Inventée en 1956, l’expression “intelligence artificielle” désigne la faculté d’une machine à imiter l’intelligence humaine. Son champ d’application recouvre une grande variété de tâches : comprendre le langage, déchiffrer une image, résoudre des problèmes... à tel point qu’il est difficile de le délimiter clairement. Par exemple, le moteur de recommandation de contenu de votre réseau social ou de votre plateforme vidéo préférés est-il du ressort de l’intelligence artificielle ou de la simple algorithmie ? Si l’on va un cran plus loin, un simple ordinateur ne réplique-t-il pas déjà l’intelligence humaine en effectuant des tâches de calcul plus complexes et plus rapides qu’un humain ?
Ainsi donc, il n’est pas aisé de dessiner précisément les contours de l’intelligence artificielle en se fondant uniquement sur la nature des tâches qu’elle est capable de réaliser. On peut néanmoins la catégoriser selon l’étendue de ses capacités, et selon son mode de fonctionnement.
IA étroite, IA générale et super intelligence artificielle
Une IA est dite étroite ou faible (en anglais : ANI pour Artificial Narrow Intelligence) dès lors qu’elle n’est capable de réaliser que certaines tâches précises, quand bien même elle le ferait mieux qu’un être humain. L’ensemble des IA actuellement en usage sont des IA étroites.
On parle d’IA générale ou forte (en anglais : AGI pour Artificial General Intelligence) pour désigner une IA qui serait capable de traiter autant de tâches qu’un être humain.
On parle enfin de super intelligence artificielle pour désigner une IA qui surpasserait les capacités de l’esprit humain.
Ces deux derniers types d’IA sont, à ce stade, de la science-fiction.
IA symbolique, IA connexionniste
Il existe deux grandes approches pour simuler l’intelligence humaine : l’approche symbolique, aussi appelée déterministe, et l’approche connexionniste, également appelée probabiliste ou statistique.
Intelligence Artificielle symbolique
L’intelligence artificielle symbolique vise à répliquer l’intelligence par le raisonnement. Elle consiste à programmer un ensemble de règles (par exemple du type “Si… alors… sinon”, “Quand… alors…”, etc.) pour permettre à la machine d’accomplir une tâche donnée. Ce type d’IA a donné naissance à de nombreux systèmes experts, soit des algorithmes capables de résoudre des problèmes complexes dans un domaine bien spécifique, sur la base d’un moteur de règles. Un système expert pourra par exemple optimiser l’allocation des lits d’un hôpital, proposer l’itinéraire de livraison le plus efficace selon tels et tels critères, ou encore évaluer le niveau de risque d’un dossier de crédit immobilier. La principale limite de l’IA déterministe est qu’elle ne permet pas réellement à la machine d’apprendre : celle-ci est limitée par ses instructions et pour la faire progresser, il faut faire évoluer son moteur de règles… ce qui requiert l’intervention d’au moins un expert (humain) du sujet.
Intelligence Artificielle connexionniste
L’intelligence artificielle connexionniste, quant à elle, ne vise pas à répliquer la capacité des humains à raisonner mais leur faculté d’apprentissage. Son approche est statistique. Son principal représentant aujourd’hui est l’apprentissage automatique ou machine learning, qui recouvre les avancées les plus médiatisées ces dernières années en matière d’intelligence artificielle : réseaux de neurones, deep learning, IA générative, traitement du langage naturel (NLP)…
Pour comprendre la logique du machine learning, on peut se représenter un enfant n’ayant jamais vu de chat de sa vie. On pourrait bien sûr lui expliquer que tout animal mignon doté de moustaches, de quatre pattes et de quelques autres caractéristiques est un chat ; mais il est peu probable que cela lui permette de distinguer un chat d’une panthère ou même d’autres animaux. Une autre approche consiste alors à lui montrer des exemples d’animaux, en lui précisant : “ceci est un chat, ceci est un éléphant, etc.”. A force d’exemples, l’enfant aura appris à distinguer un chat. L’apprentissage automatique réplique ce processus d’apprentissage, via des algorithmes auxquels on soumet une grande quantité de données, jusqu’à ce qu’il apprenne à les catégoriser.
Si cette approche a pris un tel essor depuis les années 1990, c’est à la faveur de l’augmentation des capacités de stockage et de calcul des ordinateurs, ainsi que de la quantité de données disponibles pour entraîner les modèles. Parmi ses principales limites, citons toutefois la nécessité de disposer d’une grande quantité de données, ainsi qu’une certaine difficulté à comprendre ce qui amène un modèle à prendre telle ou telle décision – raison pour laquelle on qualifie souvent les modèles d’apprentissage automatique de boîtes noires, par opposition aux modèles déterministes dont les décisions découlent directement des règles programmées, aussi complexes que puissent être ces dernières.
Pour schématiser, on pourrait conclure que l’IA déterministe tend à répliquer la faculté de raisonnement et de déduction de l’être humain, quand l’IA statistique s’attache à imiter sa mémoire et sa faculté d’inférer, de généraliser à partir de faits donnés.
Pour en savoir plus sur l'IA et le Produit, télécharger notre librairie de prompts PM
