◈ Informatique · Cognition · Futur ◈
Science de la conception de systèmes capables de simuler des processus cognitifs humains — raisonnement, apprentissage, perception et résolution de problèmes.
Premier modèle mathématique du neurone biologique. Base théorique du futur deep learning : des seuils logiques combinés peuvent représenter n'importe quelle fonction booléenne.
Turing publie « Computing Machinery and Intelligence ». Il propose le jeu de l'imitation (test de Turing) comme critère d'intelligence machine et anticipe l'apprentissage automatique.
McCarthy, Minsky, Shannon et Simon réunissent les pionniers. Le terme « Artificial Intelligence » est officiellement adopté. Optimisme : on prédit une IA humaine d'ici 20 ans.
Rosenblatt invente le perceptron (1957). Minsky et Papert démontrent ses limites (XOR, 1969) → 1er hiver de l'IA. Financement réduit drastiquement.
MYCIN (diagnostic médical), DENDRAL (chimie), XCON (configuration). Représentation des connaissances par règles if-then. Limites : fragilité, maintenance coûteuse → 2ème hiver (1987).
Algorithme permettant d'entraîner des réseaux multicouches (MLP). Renaissance du connexionnisme. Mais toujours limité par la puissance de calcul disponible.
L'ordinateur d'IBM bat le champion du monde d'échecs en match officiel. Symbole majeur mais basé sur la force brute (200 millions de positions/seconde), pas l'apprentissage.
Hinton, Bengio et LeCun (futurs Turing Award 2018) relancent les réseaux profonds via GPU + grands datasets. AlexNet (2012) réduit l'erreur ImageNet de 26% à 15% → révolution.
DeepMind combine Monte Carlo Tree Search + réseaux convolutifs + apprentissage par renforcement. Le Go était considéré insoluble par la force brute (10^170 positions).
Vaswani et al. (Google) publient l'architecture transformer qui révolutionne le NLP, puis toute l'IA. Base de GPT, BERT, ViT, et 90% des modèles fondationnels actuels.
GPT-4, Claude 3, Gemini Ultra, Llama 3, Mistral. Diffusion (DALL-E 3, Stable Diffusion, Sora). L'IA générative entre dans la vie quotidienne de centaines de millions d'utilisateurs.
IA spécialisée sur une tâche précise. Surpasse l'humain sur son domaine mais incapable de généraliser. Exemples : AlphaGo, GPT-4, systèmes de recommandation, reconnaissance faciale. Seule forme d'IA existant réellement aujourd'hui.
Système capable d'apprendre et d'accomplir n'importe quelle tâche intellectuelle humaine. Non encore atteint. Débat vif sur la proximité : certains chercheurs estiment 5–20 ans, d'autres plusieurs décennies ou jamais.
IA dépassant l'intelligence humaine dans tous les domaines. Concept théorique — Nick Bostrom (Superintelligence, 2014). Soulève des questions existentielles sur le contrôle et l'alignement.
IA faible : simule l'intelligence sans la comprendre (Chinese Room argument). IA forte : véritablement consciente et comprenante. Débat philosophique fondamental sur la nature de la cognition.
Systèmes capables de créer du contenu nouveau : texte (LLMs), images (diffusion), vidéo, audio, code, molécules. Paradigme dominant depuis 2020 : modèles fondationnels pré-entraînés + fine-tuning.
Techniques permettant de comprendre les décisions d'un modèle (LIME, SHAP, attention maps). Essentiel pour l'adoption dans des domaines réglementés : médecine, justice, finance, crédit.
| Branche | Objectif | Techniques clés | Applications |
|---|---|---|---|
| Machine Learning | Apprendre depuis les données | SVM, Random Forest, deep learning | Recommandations, détection de fraude |
| Deep Learning | Réseaux de neurones profonds | CNN, RNN, Transformers, GAN | Vision, NLP, génération de contenu |
| NLP | Traiter le langage naturel | Tokenisation, embeddings, LLMs | Traduction, chatbots, résumé |
| Vision par ordinateur | Comprendre les images/vidéos | CNN, YOLO, ViT, SAM | Médecine, véhicules autonomes |
| Robotique | Systèmes physiques intelligents | SLAM, RL, planification | Industrie, chirurgie, exploration |
| Systèmes experts | Encoder la connaissance d'experts | Règles, logique, ontologies | Diagnostic médical, droit |
| Apprentissage par renforcement | Décisions séquentielles | Q-Learning, PPO, MCTS | Jeux, trading, contrôle |
| IA multimodale | Fusion texte, image, audio, vidéo | CLIP, GPT-4V, Gemini | Assistants universels |
L'IA symbolique (GOFAI — Good Old-Fashioned AI) représente la connaissance par des symboles manipulables logiquement. Approche top-down : la connaissance est encodée explicitement.
Prolog, base de règles. Résolution, unification. Avantages : explicabilité, raisonnement exact. Limites : passage à l'échelle, connaissance incomplète.
OWL, RDF, SPARQL. Web sémantique. Knowledge graphs (Google, Wikidata, DBpedia). Raisonnement sur des bases de faits structurés à grande échelle.
RETE algorithm (matching de règles efficace). Chaînage avant / arrière. Shells Drools, Clips. Toujours utilisés en médecine (UpToDate), droit, finance (scoring crédit).
AlphaGo = MCTS symbolique + réseaux de neurones. LLM + RAG + knowledge graph. Tendance croissante : combiner la généralisation du ML avec la fiabilité du symbolique.
