Bien que les spécificités varient selon les techniques d'IA, le principe fondamental s'articule autour des données. Les systèmes d'IA apprennent et s'améliorent en étant exposés à de grandes quantités de données, en identifiant des tendances et des relations qui pourraient échapper aux humains.

Ce processus d'apprentissage implique souvent des algorithmes, qui sont des ensembles de règles ou d'instructions guidant l'analyse et la prise de décision de l'IA. En machine learning (apprentissage automatique), un sous-domaine populaire de l'IA, les algorithmes sont entraînés sur des données étiquetées ou non afin de réaliser des prédictions ou classer des informations. 

Le deep learning, une spécialisation plus poussée, utilise des réseaux de neurones artificiels à plusieurs couches pour traiter les informations, imitant la structure et le fonctionnement du cerveau humain. En apprenant et en s'adaptant continuellement, les systèmes d'IA deviennent de plus en plus aptes à effectuer des tâches spécifiques, de la reconnaissance d'images à la traduction de langues, et plus encore.

Vous voulez vous lancer avec l’IA ? Suivez l'introduction gratuite à l'IA générative pour débutants.

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. 

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-domaine 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 en 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 des correspondances de tendances et 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. 

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 feedforward, 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 le sous-titrage d'images. 

Le réseau de neurones récurrents à mémoire longue à court 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.