Livre - Blanc - Introduction A Lintelligence Artificielle

Réf.
: H3720 V1
Introduction à l’intelligence
Date de publication :
10 août 2021 artificielle
Cet article est issu de : Technologies de l'information | Technologies logicielles

Architectures des systèmes
par Jean-Paul HATON
Mots-clés Résumé L'intelligence artificielle (IA) s'attache à résoudre des problèmes qui relèvent
apprentissage | intelligence d'activités humaines de nature variée (perception, prise de décision, planification,
artificielle | reconnaissance de
forme | réseaux neuronaux diagnostic, interprétation de données, compréhension du langage, conception). Ces
problèmes nécessitent de mettre en jeu une grande quantité de données et de
connaissances, soit exploitées directement, soit codées sous différentes formes
(distributions de probabilités, poids synaptiques, etc.). Nous présentons les différents
modèles développés depuis le début de l’IA, ainsi que les grands domaines d’application.
Les aspects éthiques liés à l’utilisation de systèmes d’IA sont également étudiés.
Keywords Abstract Artificial Intelligence (AI) aims at solving problems involved in various types of
learning | artificial intelligence human activities (perception, decision making, planning, diagnosis, data interpretation,
| pattern recognition | neural
networks design, language understanding). Solving such problems need to use large amount of
data and knowledge, either directly exploited or coded into various forms (probability
distributions, synaptic weights, etc.). The different models developed since the beginning
of AI are presented. Aspects of ethics related to the use of AI systems are also tackled.
Pour toute question :

Service Relation clientèle
Techniques de l’Ingénieur
Immeuble Pleyad 1 Document téléchargé le : 28/12/2022
39, boulevard Ornano
93288 Saint-Denis Cedex Pour le compte : 7200106152 - editions ti // céline BLONBOU // 2.59.188.28
Par mail :
[email protected]
Par téléphone :
00 33 (0)1 53 35 20 20 © Techniques de l'Ingénieur | tous droits réservés
Ce document a ete delivre pour le compte de 7200106152 - editions ti // celine BLONBOU // 2.59.188.28
Introduction à l’intelligence
artificielle
par Jean-Paul HATON
Professeur émérite
LORIA – Institut Universitaire de France – Université de Lorraine – Nancy, France
1. Intelligence naturelle … et artificielle ............................................... H 3 720 - 2

