Qu'est-ce que l'intelligence artificielle (IA) ?
L’intelligence artificielle (IA) est une technologie dotée de capacités de résolution de problèmes similaires à celles des humains. L’IA permet de simuler l’intelligence humaine, elle peut reconnaître des images, écrire des poèmes et faire des prédictions basées sur des données.Définition de l'AI
L’IA, ou intelligence artificielle, est une technologie dotée de capacités de résolution de problèmes similaires à celles des humains. L’IA en action semble simuler l’intelligence humaine : elle peut reconnaître des images, écrire des poèmes et faire des prédictions basées sur des données.
Les entreprises modernes collectent de gros volumes de données provenant de sources diverses, telles que des capteurs intelligents, du contenu généré par les humains, des outils de surveillance et des journaux système. Les technologies d’intelligence artificielle analysent les données et les utilisent pour faciliter efficacement les opérations métier. Par exemple, la technologie d’IA peut répondre à des conversations humaines dans le cadre du service client, créer des images et du texte originaux pour le marketing et faire des suggestions intelligentes pour l’analytique.
En fin de compte, l’intelligence artificielle vise à rendre les logiciels plus intelligents pour des interactions personnalisées avec les utilisateurs et la résolution de problèmes complexes.
Quels sont les types de technologies d’IA ?
Les applications et technologies d’IA se sont développées de manière exponentielle au cours des dernières années. Vous trouverez ci‑dessous quelques exemples de technologies d’IA courantes que vous avez peut‑être déjà rencontrées.
L’histoire de l’IA
Dans un article publié en 1950 intitulé « Computing Machinery and Intelligence », Alan Turing questionna la capacité des machines à penser. Dans cet article, Turing a d’abord inventé le terme intelligence artificielle et l’a présenté comme un concept théorique et philosophique. Cependant, l’IA telle que nous la connaissons aujourd’hui est le résultat de l’effort de nombreux scientifiques et ingénieurs sur plusieurs décennies.
1940-1980
En 1943, Warren McCulloch et Walter Pitts proposèrent un modèle de neurones artificiels, jetant ainsi les bases des réseaux neuronaux, la technologie de base de l’IA.
Peu de temps après, en 1950, Alan Turing publia l’article « Computing Machinery and Intelligence » introduisant le concept du test de Turing pour évaluer l’intelligence des machines.
S’ensuivit l’apparition de multiples avancées technologiques entre 1951 et 1969. Les étudiants Marvin Minsky et Dean Edmonds conçurent SNARC, la première machine à réseau neuronal. Frank Rosenblatt développa le Perceptron, un des premiers modèles de réseau neuronal, et Joseph Weizenbaum créa ELIZA, un des premiers chatbots, capable de simuler un psychothérapeute rogérien.
Peu de temps après, démontrant les limites des réseaux neuronaux, Marvin Minsky entraîna, de 1969 à 1979, le déclin temporaire de la recherche sur les réseaux neuronaux. L’IA connut alors sa première période de ralentissement, en raison du tarissement des financements et des limites matérielles et informatiques.
1980-2006
Dans les années 80, la recherche sur l’IA, principalement dans les domaines de la traduction et de la transcription, connut un regain d’intérêt et bénéficia de financements publics. Au cours de cette période, les systèmes experts, comme MYCIN, devinrent populaires, car ils simulaient les processus décisionnels humains dans des domaines spécifiques tels que la médecine. Simultanément au renouveau des réseaux neuronaux des années 80, David Rumelhart et John Hopfield publièrent des articles sur les techniques de deep learning expliquant que les ordinateurs pouvaient apprendre de leurs expériences
De 1987 à 1997, en raison de divers facteurs socio‑économiques et de l’essor d’Internet, l’évolution de l’IA connut un deuxième ralentissement. La recherche sur l’IA se fragmenta, les équipes résolvant des problèmes spécifiques à des cas d’utilisation isolés.
De 1997 à 2006 environ, l’IA connut de nombreux succès, notamment la victoire du logiciel d’échecs Deep Blue d’IBM face au champion du monde Garry Kasparov. Par ailleurs, Judea Pearl publia un livre sur la théorie des probabilités et des décisions dans la recherche sur l’IA, tandis que Geoffrey Hinton, entre autres, popularisa le deep learning et entraîna une résurgence des réseaux neuronaux. L’intérêt commercial resta toutefois limité.
2007-aujourd’hui
De 2007 à 2018, les progrès du cloud computing rendirent la puissance de calcul et l’infrastructure d’IA plus accessibles. Il en résulta une adoption croissante, davantage d’innovation et de nombreuses avancées dans le domaine du machine learning. Parmi les avancées, citons l’architecture de réseau neuronal convolutif (CNN) nommée AlexNet, développée par Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton, qui remporta le concours ImageNet et mit en exergue la puissance du deep learning en matière de reconnaissance d’images. De son côté, le logiciel AlphaZero de Google réussit à maîtriser les échecs, le shogi et le jeu de go, sans apport de données humaines, en s’appuyant uniquement sur son propre jeu.
En 2022, les chatbots utilisant l’intelligence artificielle (IA) et le traitement du langage naturel (NLP) pour tenir des conversations similaires à celles des humains et effectuer des tâches (comme ChatGPT d’OpenAI) se font largement connaître pour leurs capacités conversationnelles, renouvelant ainsi l’intérêt pour l’IA et favorisant son développement.
