Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.
Accéder à

Qu'est-ce que l'intelligence artificielle (IA) ?

L'intelligence artificielle (IA) est un ensemble de technologies qui permettent aux ordinateurs d'exécuter diverses fonctions avancées, y compris la capacité à visualiser, comprendre et traduire le langage parlé et écrit, à analyser des données, à faire des recommandations, etc. 

L'IA est au cœur de l'innovation au sein de l'informatique moderne. Elle permet aux utilisateurs et aux entreprises de dégager de la valeur en contribuant à l'automatisation des processus et en fournissant des insights sur des ensembles de données volumineux. De nombreux cas d'utilisation de l'IA font leur apparition, des robots capables de parcourir un entrepôt seul aux systèmes de cybersécurité qui s'analysent et s'améliorent en permanence, en passant par des assistants virtuels capables de comprendre ce que disent les individus et d'agir en fonction de ces informations. Le machine learning (ML) est un sous-ensemble de l'IA particulièrement important dans lequel les machines créent des modèles basés sur des données d'entraînement, généralement pour générer des prédictions plus précises. 

Pour en savoir plus sur le machine learning, découvrez les produits d'IA de Google Cloud, y compris Vertex AI, la plate-forme unifiée de Google pour l'entraînement, le déploiement et la gestion des modèles de machine learning ; des API telles que Speech-to-Text ; CCAI pour l'automatisation des centres d'appels et les agents virtuels ; ainsi que des solutions sectorielles pour de nombreux domaines comme la santé et les prêts.

Définition de l'intelligence artificielle

L'intelligence artificielle est un domaine scientifique qui vise à créer des ordinateurs et des machines capables de raisonner, d'apprendre et d'agir d'une manière qui nécessiterait normalement l'intelligence humaine ou qui implique des données dont l'échelle dépasse ce que les humains peuvent analyser. 

L'IA est un vaste domaine qui couvre un large éventail de sujets, y compris l'informatique, l'analyse de données et les statistiques, l'ingénierie matérielle et logicielle, la linguistique, les neurosciences, et même la philosophie et la psychologie. 

Au niveau opérationnel pour les entreprises, l'IA correspond à un ensemble de technologies basées principalement sur le machine learning et le deep learning, utilisées pour l'analyse de données, les prédictions et les prévisions, la catégorisation des objets, le traitement du langage naturel, les recommandations, la récupération intelligente de données, etc.

Types d'intelligences artificielles

L'intelligence artificielle peut être organisée de plusieurs manières, selon les étapes de développement ou les actions réalisées. 

Par exemple, quatre étapes de développement de l'IA sont communément reconnues.

  1. Machines réactives : IA limitée qui ne réagit qu'à différents types de stimuli en fonction de règles préprogrammées. Ne consomme pas de mémoire et ne peut donc pas apprendre avec de nouvelles données. Le superordinateur Deep Blue d'IBM, qui a battu le champion d'échecs Garry Kasparov en 1997, a été un exemple de machine réactive.
  2. Mémoire limitée : l'IA la plus moderne est considérée comme une mémoire limitée. Elle peut utiliser la mémoire pour s'améliorer au fil du temps en s'entraînant avec de nouvelles données, généralement via un réseau de neurones artificiel ou un autre modèle d'entraînement. Le deep learning, un sous-ensemble du machine learning, est considéré comme une intelligence artificielle limitée en mémoire.
  3. Théorie des machines mentales : cette IA n'existe pas encore, mais les recherches se poursuivent dans cette éventualité. Il s'agit d'une IA capable d'émuler l'esprit humain et dotée de capacités décisionnelles égales à celles d'un être humain, y compris en reconnaissant et en mémorisant les émotions et en réagissant dans des situations sociales comme le ferait un être humain. 
  4. Machines à prise de conscience de soi : cette IA se situe un cran au-dessus de la théorie des machines mentales, et décrit une machine inventée qui a conscience de sa propre existence et possède les capacités intellectuelles et émotionnelles d'un être humain. Comme pour la théorie des machines mentales, les machines à prise de conscience de soi n'existent pas encore.

Il est plus utile de catégoriser globalement les types d'intelligence artificielle en fonction de ce que la machine peut faire. Tout ce que nous appelons actuellement intelligence artificielle est considéré comme une intelligence artificielle étroite, car elle ne peut effectuer que des ensembles restreints d'actions en fonction de sa programmation et de son entraînement. Par exemple, un algorithme d'IA utilisé pour la classification d'objets ne pourra pas traiter le langage naturel. La recherche Google est une forme d'IA étroite, tout comme l'analyse prédictive ou les assistants virtuels.

L'intelligence générale artificielle (IGA) serait la capacité d'une machine à "sentir, réfléchir et agir" à la manière d'un humain. L'IGA n'existe pas encore. L'étape suivante correspondrait à la superintelligence artificielle (SIA), dans laquelle la machine pourrait fonctionner de façon supérieure à un humain. 

