Origines et définitions de l'intelligence artificielle
L'intelligence artificielle (IA) a été nommée pour la première fois en 1956 par John McCarthy, considéré comme le père de l'IA. Son ambition était de créer des systèmes capables de penser comme les êtres humains, c’est‑à‑dire d’imiter le raisonnement interne plutôt que de simplement reproduire un comportement observable.
Le test de Turing, souvent cité comme critère d’évaluation, mesure la capacité d’une machine à raisonner comme un humain. Si un interrogateur humain ne peut pas distinguer la machine d’un autre humain, le test est considéré comme vrai.
Différence entre penser et agir
Les systèmes qui pensent cherchent à reproduire le raisonnement interne, tandis que les systèmes qui agissent reproduisent le comportement observable. Cette distinction, développée par Laurière, souligne que l’objectif premier de l’IA peut être soit la rationalité interne, soit la performance observable.
Fondements logiques et mathématiques
La logique formelle, indispensable à l’IA, provient des mathématiques. Elles offrent les outils de logique, de calcul et de probabilité nécessaires pour formaliser le raisonnement.
Réseaux de neurones et premiers modèles
Le premier modèle de réseau de neurones a été proposé en 1943 par McCulloch‑Pitts. Ce modèle a ouvert la voie aux architectures modernes où le gradient joue un rôle central : il mesure l’erreur à minimiser et guide l’ajustement des poids.
Contrairement à l’idée reçue, le vanishing gradient ne rend pas l’entraînement plus rapide ; il le ralentit en réduisant l’amplitude du gradient dans les premières couches.
Exemples historiques de performances IA
En 1997, Deep Blue a battu le champion d’échecs Garry Kasparov, remportant la partie avec un score de 3,5 à 2,5. Cette victoire illustre la capacité des systèmes IA à exceller dans des tâches complexes lorsqu’ils sont correctement entraînés.
Apprentissage supervisé vs non‑supervisé
L’apprentissage supervisé utilise des données étiquetées pour guider le modèle, alors que l’apprentissage non‑supervisé travaille avec des données non étiquetées afin de découvrir des structures cachées.
Algorithmes de classification
Le SVM (Support Vector Machine) repose sur le concept de vecteurs de support et cherche l’hyperplan qui maximise la marge entre les classes.
Algorithmes de clustering
Le K‑means alterne entre l’affectation des données aux clusters et la mise à jour des centroïdes. Le clustering hiérarchique, quant à lui, n’utilise pas obligatoirement la distance euclidienne ; il peut employer d’autres fonctions de similarité.
Un autre algorithme de clustering basé sur la densité est le Mean shift, qui déplace une fenêtre glissante vers les zones de densité maximale.
Arbres de décision et forêts aléatoires
Un arbre de décision représente un modèle unique, tandis qu’une forêt aléatoire agrège plusieurs arbres grâce au bagging, réduisant ainsi la variance et améliorant la précision.
Régression et modèles de prédiction
La régression linéaire cherche la meilleure droite simple, alors que la régression polynomiale ajuste des courbes de degré supérieur pour capturer des relations plus complexes.
Théorie de la décision et philosophie de l’esprit
La théorie de la décision combine la probabilité et l’utilité pour modéliser les choix sous incertitude.
Sur le plan philosophique, le matérialisme affirme que l’esprit provient d’un cerveau physique, s’opposant au dualisme qui sépare corps et esprit.
Algorithmes probabilistes
Le classifieur Naïve Bayes suppose l’indépendance conditionnelle entre les variables d’entrée. Cette hypothèse forte rend l’algorithme simple et efficace sur de nombreux problèmes.
Apprentissage par renforcement
L’apprentissage par renforcement repose sur des récompenses et pénalités, tandis que l’apprentissage supervisé dépend de labels fournis. Le renforcement apprend par interaction avec l’environnement, offrant une dynamique différente de celle du supervision.
Tableau récapitulatif des concepts clés
| Concept | Définition | Exemple / Algorithme |
|---|---|---|
| Créateur du terme IA | John McCarthy (1956) | — |
| Test de Turing | Évalue la capacité de raisonnement humain | Vrai |
| Modèle neuronal initial | McCulloch‑Pitts (1943) | — |
| SVM | Vecteurs de support, hyperplan maximal | SVM |
| K‑means | Affectation + mise à jour des centroïdes | K‑means |
| Mean shift | Clustering basé sur densité | Mean shift |
| Arbre vs Forêt | Modèle unique vs agrégation d’arbres | Arbre de décision, Forêt aléatoire |
| Régression linéaire | Droite simple | — |
| Régression polynomiale | Courbe de degré > 1 | — |
| Naïve Bayes | Indépendance conditionnelle | Naïve Bayes |
| Apprentissage par renforcement | Récompense / pénalité | — |