1.1 Définition de l’intelligence.......................................................................... — 2
1.2 Les grands modèles de l’IA ........................................................................ — 2
2. Bref historique ......................................................................................... — 3
3. Apprentissage .......................................................................................... — 4
3.1 Introduction ................................................................................................. — 4
3.2 Apprentissage symbolique ........................................................................ — 4
3.3 Apprentissage numérique.......................................................................... — 4
3.4 Supervisé vs non-supervisé ....................................................................... — 5
3.5 Apprentissage par renforcement............................................................... — 5
4. Réseaux neuronaux profonds .............................................................. — 5
Parution : août 2021 - Ce document a ete delivre pour le compte de 7200106152 - editions ti // celine BLONBOU // 2.59.188.28
5. Domaines d’application......................................................................... — 7
6. Aspects éthiques ..................................................................................... — 8
6.1 Introduction ................................................................................................. — 8
6.2 Protection des données personnelles ....................................................... — 8
6.3 Transparence des algorithmes .................................................................. — 9
6.4 Quelques domaines .................................................................................... — 9
6.5 Premier bilan ............................................................................................... — 10
7. Conclusion................................................................................................. — 10
Pour en savoir plus .......................................................................................... Doc. H 3 720
L e but de l’intelligence artificielle (IA) est double. D’une part, l’IA s’attache
à résoudre des problèmes qui relèvent d’activités humaines ou animales
de nature variée : perception, planification, interprétation de données, dia-
gnostic, prise de décision, compréhension du langage, conception. D’autre
part, l’IA cherche à mieux comprendre et modéliser l’intelligence. Elle se
rapproche ainsi des sciences cognitives dont elle s’inspire par ailleurs pour
la conception de modèles (mémoire, raisonnement, apprentissage). La
nécessité de restreindre l’activité à un champ d’application limité et de
s’appuyer sur des connaissances de nature diverse est apparue rapidement
8 - 2021
en IA. Cette approche symbolique de l’IA a donné lieu aux systèmes à base
de connaissances.
Une autre approche, dite connexionniste, tente de s’inspirer du fonctionne-
ment du cortex cérébral. Un réseau neuronal est formé par l’interconnexion
d’un grand nombre de neurones artificiels. Il présente des propriétés intéres-
santes, notamment la capacité d’apprendre à partir de grandes quantités
H 3 720
d’exemples.
Des succès récents ont médiatisé l’IA : jeu d’échecs, jeu de go, poker, robots
martiens, le jeu américain de questions-réponses Jeopardy, reconnaissance
d’images, reconnaissance de la parole, jeux vidéo et autres.
Copyright © – Techniques de l’Ingénieur – Tous droits réservés H 3 720 – 1
tiwekacontentpdf_h3720 v1 Ce document a ete delivre pour le compte de 7200106152 - editions ti // celine BLONBOU // 2.59.188.28
INTRODUCTION À L’INTELLIGENCE ARTIFICIELLE __________________________________________________________________________________________
Cet article présente les différents modèles de l’IA, ainsi que les méthodes
d’apprentissage associées. Il décrit aussi un vaste ensemble d’applications
(médecine, industrie, militaire, banque, droit, etc.) et aborde aussi les aspects
éthiques liés à ces applications.
1. Intelligence naturelle …
et artificielle x1 wk1
Fonction
d’activation
x2 wk2
Signaux uk
φ(.) Sortie yk
1.1 Définition de l’intelligence d’entrée
Unité
L’intelligence est une notion multiforme et difficile à préciser. wkp de sommation
Philosophes et scientifiques se sont attachés à la définir depuis xp
des millénaires. Pour les besoins de l’IA, nous nous contenterons Poids Seuil θk
de qualifier l’intelligence par un ensemble de capacités, notam- synaptiques
ment de mémorisation, de structuration de la connaissance et de
conceptualisation, de perception, de raisonnement, de prise de Figure 1 – Exemple de perceptron multicouche
décision, d’apprentissage, de communication et de dialogue.
Ces capacités se retrouvent, à des degrés divers, dans les sys-
neurone proposé par McCulloch et Pitts en 1943. Chaque neurone
tèmes d’IA actuels. Ces systèmes se nourrissent des avancées
possède un certain nombre d’entrées synaptiques, chacune assortie
dans ces différents domaines. Inversement, comme il a été dit, l’IA
d’un poids ; le neurone effectue la somme pondérée de ses entrées
contribue à ce que nous comprenions mieux l’intelligence.
et active sa sortie, reliée à d’autres neurones, si la somme atteint
un seuil prédéterminé, comme le montre la figure 1.
1.2 Les grands modèles de l’IA Un système est formé par l’interconnexion d’un grand nombre de
tels neurones en couches successives. Cette approche a donné lieu
Dès le début de l’IA dans les années 1950, trois grands types de aux réseaux neuromimétiques actuels, avec une grande variété des
modèles ont été proposés par les chercheurs pour concevoir des modèles. La plupart de ces modèles, comme le perceptron multi-
machines intelligentes : couche de la figure 2, sont de type feedforward, ce qui signifie que
– les modèles symboliques, correspondant à une approche que les informations transitent dans un sens unique, de la couche
l’on peut qualifier d’IA symbolique, permettent de doter les sys- d’entrée vers la couche de sortie. Comme d’autres modèles, les
tèmes d’IA de mécanismes de raisonnement capables de manipuler réseaux neuronaux sont capables de calculer toute fonction, d’où
les données symboliques qui constituent les connaissances d’un leur utilité en IA.
domaine. Cette approche fait appel aux modèles et méthodes de la Ce perceptron très simple, conçu pour la reconnaissance de
logique. Elle a donné lieu aux systèmes à bases de connaissances. 3 mots parlés, possède 3 couches : une couche d’entrée recevant
A. Newell considérait le niveau de connaissance (knowledge level) les paramètres de l’entité à reconnaître, une couche cachée et une
comme le trait d’union entre l’homme et la machine intelligente,
permettant de rationaliser le comportement d’un agent qui, à l’ins-
tar de l’être humain, peut prendre une décision en menant un rai-
sonnement fondé sur ses connaissances. Un aspect important est
la capitalisation et la diffusion du savoir et de l’expérience, élé-
ments constituant la mémoire d’une organisation. Une base de
connaissances se construit à partir d’ontologies qui la structurent et
la contraignent. De telles bases interviennent dans de nombreux A
N
champs d’application comme l’intelligence économique, le droit, la A
production industrielle, la médecine, etc. L
Y
Pour être utiles, ces bases doivent inclure des modèles opéra- S Mot 1
tionnels du monde et du bon sens. Le projet Cyc lancé en 1984 E
par D. Lenat a cet objectif ambitieux. Il s’agit du plus grand projet U
R
existant visant à formaliser les connaissances relatives à notre Mot 2
vie quotidienne (la version actuelle comprend des millions de S
P
faits et de règles formalisés dans un langage fondé sur le calcul E
logique des prédicats) et à les utiliser pour mener des raisonne- Mot 3
C
ments. Cyc comporte également des relations de causalité, T
reconnues très importantes dans le comportement humain. En R
A
2018, Paul Allen (co-fondateur de Microsoft) a lancé dans son Ins- L
titute for Artificial Intelligence le projet Alexandria, avec la même
ambition d’apprendre le bon sens à une machine. Ce thème très
important pour l’avenir de l’IA a également été repris par
l’agence américaine DARPA sous la forme d’une proposition de
projet Machine Common Sense ; Couche Couche Couche
– les modèles neuromimétiques correspondent à une approche d’entrée cachée de sortie
que l’on peut qualifier d’IA connexionniste par analogie méta-
phorique. Ils reviennent à s’inspirer du fonctionnement du cortex
cérébral. L’entité de base est un modèle formel très simplifié du Figure 2 – Exemple de perceptron multicouche
H 3 720 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés
__________________________________________________________________________________________ INTRODUCTION À L’INTELLIGENCE ARTIFICIELLE
couche de sortie donnant la réponse du perceptron. Chaque rond tout type. Pour l’instant, aucun programme n’a pu tromper un inter-
représente un neurone. Les flèches reliant les neurones possèdent rogateur pendant un temps suffisamment long. Les agents conver-
toutes un poids, appris lors d’une phase préalable d’apprentis- sationnels (chatbots, et callbots via le téléphone) qui se sont
sage, représentant la force de la connexion entre deux neurones ; multipliés ces dernières années augmentent progressivement leur
– enfin, les modèles probabilistes et statistiques présentent un compétence à mener un dialogue avec un être humain, comme le
cadre formel intéressant pour capturer la variabilité inhérente au montre le prix Alexa lancé par Amazon.
monde réel et en rendre compte. Ces modèles, tout comme les Le terme Artificial Intelligence apparaît en 1956 lors d’une école
modèles neuromimétiques, sont capables d’apprendre à partir d’été (Darmouth Conference) réunissant un ensemble de jeunes
d’exemples. L’apprentissage revient ici à mémoriser des distribu- chercheurs dont certains allaient devenir de grands noms du
tions de probabilités à l’aide d’algorithmes souvent complexes domaine : J. McCarthy, M. Minsky, etc. L’ambitieuse conjecture
mais dont les propriétés sont parfaitement connues. (toujours ouverte) énoncée par ces chercheurs est que : « every
Un modèle probabiliste largement utilisé est celui des réseaux aspect of learning or any other feature of intelligence can in prin-
bayésiens. Ces réseaux sont des graphes constitués de nœuds ciple be so precisely described that a machine can be made to
représentant les concepts d’un domaine et d’arcs représentant des simulate it ». Les travaux pionniers ont ainsi abordé les domaines
relations de causalité probabilisées entre deux concepts (par des jeux (échecs, dames), de la reconnaissance de formes (parole,
exemple, tel état physiopathologique d’un patient peut être la caractères écrits), de la résolution de problèmes (systèmes
cause de tel symptôme, avec telle plausibilité). Un réseau bayé- General Problem Solver, GPS de A. Newell et A. Simon, et Alice
sien permet de mener un raisonnement probabiliste sur des faits de J.L. Laurière).
multiples grâce à des mécanismes de propagation de coefficients
La cybernétique, mouvement scientifique de l’après-Seconde
de probabilité à travers le réseau. Il est ainsi très intéressant dans
Guerre mondiale autour de N. Wiener, W.R. Ashby, L. Couffignal
des problèmes à choix multiples comme le diagnostic, notam-
et beaucoup d’autres, a joué également un rôle dans la genèse de
ment médical et industriel. Pour des applications en vraie gran-
l’IA, notamment avec la notion de régulation et le concept clé de
deur, ces réseaux de dépendance conditionnelle peuvent atteindre
rétroaction (feedback), aussi bien chez l’animal que dans la
des dimensions considérables. La mise au point et l’exploitation
machine, toujours aussi important pour les réseaux neuronaux ou
de tels réseaux sont des questions bien maîtrisées.
la robotique, spécialement pour des tâches de pilotage.
Le temps est une dimension essentielle dans de nombreuses acti-
vités en IA. De ce fait, les modèles statistiques intégrant la variable À la même époque, F. Rosenblatt inventait le perceptron mono-
temporelle, ou modèles stochastiques, comptent parmi les plus utili- couche, réseau neuronal classifieur linéaire, ancêtre des réseaux
sés en intelligence artificielle. Le modèle stochastique le plus neuronaux profonds actuels qui sont toujours fondés sur la modé-
répandu est le modèle de Markov caché, ou MMC (Hidden Markov lisation du neurone proposée en 1943. L’intérêt pour ces modèles
Model, HMM). C’est le cas en reconnaissance de la parole [H 3 728] a décliné vers 1969 avec la publication d’un livre sur leurs limites
où chaque entité à reconnaître (mot, unité phonétique) est représen- par M. Minsky et S. Papert [7]. Il faudra attendre le perceptron
tée par une source de Markov capable d’émettre le signal vocal cor- multicouche et la redécouverte de l’algorithme d’apprentissage
respondant à cette entité. La reconnaissance revient alors à calculer associé de rétropropagation du gradient d’erreur pour constater
la vraisemblance de la suite d’observations acoustiques constituant un regain d’activité dans ce domaine jusqu’aux réseaux neuro-
l’entité à reconnaître par rapport à chacun des modèles appris. Le mimétiques profonds actuels qui occupent presque exclusivement
modèle présentant la plus grande vraisemblance d’avoir émis cette la scène médiatique.
suite d’observations fournit la réponse. La conception de systèmes à bases de connaissances, et notam-
Les MMC ont également été utilisés avec succès dans d’autres ment, de systèmes experts, représente néanmoins toujours un
domaines que la parole, en particulier l’interprétation d’images, la domaine important de l’IA. Les systèmes experts sont conçus
reconnaissance de l’écriture, l’interprétation de signaux (radar, pour atteindre les performances d’experts humains dans des
sonar, biologiques, etc.) ou la robotique. domaines limités en raisonnant sur un ensemble de connais-
sances acquises pour l’essentiel auprès de ces experts. Apparus
Les trois modèles présentés ci-dessus se rencontrent, parfois simul- vers 1975 (cf. le système de diagnostic des maladies du sang
tanément, dans les systèmes d’IA actuels. Les systèmes de traitement MYCIN), ils ont eu un impact certain sur l’IA, et aussi un retentis-
d’images et de reconnaissance de la parole, par exemple, sont le plus sement médiatique parfois exagéré car ils n’ont pas tenu toutes
souvent fondés sur la complémentarité entre des modèles stochas- les promesses qui leur furent associées. Le terme de système
tiques MMC et des modèles neuronaux. Les modèles statistiques expert disparaît peu à peu, au profit du concept plus général de
jouent également un rôle fondamental dans le traitement des grandes système à bases de connaissances. Ce concept est fondé sur une
masses de données et leur exploitation, en particulier pour la décou- séparation entre d’une part les connaissances nécessaires pour
verte de régularités ou de connaissances. résoudre un problème et d’autre part les mécanismes de raison-
Une caractéristique commune à tous ces types de modèles est nement qui exploitent ces connaissances.
leur capacité d’apprentissage à partir d’exemples. L’apprentis- Parmi ces travaux, les systèmes multi-agents occupent une part
sage, capacité fondamentale de l’intelligence, joue ainsi un rôle importante. L’idée est de parvenir à une décision commune à un
majeur dans le bon fonctionnement des systèmes d’IA. ensemble d’entités par fusion d’informations et de points de vue,
dans un cadre de coopération ou de compétition. Les modèles
développés (tableau noir, acteurs, société d’experts) ont donné
lieu à de nombreuses applications.
2. Bref historique Dès les premières années de l’IA, la langue naturelle écrite a fait
l’objet d’un ensemble de projets en traduction automatique (avec
L’IA est née dans les tout premiers temps de l’informatique. En des résultats fort limités pendant longtemps, la difficulté de la
1950, Alan Turing publie un article [2] dans lequel il pose la ques- tâche ayant été initialement sous-estimée) et en dialogue humain-
tion « Les machines peuvent-elles penser ? » L’auteur propose un machine. Le système SHRDLU, développé par T. Winograd, per-
test, connu désormais sous le nom de Test de Turing, destiné à mettait un dialogue avec un robot manipulateur dans un monde
répondre à la question posée. Dans ce test, inspiré du jeu de l’imi- de blocs de formes (cubes, cônes, sphères) et de couleurs diffé-
tation, une personne interroge une machine et un être humain qu’il rents. Le niveau de « compréhension » de la langue atteint par
ne voit pas. Lorsque, sur la base des réponses fournies, l’interroga- SHRDLU était essentiellement lié à la simplicité de son monde de
teur ne peut plus distinguer l’être humain de la machine, la blocs : nombre et de types de blocs, nombre et niveau de
machine est déclarée intelligente. Les questions peuvent être de complexité des actions possibles. Il a été impossible d’étendre le
système à un univers plus complexe, sans parler du monde réel. associée une question portant sur les caractéristiques de l’entité
Toutefois, son influence a été notable dans les domaines de la étudiée. Les feuilles terminales correspondent aux différentes
langue naturelle et de la planification d’actions. classes définies. L’apprentissage revient à apprendre l’ensemble
En ce qui concerne la langue parlée, les travaux en reconnais- des questions relatives aux caractéristiques des objets présentés.
sance automatique de la parole ont débuté dès la fin des années Plusieurs logiciels de construction d’arbres ont été développés (par
1950. Comme on l’a vu, l’utilisation de modèles stochastiques exemple CART, C4.5, ID3, etc.).
(modèles de Markov cachés), puis leur association à des modèles Les travaux en apprentissage symbolique ont donné lieu à de
neuronaux ont permis d’atteindre des niveaux de performance nombreuses réalisations. En revanche, les méthodes proposées
remarquables en reconnaissance de mots ou de phrases, même demeurent spécifiques et liées à un domaine particulier. Depuis le
pour des vocabulaires de dizaines de milliers de mots. En début des années 2000, ces méthodes sont moins étudiées que les
revanche, la compréhension de la parole demeure un sujet de méthodes relevant de l’apprentissage numérique.
recherche actif [H 3 728].
3.3 Apprentissage numérique