Modèles d'entraînement de l'intelligence artificielle

Lorsque les entreprises parlent d'IA, elles évoquent souvent des "données d'entraînement". Mais de quoi s'agit-il ? Rappelez-vous que l'intelligence artificielle à mémoire limitée est une IA qui s'améliore au fil du temps en s'entraînant avec de nouvelles données. Le machine learning est un sous-ensemble de l'intelligence artificielle qui utilise des algorithmes pour entraîner des données afin d'obtenir des résultats.

Dans les grandes lignes, trois types de modèles d'apprentissage sont souvent utilisés dans le machine learning :

L'apprentissage supervisé est un modèle de machine learning qui mappe une entrée spécifique à une sortie à l'aide de données d'entraînement étiquetées (données structurées). En d'autres termes, pour entraîner l'algorithme à reconnaître des images de chats, il faut lui fournir des images étiquetées comme étant des chats.

L'apprentissage non supervisé est un modèle de machine learning qui apprend les tendances à partir de données sans étiquette (données non structurées). Contrairement à l'apprentissage supervisé, le résultat final n'est pas connu à l'avance. En effet, l'algorithme apprend à partir des données et les classe par groupes en fonction d'attributs. Par exemple, l'apprentissage non supervisé est efficace pour établir une correspondance de modèles et décrire la modélisation descriptive. 

En plus de l'apprentissage supervisé et non supervisé, une approche mixte appelée apprentissage partiellement supervisé est souvent utilisée. Lors de celle-ci, seules certaines données sont étiquetées. Dans l'apprentissage partiellement supervisé, le résultat final est connu, mais l'algorithme doit trouver comment organiser et structurer les données afin d'obtenir les résultats souhaités.

L'apprentissage par renforcement est un modèle de machine learning qui peut être décrit globalement comme "l'apprentissage par la pratique". Un "agent" apprend à exécuter une tâche définie de manière empirique (boucle de rétroaction) jusqu'à ce que ses performances se situent dans une plage souhaitée. L'agent reçoit un renforcement positif lorsqu'il effectue bien la tâche, et un renforcement négatif lorsqu'il se trompe. Un exemple d'apprentissage par renforcement consiste à apprendre à un robot à ramasser une balle. 

Types de réseaux de neurones artificiels les plus courants

Parmi les types de modèles d'entraînement d'IA courants, on peut citer le réseau de neurones artificiel, qui s'appuie librement sur le cerveau humain. 

Un réseau de neurones est un système de neurones artificiels (parfois appelés perceptrons) qui sont des nœuds de calcul utilisés pour classer et analyser des données. Les données sont insérées dans la première couche d'un réseau de neurones. Chaque perceptron prend une décision, puis transmet ces informations à plusieurs nœuds de la couche suivante. Les modèles d'entraînement avec plus de trois couches sont appelés "réseaux de neurones profonds" ou "deep learning". Certains réseaux de neurones modernes ont des centaines, voire des milliers de couches. Le résultat des perceptrons finaux permet d'exécuter l'ensemble de tâches sur le réseau de neurones. Il peut par exemple s'agir de classer un objet ou d'identifier des tendances dans les données. 

Voici quelques-uns des types de réseaux de neurones artificiels les plus courants :

Les réseaux de neurones feedforward (FF) sont l'une des plus anciennes formes de réseaux de neurones. Les données circulent dans un sens à travers les couches de neurones artificiels jusqu'à leur sortie. À l'heure actuelle, la plupart des réseau de neurones feedforward sont considérés comme des "deep feedforward" contenant plusieurs couches (et plusieurs couches "masquées"). Les réseaux de neurones feedforward sont généralement associés à un algorithme de correction d'erreurs appelé "backpropagation" qui, en d'autres termes, commence par le résultat du réseau de neurones et revient au début, en trouvant les erreurs pour améliorer la précision du réseau de neurones. De nombreux réseaux de neurones simples, mais puissants sont des réseaux "deep feedforward".

Les réseaux de neurones récurrents (RNN) sont différents des réseaux de neurones récurrents, car ils utilisent généralement des données de séries temporelles ou impliquant des séquences. Contrairement aux réseaux de neurones feedforward, qui utilisent des pondérations dans chaque nœud du réseau, les réseaux de neurones récurrents disposent d'une "mémoire" de ce qui s'est produit au niveau de la couche précédente en tant que composant de la sortie de la couche actuelle. Par exemple, lorsqu'ils traitent du langage naturel, les RNN peuvent "garder à l'esprit" d'autres mots utilisés dans une phrase. Les RNN sont souvent utilisés pour la reconnaissance vocale, la traduction et l'affichage d'images de sous-titres. 

