exposé IA

« Aujourd’hui, l’intelligence artificielle est partout dans notre quotidien : dans nos téléphones, nos voitures, sur Internet, et même à l’hôpital.

Mais derrière cette technologie impressionnante, une question se pose : comment ces machines peuvent-elles apprendre à accomplir des tâches complexes, comme reconnaître un visage ou traduire un texte, sans qu’on leur dise exactement comment faire ? Contrairement aux programmes informatiques classiques qui suivent des règles écrites à l’avance, les intelligences artificielles les plus modernes apprennent par elles-mêmes, à partir d’exemples.

C’est ce qu’on appelle l’apprentissage automatique, ou machine learning. Dans cet exposé, nous allons essayer de comprendre comment une intelligence artificielle apprend. Pour cela, nous verrons d’abord le principe général de l’apprentissage automatique, puis le fonctionnement d’un réseau de neurones, qui est le cœur de nombreuses IA modernes.

Enfin, nous aborderons les limites et les défis que pose cet apprentissage. Pour commencer, il faut bien comprendre que l’intelligence artificielle moderne ne fonctionne pas comme un programme classique. Dans un programme traditionnel, un humain écrit une suite d’instructions très précises que l’ordinateur suit à la lettre.

Par exemple, on peut écrire un programme qui dit : "Si le feu est rouge, je m’arrête ; si le feu est vert, je passe." Mais cela devient vite impossible pour des tâches plus complexes, comme reconnaître un visage ou comprendre une phrase.

Il y aurait trop de règles à écrire, et ce serait beaucoup trop compliqué. C’est là qu’intervient l’apprentissage automatique, ou machine learning.

Au lieu de programmer toutes les règles à l’avance, on va donner à la machine des exemples, et c’est elle qui va apprendre à repérer des régularités dans ces données. Prenons un exemple simple : imaginons que l’on veuille qu’une IA reconnaisse si une photo montre un chat ou un chien.

On ne va pas lui expliquer ce qu’est un museau, des moustaches ou des oreilles pointues.

On va simplement lui montrer des milliers d’images, en indiquant à chaque fois s’il s’agit d’un chat ou d’un chien.

Petit à petit, l’IA va apprendre à distinguer des caractéristiques dans les images, comme les formes, les couleurs, ou les textures. Ce type d’apprentissage s’appelle l’apprentissage supervisé.

Cela veut dire que, pour chaque exemple donné à l’IA, on lui fournit aussi la bonne réponse.

Et à chaque fois qu’elle se trompe, elle ajuste son « raisonnement » pour essayer de faire mieux la prochaine fois. On peut comparer cela à un élève à qui on donne des exercices corrigés : il essaye, il se trompe, il regarde la correction, puis il recommence avec un autre exercice.

À force d’essais et d’erreurs, il progresse. Il existe aussi d’autres formes d’apprentissage automatique.

Par exemple, dans l’apprentissage non supervisé, on donne à l’IA des données sans réponse, et elle doit essayer de les regrouper ou de trouver des schémas par elle-même. Un autre cas intéressant est l’apprentissage par renforcement, utilisé par exemple dans les jeux vidéo ou la robotique.

Là, l’IA apprend par essaiserreurs, en recevant une récompense quand elle fait bien, et rien ou une punition quand elle se trompe — un peu comme dresser un animal. Dans tous les cas, l’idée est la même : l’IA n’est pas programmée pour résoudre une tâche, elle apprend à le faire grâce à l’expérience, comme un humain. Maintenant que nous avons vu que l’intelligence artificielle apprend à partir de données, intéressons-nous à l’un des outils les plus puissants utilisés aujourd’hui : le réseau de neurones artificiels. Comme son nom l’indique, un réseau de neurones s’inspire du fonctionnement du cerveau humain.

Dans notre cerveau, les neurones sont des cellules qui s’envoient des signaux.

De manière très simplifiée, un neurone reçoit des informations, les traite, puis transmet un signal à d’autres neurones. Les réseaux de neurones artificiels suivent un principe similaire, mais mathématique. Un neurone artificiel est une petite unité de calcul.

Il reçoit des informations en entrée (sous forme de nombres), les combine, applique une transformation, et donne un résultat.

Ce résultat est ensuite envoyé aux neurones de la couche suivante. On organise ces neurones en couches successives :  Une couche d’entrée, qui reçoit les données brutes (par exemple les pixels d’une image).  Une ou plusieurs couches cachées, où se font les calculs et les traitements.  Une couche de sortie, qui donne la réponse de l’IA (par exemple : « c’est un chat »). À chaque liaison entre deux neurones, il y a un poids : c’est un nombre qui représente l’importance que le neurone donne à une information.

Quand l’IA apprend, elle ajuste ces poids pour améliorer ses résultats. C’est un peu comme si, au début, elle ne savait pas quoi regarder dans l’image.

Mais à chaque erreur, elle se corrige un peu, et finit par repérer ce qui compte vraiment. Cette correction se fait grâce à un processus appelé rétropropagation de l’erreur.

À chaque prédiction, l’IA compare son résultat avec la bonne réponse.

Si elle s’est trompée, elle calcule l’erreur et utilise un algorithme pour ajuster tous les poids, de façon à réduire cette erreur la prochaine fois. Pour illustrer cela, prenons un exemple concret : la reconnaissance de chiffres manuscrits.

On utilise souvent une base de données appelée MNIST, qui contient des milliers d’images de chiffres écrits à la main. Chaque image est transformée.... »