3. Apprentissage La majorité des progrès réalisés en IA depuis une dizaine
d’années sont dus à l’utilisation de méthodes numériques d’appren-
tissage.
3.1 Introduction
Les modèles statistiques (modèles de Markov cachés et réseaux
L’apprentissage, caractéristique fondamentale de l’intelligence, bayésiens) ont déjà été brièvement présentés. Un des intérêts de
est partie prenante de la plupart des systèmes d’IA, permettant ces modèles réside dans l’automatisation de l’apprentissage des
d’optimiser leurs performances. différents paramètres et distributions de probabilité du modèle à
L’apprentissage automatique (machine learning) est une disci- partir de données représentatives de l’application considérée
pline très active et multiforme, selon les modèles sous-jacents. (appelées observations). Le principe est de trouver un modèle qui
Toutes les méthodes impliquent l’existence de grandes bases de maximise la probabilité d’un ensemble (ou dans le cas des MMC
données d’exemples et parfois de contre-exemples, le plus sou- d’une séquence) d’observations, c’est-à-dire de déterminer le
vent dûment étiquetés, sur lesquels se fonde l’apprentissage. Un modèle qui explique le mieux cette séquence. Il n’est pas possible
système apprend à partir de chaque exemple, avec l’idée d’être de trouver un tel modèle de façon analytique. L’apprentissage est
capable de généraliser son comportement à de nouveaux cas non alors assuré par des algorithmes itératifs d’estimation des para-
mètres, notamment l’algorithme de Baum-Welch, cas particulier
encore rencontrés, grâce aux bonnes propriétés des modèles

appris. de l’algorithme Espérance-Maximisation, dit EM.
On distingue deux grands types d’apprentissage en IA, l’appren- Dans les années 1990, un autre modèle numérique statistique, les
tissage symbolique et l’apprentissage numérique. Nous résumons machines à vecteurs supports, appelées aussi Séparateurs à Vaste
ci-dessous les grandes caractéristiques de ces méthodes. Marge (Support Vector Machines, SVM) ont contribué de façon
notable au succès des méthodes numériques d’apprentissage. Une
SVM [TE 5 255] est essentiellement un classifieur discriminant à
3.2 Apprentissage symbolique deux classes (qui peut être étendu à une SVM multiclasse) dont le
critère d’optimisation est la largeur de la marge entre les deux
Ce type d’apprentissage, lié aux systèmes à base de connais- classes, c’est-à-dire la zone vide autour de la surface de décision
sances, concerne l’acquisition de concepts et de connaissances définie par les formes les plus proches. Ce modèle est intéressant,
structurées. Un exemple fondateur bien connu est Dendral, sys- mais les réseaux neuronaux profonds se sont révélés plus perfor-
tème expert en chimie organique, capable d’apprendre des règles mants que les SVM pour de nombreuses applications.
d’explication à partir de données de spectrographie de masse. Les modèles neuronaux utilisent également un apprentissage
Ajouter de nouvelles règles dans une base de connaissances pose numérique. Le principe est d’optimiser les poids des connexions
des problèmes de gestion des bases, de maintien de cohérence et, entre les neurones des différentes couches du modèle. L’algorithme
éventuellement, de généralisation des connaissances apprises par de rétropropagation du gradient d’erreur a permis le développe-
recherche d’explications. ment dans les années 1990 de modèles neuronaux comportant un
Les nombreuses méthodes proposées relèvent de deux grands nombre limité (quelques unités) de couches cachées. L’idée de ce
types d’apprentissage : type d’apprentissage est la suivante : si la réponse du système à
– l’apprentissage par détection de similarités (Similarity-based une entrée donnée est incorrecte, un gradient d’erreur est calculé
learning) dans lequel on apprend en détectant des similarités et des en fonction des réponses de la couche de neurones de sortie. Ce
dissemblances dans une base d’apprentissage d’exemples et de gradient est rétropropagé de couche en couche depuis la couche de
contre-exemples. Cette recherche d’associations et de liens de cau- sortie jusqu’à la couche d’entrée en modifiant les poids des
salité significatifs permet d’extraire des pépites de connaissances à connexions inter-neurones de façon adéquate. On démontre que,
l’aide de mécanismes de fouille de données associés à une évalua- moyennant un nombre suffisant d’exemples d’apprentissage,
tion par un expert du domaine. Cette coopération IA-expertise l’algorithme converge vers une configuration stable de poids pour
humaine se retrouve souvent dans les applications pratiques ; l’ensemble des neurones. Récemment, le nombre de couches
– l’apprentissage par recherche d’explications (Explanation- cachées a été considérablement augmenté, tout en conservant la
based learning) dans lequel on apprend à partir des explications capacité d’apprentissage à partir d’exemples, ce qui a donné nais-
extraites d’exemples et de contre-exemples. sance aux réseaux neuronaux profonds (Deep Neural Nets, DNN)
présentés au § 4.
Il faut également adjoindre à ces deux types d’autres méthodes
telles que l’apprentissage par analogie, la construction automatique Après avoir appris sur un grand nombre d’exemples étiquetés,
de taxonomies et d’ontologies, l’inférence inductive de connais- un réseau neuronal est non seulement capable de classifier cor-
sances ou encore le regroupement automatique de concepts, ainsi rectement ces exemples, mais peut aussi traiter de nouveaux
que les arbres de décision. Un arbre de décision est une structure objets de même catégorie qu’il n’a pas vus durant la phase
arborescente qui permet de classer une certaine entité (objet, cas, l’apprentissage ; cette capacité de généralisation est une des pro-
etc.) par un ensemble de questions. À chaque feuille d’un arbre est priétés très intéressantes de ces modèles.
3.4 Supervisé vs non-supervisé tique, comme l’algorithme de Q-Learning, s’est inspiré au départ de
théories de psychologie animale et humaine ; il modélise le com-
Les méthodes, symboliques et numériques, décrites ci-dessus portement d’apprentissage optimal par essais et erreurs permettant
sont toutes de type apprentissage supervisé, ou avec professeur de s’adapter à un environnement. Imaginons un système, ou un
[H 5 010]. Elles nécessitent, comme il a été dit, de grandes quantités agent, situé dans un certain environnement, changeant et mal
d’exemples étiquetés avec la bonne réponse associée (portion de connu de l’agent, comme un robot se déplaçant dans un univers
signal vocal et phonème ou syllabe correspondant, description d’un qu’il cartographie au fur et à mesure. L’agent peut décider de
cas de panne et diagnostic associé, image et sa description, etc.). mener un ensemble d’actions qui lui apporteront éventuellement
La réalisation de telles bases d’exemples annotés est très coûteuse une récompense. Une action de l’agent conduit à un nouvel état de
(les bases d’images utilisées pour entraîner un système d’identifica- l’environnement dans lequel il peut mener une nouvelle action qui
tion d’objets comportent des millions d’images indexées ; les bases conduit à un nouvel état, etc. L’environnement est le plus souvent
liées à la reconnaissance de la parole contiennent des centaines stochastique, ce qui signifie que le nouvel état est aléatoire. Ce pro-
d’heures de parole étiquetées phonétiquement). Une tendance cessus d’essais et erreurs est conduit jusqu’à obtenir la meilleure
apparue avec Internet est de sous-traiter aux utilisateurs eux- réponse possible. La façon efficace la plus utilisée pour raisonner
mêmes l’étiquetage des données comme une tâche, parfois invi- dans de telles conditions est le formalisme des processus de déci-
sible, annexe à l’utilisation d’un système (crowdsourcing). sion markovien (Markov Decision Process, MDP) et celui des pro-
cessus de décision markovien partiellement observables (Partially
Une autre classe de méthodes concerne l’apprentissage non super-
Observable Markov Decision Process, POMDP), ces derniers étant
visé, dans lequel l’opération se fait de façon totalement autonome
plus proches de la réalité des applications. Il existe de très nom-
[H 5 012]. Des données non étiquetées sont présentées en entrée sans
breuses variantes de l’apprentissage par renforcement, en général
indiquer les réponses attendues en sortie. C’est le mécanisme
formalisées dans un cadre probabiliste. Cet apprentissage est large-
d’apprentissage lui-même qui propose des catégories pour regrouper
ment utilisé, y compris dans les réseaux neuronaux profonds,
les réponses possibles. Cette solution semble idéale dans la mesure
notamment dans le vaste domaine des jeux : backgammon (1994),
où elle ne nécessite pas de grandes bases de données étiquetées. En
Atari (2013) et, plus récemment, go et poker.
fait, les deux types d’apprentissage ne sont pas destinés aux mêmes
tâches. L’apprentissage non supervisé cherche à partitionner de lui- La combinaison de l’apprentissage profond et de l’apprentis-
même, sans intervention extérieure d’un « professeur », les données sage par renforcement semble également prometteuse. De très
qui lui sont présentées en catégories homogènes au sens d’un certain bons résultats ont déjà été obtenus en classification d’images, et
critère ou d’un ensemble de caractéristiques communes. Les aussi en traitement de la langue naturelle.
méthodes de regroupement, parfois appelées coalescence (cluste-
ring), ont également donné lieu à de nombreuses études et au déve-
loppement de méthodes et de logiciels variés (partitionnement,
4. Réseaux neuronaux
hiérarchisation, etc.), notamment dans le domaine de la reconnais-

