Qu’est-ce que l’intelligence artificielle ?

Il n’existe pas de test universel qui permette de qualifier un logiciel d’« IA ». L’étiquette varie selon le contexte technique, historique et juridique. Une question plus utile n’est pas de savoir si une machine pense comme une personne, mais comment le système transforme une entrée en sortie, ce qui arrive à cette sortie et qui a choisi l’objectif.

Un modèle mental utile

Vous pouvez comprendre un système d’IA comme un ensemble de cinq éléments liés :

1. Objectif : Quel résultat le système doit-il contribuer à produire ?
2. Entrée : Quelles informations reçoit-il ?
3. Méthode : Comment déduit-il une sortie à partir de cette entrée ?
4. Sortie : Produit-il une prédiction, du contenu, une recommandation ou une décision ?
5. Conséquence : Comment une personne, un logiciel ou une machine utilise-t-il cette sortie ?

La méthode n’est qu’une partie du système. Il peut s’agir d’un ensemble de règles codées, d’un modèle d’IA construit à partir d’exemples, ou de plusieurs composants qui fonctionnent ensemble. L’objectif, les données, les seuils, l’interface et la supervision humaine influencent tous le résultat.

Objective and design choices
             │
             ▼
Input ──▶ AI method or model ──▶ Output ──▶ Decision or action ──▶ Effect
             ▲
             │
      Rules, examples,
     feedback, constraints

Ce schéma montre également pourquoi un modèle d’IA et un produit d’IA ne sont pas la même chose. Un modèle peut renvoyer un score ou générer du texte. Le système qui l’entoure décide quand appeler le modèle, quelles informations lui fournir, s’il faut accepter sa sortie et quelle action entreprendre.

Comment fonctionne l’IA

Un système d’IA commence par une tâche et une certaine définition d’un résultat utile. Cette définition peut être explicite, par exemple minimiser les alertes de fraude incorrectes. Elle peut aussi être partiellement implicite dans les exemples, les retours ou les choix de conception.

Le système représente ensuite l’entrée pertinente sous une forme que sa méthode peut traiter. Un système de reconnaissance d’images reçoit des valeurs de pixels. Un planificateur d’itinéraires reçoit des emplacements et des informations routières. Un système de langage reçoit du texte encodé. La représentation conserve certains détails et en perd d’autres ; elle influe donc déjà sur ce que le système peut faire.

La méthode associe l’entrée à une sortie. Dans un système fondé sur des règles, des personnes encodent les connaissances et les relations logiques. En apprentissage automatique, un processus d’entraînement ajuste un modèle afin que les régularités présentes dans les exemples l’aident à traiter de nouvelles entrées. De nombreux systèmes pratiques combinent des modèles appris avec des règles, de la recherche, des bases de données et des décisions humaines.

Lorsqu’un modèle déployé traite une nouvelle entrée, il effectue une inférence. Son résultat peut être une catégorie, un score numérique, un passage généré ou une action proposée. Une couche distincte peut ensuite appliquer des règles métier, des contrôles de sécurité ou une vérification humaine avant que quoi que ce soit ne change dans le monde réel.

Enfin, le système doit être évalué dans son contexte réel. Une sortie utile pour un objectif peut être nuisible pour un autre. Une suggestion médicale et une recommandation de film n’exigent ni les mêmes preuves, ni le même niveau de vérification, ni la même tolérance à l’erreur. Les performances lors d’un test ne garantissent pas non plus que les entrées, les personnes ou les conditions resteront identiques après le déploiement.

Un exemple concret

Prenons le cas d’un service de messagerie qui cherche à empêcher les courriers indésirables d’atteindre votre boîte de réception sans masquer les messages légitimes.

L’objectif n’est pas simplement de « bloquer les courriers indésirables ». Il consiste à intercepter les messages indésirables tout en limitant les faux positifs — c’est-à-dire les messages réels marqués à tort comme indésirables.

L’entrée est un message reçu et les signaux dont dispose le service, comme son texte, les informations sur l’expéditeur, les liens et les caractéristiques des pièces jointes.

La méthode peut inclure un modèle ayant appris des régularités à partir de messages précédemment étiquetés. Elle peut également comprendre des règles fixes pour les expéditeurs connus comme malveillants ou les types de fichiers dangereux.

Supposons que le modèle attribue à un message un score de spam de 0,94. Ce nombre est la sortie. Il ne constitue pas un fait sur le message et ne représente pas nécessairement une probabilité bien calibrée.

Le service a choisi 0,90 comme seuil pour déplacer les messages vers les indésirables. Comme 0,94 est supérieur à ce seuil, le logiciel environnant entreprend l’action. L’effet est que vous ne voyez pas le message dans votre boîte de réception.

Modifions maintenant uniquement le seuil, en le faisant passer de 0,90 à 0,95. La même sortie du modèle ne déplace alors plus le message. Le produit se comporte différemment, même si le modèle n’a pas changé.

