Intelligence artificielle : définition, conseils, comparatifs, témoignages...

Visant à simuler l'intelligence humaine, l'intelligence artificielle émerge depuis le début des années 2010, portée par le deep learning, le big data et l'explosion de la puissance de calcul.

Derniers articles

L'intelligence artificielle, qu'est-ce que c'est ?

L'intelligence artificielle (IA) renvoie à "une application capable de traiter des tâches qui sont, pour l'heure, réalisées de manière plus satisfaisante par des êtres humains dans la mesure où elles impliquent des processus mentaux de haut niveau comme l'apprentissage perceptuel, l'organisation de la mémoire et l'esprit critique". C'est ainsi que le scientifique américain Marvin Lee Minsky, considéré comme le père de l'IA, définit ce concept. C'est en 1956 à  l'occasion d'une rencontre de scientifiques à Dartmouth (au sud de Boston) organisée en vue d'envisager la création de machines pensantes qu'il parvient à convaincre son auditoire d'accepter le terme. 

Suite à de premiers travaux notamment autour des systèmes experts, l'IA émerge bien plus tard. En 1989, le français Yann Lecun met au point le premier réseau de neurones capable de reconnaître des chiffres écrits à la main. Mais il faudra attendre 2019 pour que ses recherches et celles des canadiens Geoffrey Hinton et Yoshua Bengio soient couronnées par le prix Turing. Pourquoi ? Car pour fonctionner, le deep learning est confronté à deux obstacles. D'abord, la puissance de calcul nécessaire pour entraîner les réseaux de neurones. L'émergence des processeurs graphiques dans les années 2010 apporte une solution au problème. Ensuite, l'apprentissage implique évidemment de disposer de volumes de données massifs. Sur ce plan, les Gafam ont depuis tiré leur épingle du jeu, mais des data sets ont aussi été publiés en open source comme ImagiNET.

Comment se lancer dans un projet d'IA ?

Avant de se lancer dans le déploiement d'une IA, il faudra évidemment intégrer le vocabulaire de l'intelligence artificielle, ainsi que le potentiel et les contraintes des principales méthodes de machine learning : apprentissage supervisé, apprentissage non-supervisé, apprentissage semi-supervisé, apprentissage par renforcement...

De même, de nombreux algorithmes de machine learning sont disponibles du plus simple au plus complexe : régression, arbre de décision, forêt aléatoire, machine à vecteur de support, réseau de neurones (lire notre article Quelle intelligence artificielle est faite pour vous ?). En fonction du problème à résoudre et de la qualité du data set d'entrainement, chacun aboutira à des prédictions avec un score de précision plus ou moins précis.

Comparatifs

Infrastructures ou librairies de machine learning, de deep learning, environnements d'automated machine learning, studio de data science... Les outils pullulent sur le terrain de l'intelligence artificielle. D'où l'importance de comparer les points forts et points faibles de chacun pour faire le bon choix.

Comment l'IA révolutionne l'économie ?

Automobile, banque-finance, logistique, énergie, industrie... Aucun secteur d'activité n'est épargné par la montée en puissance de l'intelligence artificielle. Et pour cause, les algorithmes de machine learning se déclinent à tous les étages en fonction des problématiques business.

Dans l'automobile, ils motorisent les véhicules autonomes via des modèles de deep learning (ou réseaux de neurones). Dans la banque-finance, ils estiment les risques de placements ou de trading. Dans la logistique, il calculent les meilleurs itinéraires et optimisent les flux au sein des entrepôts. Dans l'énergie comme le retail, ils prévoient la consommation des clients en vue d'optimiser la distribution et les volumes écoulés. Enfin dans l'industrie, ils permettent d'anticiper les panne des équipements (que ce soit pour un robot sur une chaîne de montage, un serveur informatique, un ascenseur...) avant même qu'elles se produisent. Objectif : réaliser les opérations de maintenance de manière préventive.

Chroniques

Retours d'expérience

Coulisses techniques

Evidemment, les géants du numérique n'ont pas attendu pour exploiter tout le potentiel que l'intelligence artificielle peut leur apporter. Disposant de volumes de données personnelles jamais atteint dans l'histoire, ils rivalisent d'inventivité dans l'utilisation d'algorithmes d'apprentissage articulés autour de segmentation psychographique pour répondre à des besoins les plus divers : recherche, ciblage publicitaire, détection des talents, interface vocale...  

Interviews

Chiffres clés

L'Intelligence artificielle a donné naissance à toute une pléiade de nouveaux profils de compétences. Le premier d'entre-eux n'est autre que le data scientist. On attend de lui des compétences en big data, en algorithmie, en statistiques, en data visualisation, mais aussi une expertise métier.

Avec la montée en puissance des projets d'IA, un nouveau profil vient épauler le data scientist généraliste : le machine learning engineer. Il s'agit d'un data scientist spécialisé qui a pour mission de couvrir l'ensemble du cycle de vie d'un modèle d'apprentissage, de sa conception et son entrainement jusqu'à son monitoring en passant évidemment par son déploiement (lire l'article Machine learning engineer : nouveau métier star de la data science).