sance des formes [AF 1 510]. Le succès de l’apprentissage supervisé
pour les réseaux neuronaux a quelque peu occulté l’importance de profonds
l’apprentissage non supervisé. Ce dernier est certainement appelé à
se développer, par référence à l’être humain et à l’animal. Une autre
tâche de cet apprentissage est la recherche de liens de causalité qui Une avancée majeure de l’IA depuis 2010 s’est produite dans le
sont d’une grande importance dans de nombreuses activités telles domaine des réseaux neuronaux profonds (Deep Neural
que le diagnostic, la prise de décision, comme il a été dit plus haut. Ce Networks, DNN) et des algorithmes d’apprentissage associés
type d’apprentissage peut être utilisé simultanément avec un appren- [H 1 098]. Déjà, dès 2006, les modèles acoustiques de reconnais-
tissage supervisé dans lequel les ensembles de données étiquetées sance de la parole avaient été améliorés de façon importante
sont remplacés par des entités qui changent au cours du temps telles grâce aux modèles neuronaux profonds. Depuis, les DNN ont
que des vidéos : la trame du temps t de la vidéo est utilisée comme montré leur efficacité dans des domaines très variés : jeux, traite-
un prédicteur pour la trame t+1, sans aucun étiquetage préalable. ment de textes, vision par ordinateur, diagnostic, robotique,
banque, etc. Comme on l’a vu, un réseau neuronal est un classi-
Une solution intermédiaire a également été proposée, qualifiée de fieur capable d’apprendre des fonctions de décision. Globale-
semi-supervisée. Comme l’étiquetage complet d’une base d’appren- ment, un réseau neuronal est capable d’apprendre une mise en
tissage est une tâche lourde et coûteuse, l’idée est de restreindre le correspondance (mapping) entre ses entrées et ses sorties, ce qui
volume de données étiquetées nécessaires à un bon apprentissage. permet d’utiliser de tels systèmes pour des tâches de classifica-
Un exemple de tel apprentissage est le co-apprentissage, dans tion permettant d’identifier la classe d’appartenance de l’entité
lequel deux classifieurs apprennent un ensemble de données, mais placée en entrée. Ces entités peuvent être de natures extrême-
en utilisant chacun un ensemble de caractéristiques différentes, si ment diverses : mots prononcés par un locuteur, image, diagnos-
possible indépendantes. Le classifieur le mieux capable de bien trai- tic d’un patient, place d’un pion sur un jeu de go, etc. Le
ter un exemple d’apprentissage va jouer le rôle de « professeur » perceptron monocouche de Rosenblatt avait des performances
pour l’autre. Des approches de ce type ont été utilisées pour la clas- très limitées puisqu’il ne pouvait apprendre que des fonctions
sification de documents HTML et en traitement de la langue natu- linéaires. L’introduction de couches cachées en nombre restreint
relle. Une idée similaire se trouve dans les réseaux antagonistes (comme le perceptron de la figure 2 à une couche cachée) a per-
génératifs (Generative Adversarial Networks, GAN). Dans un GAN, mis d’augmenter les performances. Les DNN sont caractérisés
deux réseaux sont placés en compétition. Le premier réseau, le par le fait que leur profondeur (c’est-à-dire le nombre de couches
générateur, génère un échantillon d’apprentissage, tandis le second, cachées de neurones) est augmentée de façon très importante
le discriminateur, essaie de détecter si un échantillon est réel ou pour atteindre jusqu’à un millier de couches, ce qui leur donne la
bien s’il est le résultat du générateur. capacité d’apprendre des fonctions de mise en correspondance
beaucoup plus complexes, d’où leur succès actuel.
3.5 Apprentissage par renforcement La rapide émergence des réseaux profonds est due à la conjonc-
tion de trois conditions :
Parmi les méthodes d’apprentissage, l'apprentissage par renfor- – l’existence de très grandes bases de données étiquetées
cement occupe une place à part. Le principe est d’apprendre par nécessaires à l’apprentissage de ces modèles. Il s’agit d’un
essais et erreurs comment se comporter de manière optimale dans exemple du phénomène récent de Big Data. En reconnaissance
des environnements incomplètement connus, situation très com- de la parole, les grands opérateurs du domaine disposent ainsi
mune dans la réalité. Cet apprentissage, très développé en robo- de millions d’heures de parole, ce qui permet de disposer de
systèmes de reconnaissance dans de nombreuses langues (plus Outre les perceptrons, il existe d’autres types de réseaux neuro-
d’une centaine pour Google). Ces bases s’enrichissent quotidien- naux profonds, avec leurs propres forces et faiblesses :
nement. 80 % des données qu’elles renferment sont non structu- – les réseaux récurrents. L’état d’un réseau est ici fonction de
rées, ce qui nécessite une analyse sémantique préliminaire. Le l’entrée du réseau à un instant donné et de son état à l’instant
RGPD (Règlement général sur la protection des données) mis en précédent. Sa structure permet une mémoire des entrées précé-
place en 2018 par l’Union européenne, notamment dans la suite dentes qui persiste dans ses états internes et peut en conséquence
de la loi française de 1978 « Informatique et libertés » et des tra- avoir un effet sur ses sorties futures. Les réseaux récurrents sont
vaux de la CNIL, aura une influence sur l’exploitation de ces ainsi les plus profonds des réseaux dits profonds. Ils permettent en
grands entrepôts de données. Il importe en effet d’assurer la pro- outre d’exploiter de façon naturelle et efficace le parallélisme des
tection des données personnelles, tout spécialement les données programmes. Ces réseaux peuvent être entraînés par une variante
sensibles comme les informations médicales ; de l’algorithme de rétropropagation, mais leur apprentissage est
– la disponibilité de capacités de calcul en constante augmenta- délicat. Ils sont bien adaptés au traitement de séquences tempo-
tion (notamment à l’aide de cartes additionnelles GPU et du calcul relles telles que celles rencontrées en reconnaissance de la parole,
parallèle haute performance [H 1 013]). Des exemples sont le pro- reconnaissance de l’écriture, traduction automatique, etc. Le type
cesseur TPU (Google’s Tensor Processing Unit) ou les puces de réseau récurrent le plus utilisé, tout spécialement en reconnais-
NVIDIA qui accélèrent notablement le temps d’apprentissage d’un sance de la langue et en traduction, est le réseau de neurones
DNN. L’apprentissage d’un DNN peut également être implémenté récurrents à mémoire court et long terme (Long short-term
sur un FGPA (Field Programmable Gate Array). Sur le plan des memory, LSTM). Un réseau LSTM peut mémoriser une informa-
logiciels, citons Theano, bibliothèque logicielle écrite en langage tion à plus ou moins long terme, un peu comme le fait notre cer-
Python pour le développement de systèmes d’apprentissage pro- veau. Par exemple, lors de l’analyse d’une phrase, le réseau peut
fond. Ces moyens sont nécessaires en pratique, sachant que le se souvenir du début lorsqu’il arrive à la fin ;
nombre de paramètres à apprendre dans un DNN peut être de – les réseaux convolutifs (Convolutional Neural Networks, CNN
l’ordre du milliard. ou ConvNet). Ces réseaux dont un des initiateurs est Y. Le Cun,
La loi de Moore ayant à peu près atteint ses limites, il ne faut tirent leur inspiration du travail de Hubel et Wiesel sur le cortex
plus compter seulement sur l’augmentation intrinsèque de puis- visuel du chat [3]. Un réseau convolutif profond est formé d’un
sance des circuits intégrés pour améliorer les performances ensemble hiérarchique de couches de cellules formant un tuilage
d’apprentissage, mais aussi sur des solutions innovantes, plus couvrant l’ensemble du champ visuel (figure 3). Chaque couche
créatives, tant logicielles que matérielles. Ceci constitue un fournit un ensemble de paramètres convolutifs de niveau d’abs-
changement important par rapport à ce que nous avons vécu traction de plus en plus haut à partir des données d’entrée du
lors des dernières décennies. Les algorithmes actuels d’appren- réseau. Chaque cellule agit comme un filtre local permettant
tissage fonctionnent aussi bien sur le « nuage » (cf. les solutions d’exploiter les corrélations spatiales présentes dans une image.
Open Source proposées par Google avec son Cloud Machine L’extraction automatique et la hiérarchisation des paramètres
Learning, ou d’autres) que localement là où s’effectue la capture représentatifs des données en entrée sont une des grandes forces
des données. La technologie des circuits intégrés proposera de ce modèle. En effet, dans un système d’IA « traditionnel »
certainement à l’avenir des architectures d’accélérateurs (reconnaissance de formes, diagnostic), les données brutes pré-
d’apprentissage, adaptées aux différents lieux de traitement des sentées en entrée d’un système sont transformées en vecteurs de
données ; paramètres (features) sur lesquels est prise la décision finale. Une
succession de niveaux de traitement permet de transformer les
– l’amélioration des algorithmes d’apprentissage profond (Deep données brutes en représentations de plus en plus abstraites.
Learning). Initialement, les algorithmes d’apprentissage utilisaient
des sigmoïdes comme fonctions non linéaires pour transmettre le Par exemple, une image est présentée en entrée sous forme d’un
résultat du traitement de l’erreur d’une couche à la suivante. L’uti- ensemble de pixels. Le premier niveau de traitement va détecter et
lisation de fonctions ReLU (Rectified Linear Unit) a permis un gain localiser des bords ou des angles, le second des arrangements par-
en temps très important. Par ailleurs, la technique de dropout qui ticuliers de bords que le troisième niveau va identifier comme des
revient à éliminer des neurones inutiles durant l’apprentissage per- objets, et ainsi de suite jusqu’à obtenir une représentation abstraite
met d’éviter l’écueil du sur-apprentissage, susceptible d’apparaître des données adéquate pour la tâche poursuivie.
dans les réseaux neuronaux. De façon similaire, la parole se décompose en phrases, mots,
syllabes, phones, traits acoustico-phonétiques (bruits, formants, etc.)
La complexité de l’apprentissage d’un DNN a conduit les cher- jusqu’au niveau initial du signal acoustique. La définition de ces
cheurs à essayer de réduire cette complexité. Une solution initiale- niveaux, ainsi que l’extraction automatique des paramètres asso-
ment proposée par K. He est celle des réseaux résiduels, ResNet. ciés, requiert une importante expérience du domaine d’application.
L’idée est d’introduire des raccourcis dans les connexions entre les
neurones de couches cachées, ce qui facilite grandement l’appren- Le fait que, dans les CNN, la hiérarchie des niveaux ainsi que
tissage. les paramètres associés sont déterminés automatiquement, sans
intervention humaine lors de l’apprentissage, est un des gros
L’apprentissage fondé sur la rétropropagation du gradient avantages de ces modèles. Plus précisément, un CNN présente
d’erreur peut aussi parfois être couplé à l’apprentissage par renfor- une structure comportant deux types de couches, directement ins-
cement. Ainsi le logiciel AlphaGo Zero de DeepMind qui s’est pirée des connaissances actuelles des neurosciences de la vision :
révélé le meilleur au jeu de go combine DNN et recherche arbores-
cente de type Monte Carlo. Son apprentissage comporte une – des couches de convolution destinées à détecter les arrange-
phase d’apprentissage profond supervisé fondé sur une base de ments pertinents de paramètres provenant de la couche précé-
parties jouées par des experts (plus de 100 000) et une phase dente ;
d’apprentissage par renforcement partant simplement des règles – des couches de regroupement (sous-échantillonnage) chargées
du jeu de go. de rassembler des paramètres semblables.
L’apprentissage de tels systèmes nécessite, comme on l’a dit, Les successions de couches « Convolutions/Sous-échantillonnage »
des quantités de données et des moyens de calcul considérables. peuvent être dupliquées plusieurs fois en fonction de la complexité
Les systèmes résultants sont compétents dans la tâche unique sur du problème, comme précisé dans le texte.
laquelle a porté leur apprentissage. Une tendance actuelle est de Les CNN se sont révélés très efficaces dans la représentation de
concevoir des environnements d’apprentissage multitâches. Le données complexes structurées et dans leur traitement, tout spéciale-
système IMPALA (Importance Weighted Actor-Learner Architec- ment dans les domaines de la classification d’images dans la compéti-
ture) de DeepMind en est un exemple. tion annuelle ILSVRC dont le but est de localiser et d’identifier des
Carte Carte Carte