Le réseau de neurones récurrents à mémoire court terme et long terme (LSTM) est une forme avancée de RNN qui peut utiliser la mémoire pour "se souvenir" de ce qui s'est passé aux couches précédentes. La différence entre les RNN et le LTSM tient dans le fait que le LTSM peut mémoriser ce qui s'est passé il y a plusieurs couches grâce à l'utilisation de "cellules mémoire". Les LSTM sont souvent utilisés pour la reconnaissance vocale et la prédiction. 

Les réseaux de neurones convolutifs (CNN) comptent parmi les réseaux de neurones les plus courants en termes d'intelligence artificielle moderne. Le plus souvent utilisés pour la reconnaissance d'images, les réseaux CNN utilisent plusieurs couches distinctes (une couche convolutive, puis une couche de pooling) qui filtrent différentes parties d'une image avant de les reconstituer (dans la couche entièrement connectée). Les couches convolutives précédentes peuvent rechercher des caractéristiques simples d'une image, comme les couleurs et les bords, avant de se diriger vers des caractéristiques plus complexes dans des couches supplémentaires.

Les réseaux antagonistes génératifs (GAN) impliquent deux réseaux de neurones qui s'affrontent dans un jeu qui, au final, améliore la précision des résultats. Un réseau (le générateur) crée des exemples, et l'autre réseau (le discriminateur) tente de prouver s'ils sont vrais ou faux. Les GAN ont été utilisés pour créer des images réalistes et même pour créer des œuvres d'art.

Avantages de l'IA

Automatisation

L'IA permet d'automatiser des workflows et des processus, ou de travailler de manière indépendante et autonome au sein d'une équipe humaine. Par exemple, l'IA peut vous aider à automatiser certains aspects de la cybersécurité en surveillant et en analysant le trafic réseau en continu. De même, une usine intelligente peut utiliser des dizaines de types d'IA différents, tels que des robots faisant appel à la vision par ordinateur pour se déplacer dans l'usine ou inspecter les produits pour détecter d'éventuels défauts, créer des jumeaux numériques ou produire des analyses en temps réel pour mesurer l'efficacité et la sortie.

Réduire les erreurs humaines

L'IA peut éliminer les erreurs manuelles dans le traitement des données, l'analyse, l'assemblage dans le secteur de l'industrie manufacturière et d'autres tâches grâce à l'automatisation et aux algorithmes qui suivent les mêmes processus à chaque fois.

Éliminer les tâches répétitives

L'IA peut être utilisée pour effectuer des tâches répétitives et permettre ainsi au capital humain de se concentrer sur des problèmes plus importants. L'IA peut servir à automatiser des processus, par exemple pour valider des documents, transcrire des appels téléphoniques ou répondre à des questions simples d'un client comme "À quelle heure fermez-vous ?". Les robots sont souvent utilisés pour effectuer des tâches "ennuyeuses, désagréables ou dangereuses" à la place d'un humain. 

Rapidité et précision

L'IA peut traiter plus d'informations plus rapidement qu'un humain, trouver des tendances et identifier les relations entre les données qu'un être humain peut manquer.

Disponibilité infinie

L'IA n'est pas limitée par l'heure de la journée, la nécessité de faire des pauses ou d'autres contraintes humaines. Lorsqu'ils sont exécutés dans le cloud, l'IA et le machine learning peuvent être "toujours actifs", ce qui permet de travailler en continu sur les tâches attribuées. 

Étude et développement accélérés

La capacité à analyser rapidement de grandes quantités de données peut accélérer les avancées dans la recherche et le développement. Par exemple, l'IA a été utilisée dans la modélisation prédictive de nouveaux traitements pharmaceutiques potentiels ou pour quantifier le génome humain. 

Relevez vos plus grands défis avec Google Cloud

Les nouveaux clients bénéficient de 300 $ de crédits offerts à dépenser sur Google Cloud.
Premiers pas
Contactez un spécialiste des ventes Google Cloud pour discuter plus en détail de votre propre défi.
Nous contacter

Applications et cas d'utilisation de l'intelligence artificielle

Reconnaissance vocale

Convertissez automatiquement la parole en texte.

Reconnaissance d'image

Identifiez et classez divers aspects d'une image.

Traduction

Traduisez des mots écrits ou parlés d'une langue à une autre.

Modélisation prédictive

Exploitez les données pour prévoir les résultats spécifiques avec un degré de précision élevé.

Analyse de données

Découvrez des tendances et des relations entre les données pour alimenter l'informatique décisionnelle.

Cybersécurité

Analysez de manière autonome les réseaux pour détecter les cyberattaques et les menaces.

Google propose un certain nombre de produits, solutions et applications d'intelligence artificielle sophistiqués sur une plate-forme cloud fiable. Cela permet aux entreprises de créer et mettre en œuvre facilement des algorithmes et des modèles d'IA.

En utilisant des produits comme Vertex AI, CCAI, DocAI ou les API d'IA, les entreprises peuvent interpréter toutes les données produites, collectées ou autrement analysées, quel que soit le format, afin de prendre des actions commerciales exploitables.