C’est la distinction essentielle : le composant d’IA a déduit un score à partir de l’entrée. Des personnes et des logiciels conventionnels ont décidé de la manière dont ce score vous affecterait. Un retour tel que « pas un spam » peut être enregistré pour une mise à jour ultérieure, mais le système ne se réécrit pas nécessairement au moment où vous cliquez dessus.

Pourquoi l’IA est importante

Les logiciels ordinaires sont excellents lorsque les personnes peuvent spécifier à l’avance tous les cas importants. Les méthodes d’IA deviennent utiles lorsque les entrées varient trop, que les régularités pertinentes sont difficiles à exprimer sous forme d’instructions complètes ou que le système doit choisir entre des résultats incertains.

L’IA est donc utile pour des tâches telles que la reconnaissance vocale, le classement des résultats de recherche, la détection de transactions inhabituelles, la recommandation d’articles, la planification d’itinéraires et la génération de contenus multimédias. Ces tâches sont différentes, mais chacune peut être décrite comme un système qui déduit une sortie à partir d’une entrée pour atteindre un objectif.

Cette flexibilité crée aussi des risques. Un système d’IA peut reproduire des régularités qui ne devraient pas l’être, échouer face à des entrées inconnues ou optimiser un objectif mesurable qui ne correspond pas aux besoins réels des personnes. Sa sortie peut également être utilisée à une échelle ou dans un contexte qui modifie les dommages causés par une erreur. Évaluer uniquement le modèle revient à ignorer ces choix au niveau du système.

Idées reçues courantes

L’IA signifie un chatbot ou un grand modèle de langage

Un chatbot est une interface produit, et un grand modèle de langage est un type de modèle. L’IA est le domaine plus vaste. Elle comprend également des systèmes de perception, de planification, de prédiction, de contrôle, de recommandation et d’autres tâches.

L’IA et l’apprentissage automatique, c’est la même chose

L’apprentissage automatique est une approche majeure de l’IA, mais ce n’est pas un synonyme de celle-ci. Le domaine de l’IA possède également une longue tradition de logique, de recherche, de planification et de méthodes fondées sur les connaissances. Les produits modernes combinent souvent plusieurs approches.

L’IA doit penser comme une personne

Qualifier un système d’IA ne signifie pas qu’il est conscient, qu’il a conscience de lui-même ou qu’il raisonne de manière humaine. Les définitions se concentrent généralement sur les capacités ou le comportement. Un système peut effectuer une tâche extrêmement bien et échouer dans de nombreuses choses qu’une personne trouve faciles.

L’IA apprend automatiquement de chaque interaction

Certains systèmes s’adaptent après leur déploiement, mais beaucoup ne le font pas. Un modèle déployé reste souvent inchangé jusqu’à ce que ses développeurs recueillent des données, évaluent une nouvelle version et publient une mise à jour. Enregistrer les retours et apprendre à partir de ceux-ci sont deux étapes distinctes.

L’IA est objective parce qu’elle utilise les mathématiques

Les personnes choisissent les objectifs, les exemples, les étiquettes, les mesures, les seuils et les règles de déploiement. Ces choix peuvent intégrer des hypothèses incomplètes ou des valeurs divergentes. Les mathématiques rendent une méthode formelle ; elles ne suppriment pas le jugement.

Toute automatisation est de l’IA

Un script fixe qui copie une valeur d’un champ à un autre est une automatisation, mais peu de définitions le qualifieraient d’IA. Les cas plus complexes font débat. L’IA historique comprend les systèmes experts fondés sur des règles, tandis que les définitions actuelles des politiques publiques exigent souvent une inférence allant au-delà de l’exécution basique de règles entièrement spécifiées par des personnes. L’étiquette correcte peut donc dépendre de la raison pour laquelle cette distinction est importante.

La place de l’IA dans le système plus large

L’IA est le concept le plus général d’une famille de termes apparentés.

• L’ est une approche de l’IA qui construit un comportement à partir de données ou de l’expérience.
• Un réseau neuronal est une famille de modèles couramment utilisée en apprentissage automatique.
• Un modèle d’IA est le composant qui associe une entrée à une sortie ; il ne constitue pas nécessairement le produit complet.
• L’ produit de nouveaux contenus tels que du texte, des images, de l’audio ou des vidéos.
• Un chatbot d’IA enveloppe un ou plusieurs modèles dans une interface conversationnelle et une logique produit.
• Un agent d’IA utilise l’IA au sein d’un système capable de choisir et d’exécuter des étapes pour atteindre un objectif.

Ces catégories ne constituent pas une échelle allant de « moins intelligent » à « plus intelligent ». Elles décrivent différentes méthodes, différents composants, différentes sorties et différentes conceptions de systèmes.

Pour aller plus loin

Lisez Qu’est-ce que l’apprentissage automatique ? pour comprendre l’approche qui sous-tend une grande partie de l’IA moderne. Lisez ensuite Qu’est-ce qu’un modèle d’IA ? pour distinguer un modèle du système plus vaste qui l’utilise. Si vous vous intéressez aux systèmes qui créent du texte, des images, de l’audio ou des vidéos, poursuivez avec Qu’est-ce que l’IA générative ?.