Exploration exhaustive de l'espace d'états. BFS garantit l'optimalité en coût uniforme. DFS économise la mémoire. Complexité exponentielle — impraticable sur de grands espaces.
A* combine coût réel g(n) + heuristique h(n). Optimal si h admissible (jamais surestime). Variantes : IDA*, RBFS, SMA*. Applications : GPS, pathfinding jeux vidéo.
Jeux à 2 joueurs, somme nulle. Minimax explore l'arbre de jeu. Alpha-Beta élague les branches inutiles (complexité divisée par 2 en moyenne). Base de Stockfish (échecs).
Sélection → Expansion → Simulation → Rétropropagation. UCB1 pour l'exploration/exploitation. Essentiel dans AlphaGo, AlphaZero, MuZero. Applicable aux jeux à information imparfaite.
Satisfaction de contraintes : cryptographie, emplois du temps, Sudoku, logistique. Solvers modernes (DPLL, CDCL) résolvent des instances à millions de variables. SAT est NP-complet.
Représentation formelle d'actions (préconditions, effets). Planning Domain Definition Language standard. Planificateurs : Fast Downward, FF. Applications : robotique, logistique, jeux.
Corpus, documents
BPE, WordPiece, SentencePiece
Word2Vec, GloVe, contextuels
Transformer, BERT, GPT
Classification, génération, QA
GPT-4, Claude 3.7, Gemini 1.5, Llama 3, Mistral Large. Pré-entraînement auto-supervisé sur des billions de tokens. Fine-tuning RLHF / DPO pour l'alignement. Emergent abilities à grande échelle.
Self-attention : chaque token « regarde » tous les autres. Multi-head attention parallèle. Positional encoding. Complexité O(n²) → alternatives linéaires (Mamba, Longformer, Flash Attention).
Combine LLM + base de connaissances retrieval pour réduire les hallucinations. Embeddings vectoriels (Sentence-BERT), bases vectorielles (Pinecone, Qdrant, ChromaDB). Fondement des agents IA.
from transformers import pipeline # Analyse de sentiment classifier = pipeline("sentiment-analysis", model="camembert-base") result = classifier("L'IA transforme profondément notre société.") print(result) # [{'label': 'POSITIVE', 'score': 0.987}] # Question-Answering extractif qa = pipeline("question-answering") answer = qa(question="Qui a inventé le test de Turing ?", context="Alan Turing proposa en 1950 le jeu de l'imitation...") print(answer['answer']) # "Alan Turing" # Génération de texte (GPT-style) gen = pipeline("text-generation", model="mistralai/Mistral-7B-v0.1") out = gen("L'intelligence artificielle générale sera", max_new_tokens=80) print(out[0]['generated_text'])
ConvNet (LeCun 1989) → AlexNet → VGG → ResNet → EfficientNet. ViT (2020) : patches d'image traités comme des tokens. CLIP : apprentissage joint image-texte. ImageNet accuracy > 90% en 2024.
Détection d'objets temps réel. YOLO v9 : 50ms/frame sur GPU. DETR : détection basée transformer sans NMS. SAM (Segment Anything Model, Meta) : segmentation interactive universelle.
GAN (Goodfellow 2014) : générateur vs discriminateur. Stable Diffusion, DALL-E 3, Midjourney v6, Adobe Firefly. Dénoising diffusion probabilistic models. Sora (2024) : vidéo HD 1 minute.
Neural Radiance Fields : reconstruction 3D depuis photos 2D. 3D Gaussian Splatting : rendu temps-réel. Applications : jeux, cinéma, chirurgie, jumeaux numériques.
Premier cadre légal mondial sur l'IA. Classification par risque : inacceptable (systèmes de scoring social), haut risque (médecine, justice, recrutement) → obligations strictes ; limité ; minimal. Amendes jusqu'à 35 M€ ou 7% du CA mondial.
Biais dans les données → biais dans les prédictions. COMPAS (récidivisme racial), Amazon hiring tool (2018), biais de genre dans la traduction. Solutions : fairness metrics, données équilibrées, audits.
LIME : approximation locale linéaire. SHAP values : attribution de Shapley (théorie des jeux). Attention visualization. Obligation légale dans certains domaines (RGPD art.22 — droit à l'explication).
Exemples adversariaux : perturbations imperceptibles qui trompent un modèle. Prompt injection, jailbreaking des LLMs. Deepfakes : désinformation. Besoin de modèles robustes et alignés.
McKinsey : 30% des tâches automatisables d'ici 2030. Création simultanée de nouveaux métiers (prompt engineering, AI trainers). Enjeux de requalification professionnelle massive.
Les performances augmentent de façon prévisible avec le nombre de paramètres, de données et le calcul. OpenAI Scaling Laws (2020). GPT-3 → GPT-4 : émergence qualitative. Remis en question par les « petits modèles » efficaces.
Approches : scaling pur (Sutskever), World Models (LeCun, JEPA), neurosymbolique, RL pur, cerveaux digitaux. OpenAI : o1/o3 comme étape vers le raisonnement général. Timeline : 3–30 ans selon les experts.
Comment s'assurer qu'une IA très puissante agit selon les valeurs humaines ? RLHF, Constitutional AI (Anthropic), Debate, Interpretability. Laboratoires : Anthropic, DeepMind Safety, MIRI, ARC.
LLM + outils + mémoire + planification → agents capables d'accomplir des tâches complexes en autonomie. AutoGPT, Claude Agents, Devin (coding agent), OpenAI Operator. Paradigme dominant 2024–2025.