d’attributs d’attributs d’attributs
Sortie
Données
d’entrée
Sous- Couche
Sous-
totalement
Convolutions échantillonnage Convolutions

échantillonnage
connectée
Figure 3 – Exemple de réseau neuronal convolutif
objets dans des scènes naturelles, et récemment dans la reconnais- – le manque de transparence, c’est-à-dire l’incapacité pour ces
sance de visages. Les CNN obtiennent les meilleurs résultats, de systèmes d’expliquer leurs résultats (aspect boîte noire). Des
l’ordre de 2 % d’erreur de classification d’images pour ILSVRC, alors efforts sont faits en ce sens, comme le projet Explainable AI lancé
que l’erreur humaine sur les mêmes données est de l’ordre de 5 %. Il par l’agence de recherche américaine DARPA ;
en est de même pour la reconnaissance de la parole et de l’écriture. – la difficulté d’intégrer des connaissances explicites telles que
D’excellents résultats ont également été obtenus dans une grande celles utilisées en IA symbolique : ainsi, un DNN peut apprendre
variété de domaines tels que la physique (analyse de résultats d’expé- aisément des corrélations entre ses entrées et ses sorties, mais
riences d’accélération de particules), la biologie (traitement de muta- sans pouvoir expliciter les relations de causalité éventuelles entre
tions d’ADN), le traitement de la langue naturelle et la traduction ces données. La causalité demeure un thème de recherche impor-
automatique. Dans ces deux derniers champs d’activité, les tradition- tant en IA symbolique.
nels modèles de langage à base de n-grammes (courtes séquences de
lettres et de symboles de longueur 2 à 5, voire plus) sont remplacés
par des modèles de langage neuronaux.
Tous les réseaux neuromimétiques actuels présentent une
structure plane bidimensionnelle, les différentes couches de neu- 5. Domaines d’application
rones étant organisées horizontalement. Il n’en va pas de même
dans le cortex humain qui possède une structure tridimension-
nelle où les neurones sont organisés en colonnes. Nous avons Depuis plusieurs décennies, l’IA a conduit au développement
réalisé à Nancy une modélisation informatique du modèle de d’applications opérationnelles dans de nombreux domaines tels
colonne corticale d’Y. Burnod. J. Hinton a récemment proposé un que le diagnostic [H 7 217] et l’aide à la décision avec les systèmes
modèle similaire de capsules. Ces modèles sont intéressants dans à bases de connaissances ou les réseaux neuronaux, ainsi que la
leur principe et doivent être améliorés pour devenir compétitifs reconnaissance de formes et de la parole avec les modèles stochas-
avec les DNN actuels. tiques. L’introduction des DNN a permis d’atteindre des niveaux de
performance inégalés qui ont valu une couverture médiatique sans
Malgré leurs propriétés remarquables ayant conduit aux specta- précédent dans quasiment tous les secteurs d’activité. Comme tou-
culaires performances évoquées ci-dessus, les réseaux profonds jours, le transfert de la recherche en laboratoire vers les applica-
sont intrinsèquement limités et ne résoudront donc pas tous les tions réelles nécessite des investissements conséquents en temps
problèmes qui se posent à l’IA. Les limitations les plus impor- et en argent. Le cheminement est long entre une première annonce
tantes concernent : et un véritable produit commercialisé. En médecine, notamment, le
– la nécessité d’énormes quantités de données d’apprentissage. déploiement d’applications implique un mécanisme d’évaluation
Contrairement à l’être humain, ces réseaux ne possèdent pas complexe, notamment clinique. Enfin, le succès d’une application
encore de capacité d’abstraction ; implique une véritable confiance dans l’IA ainsi qu’une claire
identification des responsabilités (cf. la voiture autonome en cours En février 2020, le Département de la défense (DoD) américain a
d’expérimentation et de mise au point). défini des principes éthiques qui devront être respectés lors du
Sans prétention d’exhaustivité, car la liste s’allonge continuelle- développement de technologies intégrant de l’IA. La France,
ment, on peut citer : l’Allemagne, l’Europe, le Japon ont également publié des rapports
sur cette question.
– dans le domaine des jeux, avec l’évolution de la technologie et
des algorithmes, les systèmes fondés sur l’IA sont devenus les
meilleurs : morpion (1952), dames (1994), échecs (1997), go (2016),
poker (2016), jeux vidéo (2017) ; 6.2 Protection des données personnelles
– en aide au diagnostic et à la recommandation d’actions (médical,
spatial, industriel...) et aide à la décision (banques, assurances, Le premier enjeu éthique est la protection des données person-
conduite de procédés, domaine militaire) ; nelles manipulées : données génétiques, données biométriques,
– en aide à la conception, notamment de puces électroniques données concernant des infractions, des condamnations pénales
(Electronic Design Automation, EDA) ; et des mesures de sûreté ainsi que toutes données sur l’origine
– en reconnaissance et synthèse de la parole. La conjonction raciale ou ethnique, les opinions politiques, l’appartenance syndi-
HMM-DNN conduit à des taux de reconnaissance proches de cale, etc.
l’humain (annonce récente de Google) et fait le succès des assis-
tants personnels vocaux ; La protection des données personnelles pose le problème de
– en identification de locuteurs et détection d’émotions ; l’anonymisation des données collectées, afin d’empêcher l’identi-
– en traitement de la langue naturelle : systèmes de questions- fication des personnes concernées [H 5 537]. Un compromis est à
réponses, traduction, dialogue, description d’une image ou d’une trouver pour préserver l’anonymat, sans mettre en cause la perti-
scène. Le système Jeopardy d’IBM est un bel exemple du niveau nence du contenu.
atteint dans le domaine ; L’Europe dispose du dispositif le plus avancé au monde. S’ins-
– en interprétation de signaux (surveillance, conduite, cyber- pirant directement de la loi française Informatique et Libertés
criminalité) ; (1978), l’Union Européenne a introduit en 2018 le Règlement géné-
– en robotique : robots autonomes (exploration, intervention en ral de l’UE sur la protection des données personnelles, RGPD, déjà
milieu hostile), robots de compagnie (pour enfants malades, per- évoqué, qui est une référence en matière de protection des don-
sonnes âgées ou astronautes), voitures autonomes sans chauf- nées à caractère personnel. Il renforce et unifie la protection des
feur ; données pour les individus au sein de l’Union européenne. Son
– en traitement d’images : diagnostic à partir d’images médi- but est de permettre aux entreprises européennes de développer
cales (rayons X, IRM...), reconnaissance de l’écriture, reconnais- leurs activités numériques dans un contexte juridique égalitaire et
sance de visages (avec les aspects éthiques associés et les dérives compétitif. Comme c’est un règlement, il ne nécessite aucune
potentielles d’identification d’individus sans leur consentement…), transposition juridique dans les États membres. Les entreprises
télédétection, détection, classification et localisation d’objets, iden- européennes deviennent responsables des données à caractère
tification d’actions, etc ; personnel qu’elles collectent et de leurs usages. Le RGPD vise
– en biologie, notamment pour le traitement des séquences trois objectifs :
d’ADN ;
– en finance : évaluation du risque, trading, marketing prédictif ; – renforcer les droits des personnes ;
– en droit : justice prédictive ; – responsabiliser les acteurs traitant des données ;
– en médecine : les applications citées ci-dessus préfigurent une – crédibiliser la régulation (notamment par le biais d’amendes).
évolution vers une médecine prédictive et personnalisée, ainsi
qu’une évolution des métiers (radiologie, dermatologie, anatomo- Le RGPD a déjà conduit à des amendes importantes infligées à
pathologie...). des entreprises.
La justice américaine est également active. Le respect de la vie
privée et la protection des données personnelles sont ainsi deve-
6. Aspects éthiques nus des sujets d’actualité, notamment après les scandales liés à
des opérateurs comme Google, Twitter, Alibaba ou Facebook
(piratage de données personnelles, croisement de fichiers de
clients, etc.).
6.1 Introduction
Le Japon a rejoint l’Europe sur la protection des données et la
Les succès récents ont fait entrer l’IA dans notre vie quoti- Californie envisage une loi similaire.
dienne. Mais l’IA suscite aussi des inquiétudes, parfois alimentées Une tendance existe pour permettre aux forces de l’ordre d’accé-
par des représentations relevant de scénarios de science-fiction. der à des données personnelles pour la lutte contre la criminalité et
Elle demande ainsi un encadrement réglementaire pour garantir le terrorisme. Ainsi, aux USA, le Clarifying Lawful Overseas Use of
son caractère éthique. Data Act (CLOUD Act), loi fédérale adoptée en 2018, fait l’objet de
L’éthique rappelle le fait que ce qui est technologiquement pos- critiques car elle ouvre aux forces de l’ordre américaines un large
sible n’est pas toujours humainement souhaitable. Il s’agit donc accès aux données personnelles d’un individu sans que celui-ci en
d’identifier les risques et de s’assurer que le développement de soit informé.
l’IA s’effectue réellement au service de l’humanité. Le problème
n’est pas nouveau et s’est posé de même pour l’énergie nucléaire, Le RGPD impose la nomination d’un DPO (Digital Protection
les manipulations génétiques et le clonage, etc. Officer). Au sein de l’entreprise, le DPO joue le rôle d’un conseiller
et d’un chef d’orchestre. C’est à lui de superviser la conformité de
L’Europe joue un grand rôle sur le plan de l’éthique. L’UE a mis l’entreprise avec les engagements imposés par le RGPD. En
en place le High Level Group on Artificial Intelligence qui a publié complément du DPO, le digital ethics officer (DEO) disposera d’une
un document pour une IA de confiance (Trustworthy AI), utile et double compétence numérique et juridique. Son rôle sera d’accom-
au service de l’être l’humain. Le livre blanc publié en février 2020 pagner un déploiement éthique et respectueux des droits fonda-
confirme cette position de l’UE en matière d’IA. mentaux de l’IA au sein de son entreprise. Le DEO est pour le
L’UNESCO s’est, de son côté, attachée à l’élaboration d’une moment quasi inconnu, surtout en France, mais cela va rapidement
norme mondiale sur l’éthique professionnelle de l’IA [8]. évoluer.
6.3 Transparence des algorithmes différentes villes dans le monde (Los Angeles depuis 2009,
Londres, etc.). Cela permet de réduire la criminalité, le vol ou la
La question de la propriété des données et de l’ouverture de fraude et d’augmenter la sécurité des personnes. En Chine, le
leur accès se pose également. Il s’agit d’atteindre un équilibre paiement par reconnaissance faciale est également opérationnel
entre la protection et la valorisation de cette nouvelle richesse que sur des plateformes de paiement électronique comme Alipay et
sont les données et l’accès libre (open data), favorisant l’innova- Wechat.
tion. En France, la loi pour une République numérique a décidé de Plusieurs États et villes ont décidé d’interdire l’utilisation de la
l’ouverture des données publiques, sans intervenir sur d’autres reconnaissance faciale dans des lieux publics. L’État de Californie
types de données. Cette loi, sans concerner spécifiquement l’IA, vient de décider un moratoire de trois ans en la matière. En
impose en particulier une exigence de transparence aux adminis- France, l’application d’« Authentification en ligne certifiée sur
trations quant aux traitements algorithmiques servant à prendre mobile » (Alicem) lancée en mai 2019, vise à créer une « identité
des décisions concernant les citoyens. numérique » pour faciliter l’accès à certains services administratifs
Le RGPD donne également à une personne le droit de deman- ou commerciaux sur Internet pour les détenteurs d’un passeport
der l’explication et la justification d’une décision la concernant. Si biométrique. L’objectif est de créer un document virtuel officiel
les décisions en question sont des décisions de la justice ou de la d’identité pour « s'identifier électroniquement et s'authentifier
police, on comprend que la transparence des systèmes d’IA est auprès d'organismes publics ou privés ». La vérification de l’iden-
indispensable. Or il est actuellement très difficile d’expliquer tité est effectuée par un dispositif de reconnaissance faciale. Les
comment un réseau neuronal profond parvient à une décision. données personnelles stockées sont codées avec un maximum de
Cela pose donc problème, et est l’une des raisons justifiant l’étude sécurité. Alicem a engendré un certain nombre de réticences sur
de modèles d’IA capables d’expliquer leurs résultats, un domaine les plans éthiques et juridiques, notamment en ce qui concerne le
de recherche en plein développement. Cela est utile en cas de délai de conservation des données et la notion de consentement
défaillance, pour garder le sens de ce qui se passe dans un sys- libre et non-imposé prévue par le RGPD mais non respectée par
tème, établir la confiance des utilisateurs et faciliter la communi- ce système.
cation humain – machine (cf. le projet américain Explainable AI D’autres travaux de recherche tendent à conjuguer parole et
évoqué au § 4). image pour détecter l’état émotionnel d’une personne. L’idée est
de reconnaître quelques émotions fondamentales (joie, peur, tris-
