De quoi est-il question ?
Il est question de l’utilisation de systèmes informatiques « intelligents » dans des domaines d’application concrets. Les systèmes dotés d’une intelligence artificielle (IA) (angl.: artificial intelligence AI) reposent sur des méthodes d’apprentissage automatique de l’informatique, des mathématiques ainsi que sur ce qu’on appelle les « réseaux neuronaux » (RN). Ce niveau de performance n’a été rendu possible que grâce aux excellentes possibilités de calcul actuelles.
Les méthodes d’apprentissage automatique servent à détecter des modèles récurrents dans les données, à reconnaître les régularités ou à classifier les données. Cela peut se faire sur la base de règles, à l’aide des mathématiques (p.ex. des méthodes statistiques) ou par des réseaux neuronaux (RN) (« Deep Learning Systems »).
Dans le « supervised learning », l’expert (être humain) fournit à la machine des informations sur le succès de l’apprentissage tout au long du processus d’apprentissage. De telles approches exigent un objectif défini pour le résultat analytique souhaité, c’est-à-dire une sorte de « réalité fondamentale ». L’expert doit déterminer quelles données contribuent au résultat et lesquelles n’y contribuent pas.
Ceci donne des exigences importantes dans le but de générer des données d’apprentissage pour les algorithmes liés à l’IA ; donc, une grande quantité de données d’apprentissage appropriées et fiables étant donné que sinon elles seront assimilées par le système IA (problème associé des données d’apprentissage).
Au niveau du « unsupervised learning », une «réalité fondamentale» concernant les données d’exercice n’est pas indispensable. À ce niveau, le système n’apprend que des modèles sans pour autant reconnaître la signification dans un contexte global. De ce fait, un algorithme lié à l’IA peut reconnaître un « état normal » d’un système et détecter ensuite dans une entreprise les déviations - anomalies.
« Reinforcement learning » est une troisième approche fondamentale de l’IA. Cela implique des réseaux neuronaux (RN) préformés, qui sont ensuite liés à des données réelles.
Informations complémentaires
Il est fondamentalement important que l’IA soit considérée comme un sujet scientifique ; c’est-à-dire qu’il faut d’abord déterminer quelles sont les données disponibles indispensables pour une tâche définie et comment ces données peuvent être générées. Il faut ensuite utiliser des méthodes et des outils appropriés pour préparer les données ou pour générer des données spéciales (Feature Extraction). Sur cette base, il s’agira d’identifier des méthodes d’apprentissage efficaces et de les évaluer, donc des règles, des méthodes mathématiques ou des RN. En outre, des données appropriées, de formation et de tests sont indispensables. Il convient de noter que les systèmes d’IA basés sur RN ne sont plus vérifiables de manière déterministe, ce qui signifie qu’il faut « faire confiance » au résultat de l’analyse effectuée par la machine. Cela crée des problèmes particuliers lorsqu’il s’agit de systèmes très fiables avec des exigences de sécurité ou des approches éthiques (p.ex., vous obtenez des résultats très douteux si vous utilisez simplement les données de test générées par Google Translate pour former un système d’IA). Huit domaines sectoriels importants sont déterminants pour une utilisation efficace des systèmes d’IA, dont chacun doit être conçu en conséquence :
- Domaines d’application - Marchés (Application Fields – Markets)
- Sources de données (Data Sources)
- Objectifs du déploiement de l’AI (AI Objectives)
- Conditions d’exploitation de l’IA (sécurité des méthodes liées à l’IA, tester et vérifier)
- Données d’apprentissage de l’IA/vérité fondamentale
- Outils Data Science (outils de gestion et de traitement des données)
- Technologies d’IA - savoir-faire et recherche fondamentale (mathématiques, diverses architectures RN, etc.)
- Plateformes HW
L’intelligence artificielle expliquée en 5 minutes
