L’IA, symbole de la 4^ème révolution industrielle

La 4^ème révolution industrielle est en marche et bouleverse encore une fois la société entière. Après la mécanisation de la production grâce à l’eau et à la vapeur, la production de masse grâce à l’énergie électrique, et l’automatisation de la production grâce à l’électronique, l’IA et plus largement la fusion des technologies permet aujourd’hui de gommer les frontières entre les sphères physiques, numériques et biologiques.

Si l’IA connait un essor fulgurant depuis déjà quelques années, l’idée nait au début des années 1950 avec Alan Turing (auteur de travaux qui amorcèrent la science de l’informatique) qui explore le concept de « machine pensante ». Il a cependant fallu attendre le 21^ème siècle pour que les technologies nécessaires à son plein développement parviennent à maturité.

L’Intelligence Artificielle (IA) est « l’ensemble des théories et des techniques mises en œuvre en vue de réaliser des machines capables de simuler l’intelligence humaine » (Larousse).

L’IA est déjà bien présente dans notre quotidien, via notre utilisation de nos appareils numériques (ordinateurs, smartphones, bracelets connectés…). Elle est utilisée pour des tâches très simples (calculs rapides) comme pour des missions extrêmement complexes (exploration spatiale), et s’appuie sur des domaines variés pour fonctionner : l’informatique, l’ingénierie de l’information, la psychologie, les mathématiques, la linguistique…

Le carburant de l’IA : données, puissance informatique et algorithmes

Afin de simuler l’intelligence humaine, l’IA a besoin de trois éléments essentiels : des données en quantité importante, une grande puissance informatique pour les exploiter, et des algorithmes capables d’« apprendre » de ces données. Car l’intelligence dite « artificielle » s’inspire des différents processus cognitifs humains, notamment notre très grande capacité d’apprentissage.

De manière schématique, une entreprise qui possède beaucoup de données (Big data) va chercher à les analyser afin d’améliorer sa productivité, faire les meilleurs choix stratégiques, modéliser des tendances… Elle va faire appel pour cela à un(e) data scientist, qui possède des compétences en mathématiques, statistiques et informatique. En fonction de l’analyse des données et des objectifs de l’entreprise, des outils d’IA seront ensuite mis en place pour automatiser certaines tâches ou remontées des informations qui aideront la prise de décision au quotidien.

Ces outils fonctionnent grâce à des algorithmes, qui sont des suites d’instructions permettant d’aboutir à un résultat donné en suivant une séquence d’étapes (comme une recette de cuisine).

Différentes IA en fonction des objectifs

En fonction des besoins, différents champs de l’IA peuvent être mis à contribution pour l’apprentissage des algorithmes :

• Le machine learning en apprentissage supervisé : on fournit par exemple à l’IA une grande quantité de photos étiquetées de chats et de chiens. Le programme apprend au fur et à mesure à reconnaitre un chat ou un chien sur de nouvelles photos.
• Le machine learning en apprentissage non supervisé : Les données sont fournies au programme sans étiquette. C’est à lui de créer un modèle en fonction des informations en sa possession.
• Le machine learning par essai/erreur : on fournit au programme des contraintes et des objectifs, et il cherche par tâtonnement la solution idéale, il est en apprentissage constant. C’est ce type de programme qui a été utilisé pour battre les meilleurs joueurs de Go par exemple.
• Le deep learning (branche du machine learning) : son fonctionnement passe par une architecture de réseaux neuronaux. Ces derniers contiennent plusieurs couches à travers lesquelles les données sont traitées, permettant ainsi au programme d’apprendre en profondeur en établissant des connexions.

On observe que l’IA n’est pas une technologie unique, mais bien un ensemble de techniques que les ingénieurs coordonnent et combinent en fonction des besoins de l’entreprise. La pertinence des jeux de données fournis pour l’apprentissage des programmes reste une prérogative humaine qui détermine la fiabilité de l’IA.

Et demain, l’arrivée de la puissance quantique pourrait permettre à l’IA une augmentation importante de la vitesse d’exécution des algorithmes. De nombreux domaines, qui aujourd’hui nécessitent des calculs intensifs, pourraient prendre leur essor comme les véhicules autonomes, le traitement du langage naturel ou l’internet des objets.