tesse, colère, dégoût et surprise) à partir de signaux expressifs,
6.4 Quelques domaines après une phase d’apprentissage, fondée comme toujours sur un
ensemble important de données d’exemples. Les résultats sont
■ Santé encore modestes mais soulèvent déjà des réticences sur l’utilisa-
La France a créé en 2018 le Health Data Hub, afin de centraliser tion de systèmes qui concerneraient l’intimité affective des per-
les données provenant de sources multiples (les bases, les dossiers sonnes. En Chine, l’annonce de l’utilisation d’un casque pour
patients, la médecine de ville et les patients eux-mêmes) acces- contrôler l’état émotionnel d’une personne à partir de signaux
sibles par une grande variété d’acteurs : professionnels de santé, EEG a été faite récemment.
chercheurs, acteurs économiques et enfin citoyens. Tout en permet- Il ne faut pas condamner en bloc ces technologies, car elles
tant une meilleure connaissance, sans cesse actualisée, de l’état de sont d’une grande utilité dans de nombreux domaines : indexa-
santé des patients, cette collecte massive de données à caractère tion d’archives visuelles (films, vidéos, émissions TV) facilitant la
personnel présente des risques éthiques et juridiques. L’enjeu de recherche, aide aux enquêtes policières, authentification de per-
l’anonymisation des données est bien sûr fondamental, pour que le sonnes, lutte contre le piratage et l’usurpation d’identités. Mais il
suivi des comportements affectant la santé ne devienne pas un ins- faut lutter contre les applications contraires à la loi et aux droits
trument de contrôle. des personnes.
De même aux USA, le Health Insurance Portability and Accoun-
tability Act est une loi qui impose à tous les intervenants du ■ Robotique
secteur des soins de santé de protéger les informations détenues Depuis les premiers robots humanoïdes, la robotique a accom-
sur les patients. Cette loi édicte des normes dans 3 domaines : pli d’énormes progrès, et des robots dits intelligents, plus ou
protection de la vie privée, encodage des données médicales et moins autonomes, sont apparus dans divers domaines d’activité :
protection de la confidentialité, de l’intégrité et de la disponibilité médecine, transports, industrie, agriculture, militaire, etc. En 1942,
des données médicales I. Asimov avait énoncé trois « lois de la robotique », selon les-
■ Parole et image quelles un robot ne peut notamment pas attenter à la sécurité
d’un être humain et doit obéir à un être humain, sauf en cas de
La voix et l’image sont des données personnelles à part entière, conflit avec le principe précédent. Ces lois semblent supposer que
comme l’avait précisé la CNIL dès 1996. À ce titre, elles relèvent les robots comprennent le monde qui les entoure et sont dotés de
du RGPD qui assure ainsi une protection juridique aux individus. conscience, ce qui n’est pas le cas, même si des laboratoires tra-
Cette protection est bienvenue dans la mesure où le traitement de vaillent sur ce thème.
la parole et des images est devenu courant en IA.
Pour l’instant, il faut établir un cadre éthique des robots et des
On a vu qu’une caractéristique des systèmes d’IA est de néces- normes intégrant la protection des valeurs humaines, afin de
siter de très grandes quantités de données pour leur apprentis- combler le vide législatif actuel et d’éviter de possibles dérives. Le
sage. À chaque utilisation, la voix du locuteur est ainsi enregistrée problème n’est pas simple, car les valeurs éthiques et les sensibi-
dans le but louable d’améliorer les modèles utilisés, mais à son lités varient selon les pays et les civilisations alors que les normes
insu.... Là encore ressort l’importance de garantir l’anonymat des et les standards doivent être universels… Les armes autonomes à
données, ainsi que du degré de confiance que l’on a dans les four- base d’IA présentent un danger majeur. Certains pays financent
nisseurs de ces services. des programmes pour développer l’armement à base d’IA :
L’utilisation de l’IA pour l’identification de personnes à partir drones de combat, chars, armes létales autonomes, etc. Plusieurs
d’images peut poser problème en ce qui concerne le respect de la appels ont été lancés pour un contrôle strict de tels programmes,
vie privée. La reconnaissance faciale est ainsi utilisée dans les malgré l’opposition de certains pays. Mais l’IA est appelée à jouer
aéroports (notamment en France), mais elle peut aussi servir à un rôle grandissant dans les activités militaires dans de nombreux
des fins de surveillance, de recherche de personnes portées dispa- secteurs : traitement et sélection des données, aide à la décision,
rues et de suivi d’individus en Chine (plusieurs dizaines de mil- prédiction de comportements, combat collaboratif, avec des
lions de caméras installées dans des lieux publics) et dans principes rappelés récemment par la ministre française des
armées : respect du droit international et permanence du contrôle écoles d’ingénieurs et les universités, en complément des volets
humain. scientifiques et techniques de l’IA.
Une démarche précurseure se trouve dans la résolution du La technologie nous a rendus, parfois à notre insu, éminemment
Parlement européen sur la robotique de 2017, concernant des observables, voire manipulables. Les enjeux éthiques de l’IA sont
règles de droit civil sur la robotique. On y insiste « sur le principe donc clairs, et justifient un encadrement des pratiques de recherche et
de transparence, à savoir qu’il devrait toujours être possible de des développements industriels. L’éthique est devenue une nécessité
fournir la justification rationnelle de toute décision prise avec pour le développement de l’IA, mais les règles ne sont pas les mêmes
l’aide de l’IA ». La résolution préconise qu’un robot soit doté partout. On peut schématiquement distinguer trois approches qui
d’une « boîte noire » contenant les données sur chaque opération résument les difficultés à adopter des principes éthiques de l’IA :
réalisée. Elle envisage également l’adoption de règles spéciales – les États-Unis considèrent les données comme un élément
dans des domaines tels que les véhicules autonomes, les drones, commercial ;
les robots de compagnie et de soins à la personne, et les robots – la Chine utilise les données afin de surveiller et définir les
médicaux. Cela rejoint une tendance nouvelle de conception de « bons citoyens » ;
robots éthiques, capables d’évaluer les conséquences de leurs – l’Europe, avec le RGPD et d’autres initiatives, entreprend de
actions [S 7 900]. protéger ses citoyens et leurs données.
■ Véhicule autonome En coordonnant les efforts de chaque État afin d’organiser une
filière européenne de l’IA et de créer des pôles de compétences,
Les aspects scientifiques et techniques liés à la conception de l’Europe a un rôle à jouer, comme elle l’a déjà montré avec le RGPD.
véhicules autonomes font l’objet de nombreuses études théo-
riques et d’expérimentations en situation réelle : automobile,
camion, train, bateau, tracteur agricole, avion… [S 7 819]
Tout aussi importants sont les aspects éthiques, psychologiques, 7. Conclusion
politiques et juridiques. La convention de Vienne a été adaptée en
2016 de façon à autoriser les systèmes de conduites automatisées
« si ces technologies sont conformes aux réglementations de l'ONU Depuis plusieurs décennies, l’IA a conduit au développement
ou peuvent être contrôlées et désactivées par le conducteur ». La d’applications opérationnelles dans de nombreux domaines tels que le
législation a déjà été modifiée dans certains États des USA (Nevada, diagnostic et l’aide à la décision avec les systèmes à bases de connais-
Californie), en Grande-Bretagne, etc., mais le chemin est encore sances ou les réseaux neuronaux, ainsi que la reconnaissance de
long vers un système international cohérent en termes de règles de formes et de la parole avec les modèles stochastiques. L’introduction
conduite et de partage de responsabilités. La question de la détermi- des DNN a permis d’atteindre des niveaux de performance inégalés
nation des degrés de responsabilité est en effet centrale. Si une voi- qui ont valu une couverture médiatique sans précédent dans quasi-
ture autonome provoque un accident, qui est considéré comme ment tous les secteurs d’activité. Comme toujours, le transfert de la
responsable ? Le constructeur du véhicule, l’ingénieur qui a déve- recherche en laboratoire vers les applications réelles nécessite des
loppé le système de conduite autonome, l’entraîneur qui a réalisé investissements conséquents en temps et en argent. Le cheminement
l’apprentissage du système d’IA en lui fournissant les données adé- est long entre une première annonce et un véritable produit commer-
quates, le propriétaire de la voiture ou la personne assise à la place cialisé. En médecine, notamment, le déploiement d’applications
du conducteur ? La responsabilité sera partagée entre ces per- implique un mécanisme d’évaluation complexe, notamment clinique.
sonnes, selon des modalités qui restent à définir. Il faudra modifier Enfin, le succès d’une application implique une véritable confiance
le droit pour prendre en compte ce type de partage. dans l’IA ainsi qu’une claire identification des responsabilités (cf. la
voiture autonome en cours d’expérimentation et de mise au point).
Pour ce qui concerne la responsabilité civile, une adaptation du
On assiste actuellement de ce fait à un accroissement considérable
dispositif est nécessaire. Sur l’aspect financier, on escompte que
des investissements privés en intelligence artificielle par les indus-
la conduite autonome permettra de diminuer la fréquence et la
triels du domaine : Google, Facebook, IBM, Microsoft, Amazon,
gravité des accidents. Maintenir le principe d’une couverture
Adobe, Yandex, Baidu... Les startups ont également proliféré dans le
obligatoire par les assurances est donc tout à fait envisageable.
monde entier. Elles sont ainsi en 2021 14 fois plus nombreuses qu’en
Pour ce qui concerne la responsabilité pénale, la question demande l’an 2000 en Amérique du Nord, selon l’index de l’IA de l’Université de
également une réponse, mais elle n’est au fond pas si éloignée de Stanford. Leur nombre total est de plus de 1 700 dans le monde. Le
questions déjà jugées, relatives à la responsabilité pour faute des chiffre d’affaires de l’IA si situe autour de 2 milliards de dollars améri-
concepteurs et fabricants de systèmes automatisés quand ces sys- cains en 2018 (et pourrait atteindre près de 90 milliards en 2024,
tèmes présentent des défauts. De tels systèmes sont déjà présents à d’après le cabinet d’analyse Tractica), tandis que plus de 55 000 bre-
bord des véhicules, comme l’ABS ou le freinage automatique d’urgence, vets, relatifs à l’IA au sens large, ont été déposés et que plus de 130
et ont fait l’objet de procès. 000 publications scientifiques ont été publiées cette même année,
selon l’Organisation Mondiale de la Propriété Industrielle, OMPI.
Parallèlement, les acteurs institutionnels de la recherche lancent de
6.5 Premier bilan grands projets : en Europe, aux États-Unis (cf. le projet Quest for Intel-
ligence du MIT tendant à coupler la compréhension de ce que sont
La réflexion sur l’éthique des machines est essentielle. Le projet l’intelligence et la réalisation de nouveaux systèmes utiles à l’huma-
Moral Machine du MIT est un exemple intéressant. Ce projet tend à nité, ou encore la création du Joint Artificial Intelligence Center par le
étudier les réactions du grand public devant le problème complexe de Ministère de la Défense dans le cadre des National Mission Initiatives,
la distribution du risque par les véhicules autonomes. L’irruption de grands projets s’attaquant aux grands défis actuels, intégrant les
l’IA dans le quotidien soulève des questions importantes relatives à la aspects éthiques et humanitaires des recherches).
nuisance des systèmes d’IA (cf. lois d’Asimov pour les robots), au sta-
La montée en puissance de l’IA pose la question des conséquences
tut moral des machines, à la détermination de responsabilités et aux
en matière d’emploi. L’IA permet d’automatiser de nombreuses
propriétés requises d’un système du fait de son rôle social et médical
tâches répétitives. Nous assistons à une évolution importante du tra-
potentiel : prédictibilité, transparence à l’inspection…
vail car l’IA supprimera ou transformera très certainement des
On peut imaginer une IA éthique « par conception » qui pren- métiers dans de nombreux secteurs d’activité, tout en nécessitant une
drait en compte les considérations éthiques dans toute la chaîne, évolution forte des qualifications (dans la maintenance, la gestion des
depuis la conception d’un produit jusqu’à l’usager. Pour cela il données, la création assistée, etc.) et des compétences, y compris
faut intégrer la dimension éthique dans la formation dès les pour des métiers qui sont encore à imaginer.
P
O
U
Introduction à l’intelligence R
artificielle
E
par Jean-Paul HATON
N
Professeur émérite
LORIA – Institut Universitaire de France – Université de Lorraine – Nancy, France
S
Sources bibliographiques A
[1] HATON (J.-P.) et al. – Le raisonnement en in-
telligence artificielle - Modèles, techniques et
architectures pour les systèmes à bases de
[4] HATON (J.-P.). – La parole numérique,
Académie Royale de Belgique, Collection
Poche, n° 79 (2016).
[7] MINSKY (M.) et PAPERT (S.). – Perceptrons :
an introduction to computational geometry,
Cambridge (1969).
V
[2]
connaissances, InterEditions (1991).
TURING (A.). – Computing Machinery and

