différents éléments.

  • Capacité d'évaluation et de jugement critique.

  • Capacité de penser de manière abstraite.

Fondements de l'Intelligence Artificielle (IA)

• Définition générale :

  • L'IA est un domaine technologique et scientifique permettant de créer des machines capables d'effectuer des tâches qui nécessitent habituellement l'intelligence humaine.

  • Objectif principal : Simuler l'intelligence humaine pour que les machines agissent de manière autonome et intelligente.

• Capacités requises pour une machine utilisant l'IA :

  • Apprentissage (capacité d'évoluer).

  • Raisonnement (logique).

  • Résolution de problèmes complexes.

  • Compréhension du langage naturel.

  • Reconnaissance de formes et d'objets.

  • Prise de décisions autonomes.

• Cycle opérationnel de l'IA :

  • $1$ : Apprentissage.

  • $2$ : Analyse.

  • $3$ : Décision.

  • $4$ : Action.

Historique de l'IA

• Années 50' – 70' : Apparition des premières théories fondamentales et début des premiers développements expérimentaux.

• Années 80' : Développement des systèmes experts, conçus pour reproduire le fonctionnement logique et le raisonnement de spécialistes humains.

• Années 90' : Émergence des réseaux de neurones et début de l'apprentissage automatique (Machine Learning).

• Années 2010' : Développement massif du Big Data et augmentation exponentielle de la puissance de calcul des ordinateurs.

• Années 2020' (L'année de l'IA) : Déploiement à grande échelle auprès du grand public via des outils génératifs comme ChatGPT et Midjourney.

Disciplines de l'Intelligence Artificielle

• La Vision par Ordinateur :

  • Définition : Domaine concentré sur la compréhension et l'interprétation des images et vidéos par les machines.

  • Objectif : Permettre aux ordinateurs de traiter et d'analyser les images de façon similaire à la vision humaine.

  • Utilisations : Sécurité, navigation de véhicules autonomes, reconnaissance faciale, surveillance, santé et jeux vidéo.

• Traitement du Langage Naturel (TAL) :

  • Définition : Étude de l'interaction entre les ordinateurs et le langage humain.

  • Objectif : Comprendre, interpréter et répondre au texte ou à la parole de manière naturelle.

  • Utilisations : Recherche d'informations, interfaces utilisateur, analyse de données, éducation et service client.

• La Robotique :

  • Définition : Conception, construction et opération de robots pour diverses applications.

  • Secteurs clés : Industrie, santé, service, recherche scientifique, éducation et défense.

• Apprentissage Automatique (Machine Learning - ML) :

  • Définition : Branche de l'IA focalisée sur le développement de systèmes capables d'apprendre et de s'améliorer à partir de l'expérience sans programmation explicite traditionnelle.

  • Impact : Révolution de l'utilisation des données pour la prise de décision dans l'économie et la recherche.

• Apprentissage Profond (Deep Learning) :

  • Définition : Sous-ensemble avancé du Machine Learning utilisant des architectures complexes de réseaux de neurones.

  • Objectif : Traiter des volumes de données beaucoup plus massifs et complexes que l'apprentissage automatique traditionnel.

Catégories de l'Intelligence Artificielle

• IA Faible (Narrow AI) :

  • Capacités limitées à une seule tâche spécifique.

  • Réalité actuelle : Seule l'IA faible existe aujourd'hui. Ces systèmes n'ont pas de conscience ni de compréhension générale.

• IA Forte (General AI) :

  • Capacités semblables ou supérieures à celles de l'être humain.

  • Stade actuel : Reste purement théorique, impliquant une compréhension et une conscience humaine.

Fonctionnement Technique de l'IA

• L'IA Générative :

  • C'est la forme d'IA la plus populaire actuellement.

  • Utilise des modèles mathématiques basés sur le Machine Learning et le Deep Learning.

  • Capacité : Création de nouveaux contenus (textes, images, audio, vidéos, code) en s'inspirant de contenus existants.

• Les Trois Éléments Clés de la Formation :

  • Les Données : Considérées comme la "matière première" ou le "carburant" (Fuel). Elles orientent le fonctionnement et doivent être choisies selon l'application visée.

  • Le Modèle Mathématique : L'élément central. C'est une structure conçue pour l'analyse ou l'exécution de tâches (ex: ChatGPT est un modèle ajusté sur un vaste corpus de textes d'Internet).

  • L'Algorithme d'Apprentissage : Le "moteur" du système. Ce sont des règles mathématiques qui modifient les paramètres du modèle pour l'entraîner et améliorer sa précision.

Types d'Algorithmes d'Apprentissage

• Apprentissage Supervisé :

  • Utilise un ensemble de données d'entrée et les réponses (sorties) correspondantes connues (étiquetées).

  • Processus :

    • Phase d'apprentissage : On présente des exemples étiquetés (ex: Image de poisson / étiquette "poisson").

    • Le système détermine un modèle.

    • Phase de test : On soumet une nouvelle donnée non étiquetée. Le modèle prédit la classe (ex: Prédiction = "Chat").

• Apprentissage Non Supervisé :

  • Utilisé pour explorer des données sans objectif précis préalable ou sans étiquettes.

  • Permet au modèle de découvrir des structures cachées ou des motifs par lui-même dans les données.

Spécificités de l'IA Générative et Modèles de Langue

• Nature de l'IA Générative :

  • Sous-domaine du Deep Learning.

  • Crée un modèle statistique pour apprendre des motifs structurés à partir de contenus non structurés.

  • Différence cruciale :

    • Ce n'est pas de l'IA générative si la sortie est un nombre, une probabilité ou une classification (ex: filtre Spam/Non-Spam).

    • C'est de l'IA générative si le résultat est du langage naturel, de la parole ou une image.

• Types de Modèles Génératifs :

  • Modèles d'images : Produisent de nouvelles images, génèrent des légendes, complètent des images abîmées (ex: CoModGAN) ou effectuent des recherches par image (ex: CLIP).

  • Modèles de langues : Apprennent les schémas linguistiques pour prédire la suite d'un texte (ex: GPT) ou générer du contenu visuel à partir de texte (ex: DALL-E).

• Fonctionnement des Modèles de Langue (Type ChatGPT) :

  • Organisés comme des réseaux de neurones biologiques via des formules mathématiques liées.

  • Entraînés sur des volumes massifs de textes pour analyser les relations entre les mots (tokens).

  • Logique de Probabilité : La sortie est basée sur des prédictions statistiques.

    • Exemple : Pour l'entrée "Ceci est un…", le modèle calcule des probabilités pour le mot suivant (ex: "cours" à $97\%$, puis pour le mot suivant "sur" à $98\%$, etc.).

• Impact du Contexte (Prompting) :

  • Plus le contexte est précis, plus la liste des probabilités en sortie se resserre vers des cibles pertinentes.

  • Exemple de ciblage :

    • "J'aime les…" : Sortie non ciblée (animaux, personnes, objets…).

    • "J'aime les animaux tels que…" : Probabilités augmentées pour les vecteurs proches du mot "animaux" (chat, chien, ours…).

    • "J'aime les animaux tels que les félins, en particulier…" : Probabilités restreintes aux vecteurs proches de "félins" (lion, tigre, lynx…).