Les formes de l’IA sont multiples ; méconnaître leurs différences autorise des amalgames et des erreurs d’interprétation importantes. Il faut connaître le vocabulaire utilisé dans ce domaine à la mode.

Algorithmique
Etude et production de règles définissant, par l’analyse, l’automatisation des étapes permettant d’arriver à un résultat recherché. En programmation informatique, se compose de séquences d’instructions, de boucles itératives et d’alternatives. Un algorithme sophistiqué peut donner l’impression de comportement intelligent du programme.

Programmation déclarative ou logique
Déclaration des règles logiques d’un problème à résoudre que le compilateur transforme en séquence ordonnée en se basant sur les relations définies dans ces règles. Ici encore, l’analyse et la combinaison des règles logiques par le compilateur peut faire penser à un comportement intelligent.

Heuristique
Recherche de solutions acceptables à partir de données incomplètes.

La robotique
Utilise des capteurs, des contrôleurs, des actionneurs et un programme plus ou moins intelligent pour agir. Le robot peut être autonome ou bien connecté.
Le degré d’intelligence est important si le robot est capable d’apprendre, de s’adapter et même de prendre une décision importante seul.
L’humanisation, l’utilisation en guerre, les impacts éthiques et environnementaux posent problème.

Les réseaux de neurones
Leur entraînement ou apprentissage se fait à partir d’exemples, donc de données connues.
Ils peuvent transformer une masse de données complexes en une information de décision simple.
Leur apprentissage est difficile et dépend grandement des exemples fournis, d’où des dérives ou erreurs ou biais du réseau de neurones.
On parle d’overfitting quand le modèle réseau reste cadré sur des données spécifiques précises et ne sait pas généraliser.
On parle d’underfitting quand le modèle est trop simple, trop ouvert et qu’il devient incapable d’être fiable dans ses résultats.
Il faut trouver un équilibre entre ces deux échecs par la régularisation, la validation croisée et l’augmentation des données fournies, c’est l’objet du fine-tuning.
Le contrôle de la qualité des données est donc essentiel. La recherche heuristique est une technique aidant à gérer la complexité d’un modèle.

La machine d’apprentissage (learning)
permet d’obtenir une décision statistique à partir des données sans programmation explicite.

L’apprentissage profond (deep learning)
est une extension utilisant des réseaux neuronaux importants. ChatGpt utilise le deep learning.
Le résultat ou décision d’une machine d’apprentissage ne comprend pas le ‘cheminement de pensée’ ; l’interprétation du résultat est donc difficile !
L’explication (du cheminement) est un autre défi.

L’apprentissage non supervisé (clustering)
a pour but d’analyser des données non étiquetées pour y révéler les structures cachées. Largement utilisé :
- en marketing pour les profils clients
- en médecine pour les profils de patients
- etc …
Idéal pour des tâches de classification, utile pour construire les modèles de réseaux neuronaux et établir des relations pertinentes entres entrées et sorties.

HITL (Human In The Loop)
C’est l’interface de supervision humaine des processus IA
Permet de combiner, d’équilibrer l’automatisation IA et l’intervention humaine.

L’apprentissage par transfert
Evite un réapprentissage de modèle en utilisant la similitude avec un modèle pré-existant.
Gain de temps, de ressources ; risque d’erreur ou transfert négatif.
L’apprentissage par renforcement
Implique un agent qui apprend de ses expériences et améliore sa stratégie de résultat.
Exemple du jeu d’échecs. Nécessite beaucoup de données (et/ou d’expériences).

L’apprentissage auto-supervisé
Permet aux modèles de générer leurs propres étiquettes à partir de données non-étiquetées.
Utile dans la compréhension des langages naturels. En pleine évolution (voir LLM)

AG (Algorithmes génétiques)
S’inspire de la théorie de l’évolution du vivant ; itératifs (mutations); très utilisés en optimisation.
Le bon réglage des paramètres donne le bon résultat. Temps de calcul important.

AGI
C’est une intelligence artificielle capable de remplacer l’homme et même de le surpasser.
Défis technologique, sociétal, … et dangers de dérives importantes.

LLM (Large Language Model)
Utilise les réseaux neuronaux pour comprendre et produire du langage naturel. Sont entraînés sur un très grand nombre de données (texte, images, discours, …)
Voir https://liora.io/large-language-models-tout-savoir
Quelques LLMs : ChatGpt, Claude, Gemini, Bert, Jurassic-1, Command, Paradigm

Biais
Ce sont les distorsions ou erreurs des décisions IA.
Ces biais proviennent :
- de données de mauvaise qualité voire fausses
- de mauvais modèles de réseaux neuronaux
Lutter contre les biais est crucial pour la confiance en l’IA.

Data mining
C’est le processus vital d’extraction des données utiles soumises à l’IA. Problèmes d’accès, de qualité, de vérité, d’éthique, de confidentialité.

Data take
C’est le moyen de stockage des données issues du monde entier. Problèmes économiques, stratégiques, d’analyse, de non corruption.

Cloud
Ce qui permet d’accéder (en lecture/écriture) aux données du monde entier via le réseau Internet.

Big data
On parle de big data si la règle des 5 V est vérifiée.
Volume de données important, Variété, Vitesse de génération, Véracité, Valeur
Nécessite des moyens de stockage/restitution, des moyens de calcul, des logiciels spécialisés importants.

Les GPU (graphical process unit) et les TPU (traitment process unit) fournissent la puissance de calcul nécessaire ; ils sont dépendants des technologies de fabrication des semi-conducteurs ainsi que de la fourniture importante d’électricité ; ils chauffent et doivent être refroidis.
On retrouve ces composants IA en masse dans les data center avec tous les problèmes environnementaux actuels connus.