[5] CHANDRA (V.) et HAREENDRAN (A.). – Arti-
ficial Intelligence and Machine Learning, PHI
[8] European Commission. – On Artificial Intelli-
gence – A European approach to excellence
O
Learning, 2014. and trust. Livre blanc (2020). https://
[3]
Intelligence, Mind, 49, pp. 433-460 (1950).
LE CUN (Y.) et al. – Deep learning, Nature,

[6] RUSSELL (S.) et NORWIG (P.). – Artificial
Intelligence: A Modern Approach (3d edi-
ec.europa.eu/info/sites/default/files/commis-
sion-white-paper-artificial-intelligence-feb2020_
I
vol. 521, pp. 436-444 (2015). tion), Pearson (2015). en.pdf
R
À lire également dans nos bases
FAUGEROUX (O.), GRIEU (S.), TRAORE (A.),

BODNAR (J.-L.) et CLAUDET (B.). – Outils de
MOUTARDE (F.). – Apprentissage statistique non
supervisé [H 5 012] Innovations technologiques,
TESSIER (C.). – Conception et usage des robots :
quelques questions éthiques [S 7 900] Automa-
P
l’intelligence artificielle appliqués au CND
[R 1 403] Mesures-Analyses, Contrôle non des-
tructif (2013).
Innovations en électronique et TIC (2020).
ARTIERES (T.). – Reconnaissance de formes
tique-robotique. Robotique (2016).
BONNIFAIT (P.) et ZINOUNE (C.). – Introduction aux
techniques de navigation autonome pour les
L
[AF 1 510] Technologies de l’information. Tech-
HATON (J.P.). – Reconnaissance automatique de
la parole [H 3 728] Technologies de l’informa-
nologies logicielles. Architecture des systèmes
(2011).
véhicules intelligents [S 7 819] Technologies de
l’information. Technologies radar et applica-
tions (2021).
U
tion. Documents numériques, gestion de DEFOUR (D.) et ETIEMBLE (D.). – Processeurs gra-
contenu (2018).
CANU (S.). – Machines à noyaux pour l’apprentis-
phiques totalement programmables (GPU)
[H 1 013] Technologies de l’information. Techno-
ETIEMBLE (D.). – Supports matériels pour les
réseaux neuronaux profonds [H 1 098] Techno- S
sage statistique [TE 5 255] Technologies de l’in- logies logicielles. Architecture des systèmes logies de l’information. Technologies logicielles.
formation, Technologies logicielles, architec- (2011). Architecture des systèmes (2021).
ture des systèmes (2007). SONDECK (L.P.). – Anonymisation des données,
MOUTARDE (F.). – Apprentissage statistique super- une nécessité à l’ère du RGPD [H 5 537] Tech-
visé [H 5 010] Innovations technologiques, nologies de l’information. Sécurité des sys-
Innovations en électronique et TIC (2019). tèmes d’information (2019).
Revues
8 - 2021
AI Magazine (USA) Journal of Intelligent Manufacturing (GB)

