Module 1 — Ce qu'est vraiment l'intelligence artificielle
Le terme « intelligence artificielle » est probablement le plus mal employé de toute l'informatique. Il désigne, selon l'interlocuteur, un chatbot, un algorithme de tri de CV, un robot humanoïde de science-fiction ou une simple formule statistique rebaptisée pour un dossier de financement. Ce module pose une définition opérationnelle — celle qui permet de travailler — et trace les frontières du domaine.
Une définition qui sert à quelque chose
Les définitions philosophiques (« simuler l'intelligence humaine ») sont inutilisables en pratique : personne ne s'accorde sur ce qu'est l'intelligence humaine. La définition de travail que nous utiliserons tout au long de ce cours est plus modeste et plus solide :
Un système d'IA est un programme dont le comportement n'a pas été entièrement écrit à la main, mais appris à partir de données ou dérivé d'une recherche dans un espace de solutions, pour accomplir une tâche qui exigerait du jugement si un humain la faisait.
Trois éléments comptent dans cette définition.
Le comportement n'est pas entièrement écrit à la main. Un logiciel de paie applique des règles rédigées par des humains ; ce n'est pas de l'IA, même s'il est complexe. Un filtre anti-pourriel moderne a appris tout seul, sur des millions d'exemples, à quoi ressemble un courriel indésirable ; c'en est.
Il y a apprentissage ou recherche. Les deux grandes traditions du domaine. La première apprend des régularités dans les données (c'est le machine learning). La seconde explore un espace de possibilités pour trouver une bonne solution (c'est ainsi que fonctionnaient les programmes d'échecs classiques).
La tâche exigerait du jugement. Classer une image, comprendre une phrase, estimer un risque : des tâches où il n'existe pas de procédure exacte, seulement des indices à pondérer.
La hiérarchie IA, machine learning, deep learning
Ces trois termes s'emboîtent, ils ne sont pas interchangeables.
L'intelligence artificielle est le domaine entier : tout programme qui accomplit une tâche « intelligente », quel que soit le moyen. Elle inclut des techniques qui n'apprennent rien, comme les systèmes experts à règles ou les algorithmes de recherche.
Le machine learning est le sous-ensemble qui apprend à partir de données. Au lieu d'écrire les règles, on fournit des exemples et le programme en extrait les régularités. C'est aujourd'hui la façon dominante de faire de l'IA, au point que les deux termes sont souvent confondus.
Le deep learning est le sous-ensemble du machine learning qui utilise des réseaux de neurones profonds — des empilements de couches de calcul. C'est lui qui a produit les percées depuis 2012 : vision, parole, traduction, et les grands modèles de langage.
Quand quelqu'un dit « on a mis de l'IA dans le produit », demandez : le système apprend-il de données, et lesquelles ? La réponse distingue immédiatement un vrai système appris, un ensemble de règles rebaptisé, et un appel à une API externe. Les trois peuvent être de bons choix — mais ce ne sont pas les mêmes projets, ni les mêmes coûts, ni les mêmes risques.
Ce qui relève du domaine, et ce qui n'en relève pas
Le périmètre réel de l'IA en entreprise est plus large qu'on ne le croit dans certaines directions, et plus étroit dans d'autres.
En relèvent : la prévision de la demande, la détection de fraude, la recommandation de produits, la lecture automatique de documents, la transcription de la parole, la segmentation de clientèle, la maintenance prédictive, la génération de texte et d'images. Des tâches délimitées, avec des données.
N'en relèvent pas, malgré le marketing : un tableau de bord (c'est de la visualisation), une automatisation de tâches à règles fixes (c'est du RPA ou un script), une base de données bien indexée (c'est de l'ingénierie des données). Ces outils sont utiles ; les appeler « IA » brouille les décisions d'investissement.
La zone grise honnête : beaucoup de produits combinent les deux. Un moteur de recherche d'entreprise peut être une simple recherche par mots-clés, ou intégrer un modèle de plongement sémantique. La bonne question n'est jamais « est-ce de l'IA ? » mais « qu'est-ce qui est appris, sur quelles données, et qu'est-ce que ça change pour l'utilisateur ? ».
Le vocabulaire indispensable pour la suite
Ces termes reviendront dans tous les modules. Fixons-les maintenant.
| Terme | Définition de travail |
|---|---|
| Modèle | Le programme appris : une fonction qui transforme une entrée en prédiction |
| Entraînement | Le processus qui ajuste le modèle sur les données d'exemple |
| Inférence | L'utilisation du modèle entraîné sur un cas nouveau |
| Variable (feature) | Une information d'entrée fournie au modèle |
| Étiquette (label) | La bonne réponse associée à un exemple, quand elle existe |
| Paramètres | Les nombres internes du modèle, ajustés pendant l'entraînement |
| Généralisation | La capacité du modèle à rester juste sur des cas jamais vus |
Deux confusions à éliminer tout de suite.
Modèle ≠ algorithme. L'algorithme est la recette d'apprentissage (par exemple « forêt aléatoire ») ; le modèle est le résultat concret de son application à vos données. Le même algorithme produit des modèles différents sur des données différentes.
Entraînement ≠ inférence. L'entraînement est coûteux et se fait une fois (ou périodiquement) ; l'inférence est rapide et se fait à chaque utilisation. Les besoins en matériel, les coûts et les enjeux de sécurité sont différents pour les deux phases. Beaucoup de mauvaises estimations budgétaires viennent de leur confusion.
Un modèle ne « comprend » pas, ne « croit » pas, ne « veut » rien. Il calcule une sortie à partir d'une entrée, selon des régularités extraites de ses données d'entraînement. Ce rappel n'est pas de la pédanterie : les projets qui échouent le plus brutalement sont ceux où l'équipe a prêté au système des capacités de jugement qu'il n'a pas — et ne s'en est aperçue qu'en production.
Ce qu'il faut retenir
- La définition utile : un comportement appris des données (ou trouvé par recherche), pour une tâche qui exigerait du jugement.
- IA ⊃ machine learning ⊃ deep learning : trois périmètres emboîtés, pas trois synonymes.
- Devant tout produit « IA », demander ce qui est appris et sur quelles données.
- Modèle ≠ algorithme, entraînement ≠ inférence : quatre mots, deux distinctions qui structurent tous les budgets et toutes les architectures.
Au module suivant, nous verrons d'où vient cette approche : pourquoi le domaine a abandonné les règles écrites à la main au profit de l'apprentissage sur les données.