Initiation à l’Intelligence Artificielle Générative à l’attention de la communauté universitaire

Il existe différentes classifications d’intelligence artificielle (IA).

En voici quelques exemples (INRIA, 2023 ; UNESCO, 2021).

Classification par portée : l’IA faible et l’IA forte

L’IA faible ou étroite (Artificial Narrow Intelligence) est un type d’intelligence artificielle conçu et entraîné pour accomplir une tâche spécifique et bien définie. Elle excelle dans l’exécution de cette tâche mais ses compétences ne sont pas transférables à d’autres contextes.

On retrouve l’IA faible dans notre quotidien dans des applications telles que les systèmes de recommandation, les outils de reconnaissance faciale, les traducteurs automatiques, les assistants vocaux.

Remarque : L’intelligence artificielle générative, que nous verrons plus en détails par la suite, est une forme avancée d’IA faible.

L’IA forte ou générale (Artificial General Intelligence) est une forme théorique d’intelligence artificielle capable de reproduire les fonctions cognitives humaines (apprentissage, compréhension, raisonnement, prise de décisions...) et d’appliquer ses connaissances dans divers contextes. A l’heure actuelle, l’IA forte relève du champ de la science-fiction.

Classification par conception : l’approche symbolique et l’apprentissage automatique

L’IA symbolique ou classique est conçue pour simuler le raisonnement d’un expert dans un domaine spécifique (système expert). Elles utilisent des bases de connaissances et des règles logiques pour résoudre des problèmes, prendre des décisions et effectuer des tâches.

Cette approche est employée dans des systèmes de diagnostic médical et, dans le secteur financier, pour l’aide à la prise de décision et la détection de fraude.

L’apprentissage automatique (Machine learning) est une approche où l’IA apprend à partir de données sans être spécifiquement programmée avec des règles. L’IA identifie des régularités, des relations dans les données pour faire des prédictions, prendre des décisions et résoudre des problèmes.

Classification par approche d’apprentissage : l’approche d’apprentissage supervisé et l’approche d’apprentissage non supervisé

L’apprentissage supervisé est une méthode d’apprentissage où l’algorithme est entraîné sur un jeu de données étiquetées (données où l’on connaît déjà la réponse correcte). L’algorithme ajuste ses paramètres afin de maximiser la précision de ses prédictions sur des données nouvelles.

Cette technique d’apprentissage est utilisée dans les algorithmes de reconnaissance d’images ou de détection de spam par exemple.

L’approche d’apprentissage non supervisé est une méthode d’apprentissage où l’algorithme est entraîné sur des données non étiquetées. L’algorithme recherche des caractéristiques communes, des motifs dans les données sans intervention humaine.

Cette approche peut être utilisée pour regrouper des clients en fonction de leurs comportements d’achat, ou pour mettre en évidence des anomalies dans les données afin de détecter d’éventuelles fraudes.