Artificial Intelligence (NL) IEEE Transactions on Neural Networks and Learning Systems (USA)
Bulletin de l’AFIA, Association Française d’Intelligence Artificielle (F) Neural Networks (GB)
IEEE Transactions on Knowledge and Data Engineering (USA) IEEE Transactions on Pattern Analysis and Machine Intelligence (USA)
Doc. H 3 720
Sites Internet
AFIA Association Française d’IA : https://afia.asso.fr/ ENNS European Neural Network Association : https://e-nns.org/
ECCAI European Coordinating Committee for Artificial Intelligence : https:/ International Neural Network Society INNS : https://www.inns.org/
/eccai.org/
AAAI Association for the Advancement of Artificial Intelligence : https://
www.aaai.org/
Copyright © – Techniques de l’Ingénieur – Tous droits réservés Doc. H 3 720 – 1
Gagnez du temps et sécurisez vos projets
en utilisant une source actualisée et fiable
   
RÉDIGÉE ET VALIDÉE MISE À JOUR 100 % COMPATIBLE SERVICES INCLUS
PAR DES EXPERTS PERMANENTE SUR TOUS SUPPORTS DANS CHAQUE OFFRE
NUMÉRIQUES
 + de 340 000 utilisateurs chaque mois

12 000 articles de référence et fiches pratiques
 + de 10
 Des Quiz interactifs pour valider la compréhension
SERVICES ET OUTILS PRATIQUES
  
Questions aux experts* Articles Découverte Dictionnaire technique multilingue Archives Info parution
Les meilleurs experts techniques La possibilité de consulter 45 000 termes en français, anglais, Technologies anciennes et versions Recevez par email toutes les nouveautés
et scientifiques vous répondent des articles en dehors de votre offre espagnol et allemand antérieures des articles de vos ressources documentaires
*Questions aux experts est un service réservé aux entreprises, non proposé dans les offres écoles, universités ou pour tout autre organisme de formation.
Les offres Techniques de l’Ingénieur

INNOVATION ENVIRONNEMENT – SÉCURITÉ ÉLECTRONIQUE – PHOTONIQUE PROCÉDÉS CHIMIE – BIO – AGRO
• Éco-conception et innovation responsable • Sécurité et gestion des risques • Électronique • Formulation
• Nanosciences et nanotechnologies • Environnement • Technologies radars et applications • Bioprocédés et bioproductions
• Innovations technologiques • Génie écologique • Optique – Photonique • Chimie verte
• Management et ingénierie de l’innovation • Technologies de l’eau • Opérations unitaires. Génie de la réaction
• Smart city  Ville intelligente • Bruit et vibrations TECHNOLOGIES DE L’INFORMATION chimique
• Métier : Responsable risque chimique • Sécurité des systèmes d’information • Agroalimentaire
MATÉRIAUX • Métier : Responsable environnement • Réseaux Télécommunications
• Bois et papiers • Le traitement du signal et ses applications SCIENCES FONDAMENTALES
• Verres et céramiques ÉNERGIES • Technologies logicielles – Architectures des • Mathématiques
• Textiles • Hydrogène systèmes • Physique Chimie
• Corrosion – Vieillissement • Ressources énergétiques et stockage • Sécurité des systèmes d’information • Constantes physico-chimiques
• Études et propriétés des métaux • Froid industriel • Caractérisation et propriétés de la matière
• Mise en forme des métaux et fonderie • Physique énergétique AUTOMATIQUE – ROBOTIQUE
• Matériaux fonctionnels. Matériaux biosourcés • Thermique industrielle • Automatique et ingénierie système BIOMÉDICAL – PHARMA
• Traitements des métaux • Génie nucléaire • Robotique • Technologies biomédicales
• Élaboration et recyclage des métaux • Conversion de l’énergie électrique • Médicaments et produits pharmaceutiques
• Plastiques et composites • Réseaux électriques et applications INGÉNIERIE DES TRANSPORTS
• Véhicule et mobilité du futur CONSTRUCTION ET TRAVAUX PUBLICS
MÉCANIQUE GÉNIE INDUSTRIEL • Systèmes aéronautiques et spatiaux • Droit et organisation générale de la construction
• Frottement, usure et lubrification • Industrie du futur • Systèmes ferroviaires • La construction responsable
• Fonctions et composants mécaniques • Management industriel • Transport fluvial et maritime • Les superstructures du bâtiment
• Travail des matériaux – Assemblage • Conception et production • Le second œuvre et l’équipement du bâtiment
• Machines hydrauliques, aérodynamiques et • Logistique MESURES – ANALYSES • Vieillissement, pathologies et réhabilitation du
thermiques • Métier : Responsable qualité • Instrumentation et méthodes de mesure bâtiment
• Fabrication additive – Impression 3D • Emballages • Mesures et tests électroniques • Travaux publics et infrastructures
• Maintenance • Mesures mécaniques et dimensionnelles • Mécanique des sols et géotechnique
• Traçabilité • Qualité et sécurité au laboratoire • Préparer la construction
• Métier : Responsable bureau d’étude / conception • Mesures physiques • L’enveloppe du bâtiment
• Techniques d’analyse • Le second œuvre et les lots techniques
• Contrôle non destructif
www.techniques-ingenieur.fr
 CONTACT : Tél. : + 33 (0)1 53 35 20 20 - Fax : +33 (0)1 53 26 79 18 - E-mail : [email protected]
OFFRE
Technologies logicielles Architectures des systèmes
Traiter, acheminer et sécuriser l'information : un enjeu économique et stratégique décisif pour l'entreprise
Ref : TIP402WEB
Une analyse détaillée des systèmes d'exploitation, des langages de programmation et des techniques de production du
logiciel,
Les concepts et fondements en matière de gestion de bases de données et les stratégies de conception des systèmes
d'information,
Un panorama complet des protocoles de communication, de l'architecture de systèmes et des techniques de sécurisation
des réseaux,
Des outils pour améliorer la performance des processeurs et des systèmes.
TIP402WEB Technologies logicielles Architectures des systèmes 2 165 € 1 2 165 €
2 165 €
119,08 €
2 284,08 €

Livre - Blanc - Introduction A Lintelligence Artificielle

Transféré par

Droits d'auteur :

Formats disponibles

Livre - Blanc - Introduction A Lintelligence Artificielle

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Livre - Blanc - Introduction A Lintelligence Artificielle

Transféré par

Droits d'auteur :

Formats disponibles

Réf.

Cet article est issu de : Technologies de l'information | Technologies logicielles

par Jean-Paul HATON

Pour toute question :

1. Intelligence naturelle … et artificielle ............................................... H 3 720 - 2

Copyright © – Techniques de l’Ingénieur – Tous droits réservés H 3 720 – 1

INTRODUCTION À L’INTELLIGENCE ARTIFICIELLE __________________________________________________________________________________________

H 3 720 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

__________________________________________________________________________________________ INTRODUCTION À L’INTELLIGENCE ARTIFICIELLE

Copyright © – Techniques de l’Ingénieur – Tous droits réservés H 3 720 – 3

INTRODUCTION À L’INTELLIGENCE ARTIFICIELLE __________________________________________________________________________________________

3.3 Apprentissage numérique

encore rencontrés, grâce aux bonnes propriétés des modèles

H 3 720 – 4 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

__________________________________________________________________________________________ INTRODUCTION À L’INTELLIGENCE ARTIFICIELLE

hiérarchisation, etc.), notamment dans le domaine de la reconnais-

Copyright © – Techniques de l’Ingénieur – Tous droits réservés H 3 720 – 5

INTRODUCTION À L’INTELLIGENCE ARTIFICIELLE __________________________________________________________________________________________

H 3 720 – 6 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

__________________________________________________________________________________________ INTRODUCTION À L’INTELLIGENCE ARTIFICIELLE

Carte Carte Carte

Convolutions échantillonnage Convolutions

Figure 3 – Exemple de réseau neuronal convolutif

Copyright © – Techniques de l’Ingénieur – Tous droits réservés H 3 720 – 7

INTRODUCTION À L’INTELLIGENCE ARTIFICIELLE __________________________________________________________________________________________

H 3 720 – 8 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

__________________________________________________________________________________________ INTRODUCTION À L’INTELLIGENCE ARTIFICIELLE

Copyright © – Techniques de l’Ingénieur – Tous droits réservés H 3 720 – 9

INTRODUCTION À L’INTELLIGENCE ARTIFICIELLE __________________________________________________________________________________________

H 3 720 – 10 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

TURING (A.). – Computing Machinery and

LE CUN (Y.) et al. – Deep learning, Nature,

FAUGEROUX (O.), GRIEU (S.), TRAORE (A.),

AI Magazine (USA) Journal of Intelligent Manufacturing (GB)

Copyright © – Techniques de l’Ingénieur – Tous droits réservés Doc. H 3 720 – 1

 + de 340 000 utilisateurs chaque mois

SERVICES ET OUTILS PRATIQUES

Les offres Techniques de l’Ingénieur

TIP402WEB Technologies logicielles Architectures des systèmes 2 165 € 1 2 165 €

Vous aimerez peut-être aussi