L’IA du futur
Les technologies actuelles de l’intelligence artificielle fonctionnent toutes selon un ensemble de paramètres prédéterminés. Par exemple, les modèles d'IA entraînés à la reconnaissance et à la génération d'images ne peuvent pas créer de sites Web.
L'intelligence générale artificielle (AGI) est un domaine de recherche théorique sur l'IA qui tente de créer des logiciels dotés d'une intelligence similaire à celle des humains et capables d'autodidacte. L’objectif est que le logiciel soit capable d’effectuer des tâches pour lesquelles il n’est pas nécessairement entraîné ou conçu.
L’IAG est une quête théorique visant à développer des systèmes d’IA capables de se contrôler de façon autonome, dotés d’une conscience de soi raisonnable et de la capacité d’acquérir de nouvelles compétences. Elle peut résoudre des problèmes complexes dans des situations et des contextes qui ne lui ont pas été enseignés au moment de sa création. L'IAG dotée de capacités humaines reste un concept théorique et un objectif de recherche. De ce fait, elle représente l’une des évolutions possibles de l’IA.
Comment l’IA est‑elle utilisée aujourd’hui ?
L’IA est omniprésente aujourd’hui et travaille en coulisse pour optimiser vos applications préférées.
Exemples d’intelligence artificielle pour les entreprises
L'intelligence artificielle dispose d'un large éventail d'applications. Bien que cette liste ne soit pas exhaustive, voici une sélection d’exemples qui met en lumière différentes utilisations de l’IA dans le monde de l’entreprise.
Chatbots et assistants intelligents
Les chatbots et les assistants intelligents alimentés par l’IA mènent des conversations plus sophistiquées et plus semblables à celles des humains. Ils peuvent comprendre le contexte et générer des réponses cohérentes à des questions complexes en langage naturel et à des demandes de clients. Ils se distinguent en matière de soutien à la clientèle, d’assistance virtuelle et de génération de contenu afin d’offrir des interactions personnalisées. La capacité d’apprentissage continu de ces modèles leur permet d’adapter leurs performances et de les améliorer au fil du temps, améliorant ainsi l’expérience utilisateur et l’efficacité.
Par exemple, Deriv, l’un des plus grands courtiers en ligne au monde, a rencontré des difficultés pour accéder à de vastes quantités de données réparties sur diverses plateformes. L’entreprise a mis en place un assistant alimenté par l’IA pour extraire et traiter des données provenant de plusieurs sources dans les domaines du support client, du marketing et du recrutement. Grâce à l’IA, Deriv a pu diminuer de 45 % le temps passé à intégrer les nouvelles recrues et réduire de moitié la durée des tâches de recrutement.
En savoir plus sur les chatbots et les assistants intelligents »
Traitement intelligent des documents
Le traitement intelligent des documents (IDP) traduit les formats de documents non structurés en données utilisables. Par exemple, il convertit des documents commerciaux tels que des e-mails, des images et des PDF en informations structurées. IDP utilise des technologies d'intelligence artificielle telles que le traitement du langage naturel (NLP), le deep learning et la vision par ordinateur pour extraire, classer et valider les données.
Par exemple, HM Land Registry (HMLR) gère les titres de propriété de plus de 87 % de l’Angleterre et du pays de Galles. Les responsables de dossiers du HMLR comparent et examinent des documents juridiques complexes liés aux transactions immobilières. L’organisation a déployé une application d’intelligence artificielle pour automatiser la comparaison des documents, réduisant ainsi de moitié le temps de révision et stimulant le processus d’approbation des transferts de propriété. Pour en savoir plus, découvrez comment HMLR utilise Amazon Textract.
En savoir plus sur le traitement intelligent des documents (IDP) »
Surveillance des performances de l'application
La surveillance de la performance des applications (APM) est le processus qui consiste à utiliser des outils logiciels et des données de télémétrie pour surveiller la performance des applications critiques pour l'entreprise. Les outils APM basés sur l'IA utilisent des données historiques pour prévoir les problèmes avant qu'ils ne surviennent. Ils peuvent également résoudre les problèmes en temps réel en suggérant des solutions concrètes à vos développeurs. Cette stratégie permet de résoudre les problèmes de blocage et aux applications de bien fonctionner.
Par exemple, Atlassian fabrique des produits destinés à rationaliser le travail d'équipe et l'organisation. Atlassian utilise des outils APM basés sur l’IA pour surveiller en permanence les applications, détecter les problèmes potentiels et hiérarchiser la gravité des cas. Grâce à cette fonction, les équipes peuvent répondre rapidement aux recommandations issues du machine learning et corriger les baisses de performances.
En savoir plus sur l’APM (surveillance des performances des applications) »
Maintenance prévisionnelle
La maintenance prédictive optimisée par l’IA utilise d’importants volumes de données pour identifier les problèmes susceptibles d’interrompre des opérations, des systèmes ou des services. La maintenance prédictive permet aux entreprises de résoudre d’éventuels problèmes avant qu’ils ne surviennent, minimisant ainsi la durée d’indisponibilité et la perturbation des systèmes.
Par exemple, Baxter utilise 70 sites de fabrication dans le monde entier et fonctionne 24 heures sur 24 et 7 jours sur 7 pour fournir des technologies médicales. Baxter utilise la maintenance prédictive pour détecter les conditions anormales des équipements industriels de manière automatique. Les utilisateurs peuvent mettre en œuvre des solutions efficaces à l'avance afin de réduire les temps d'arrêt et d'améliorer l'efficacité opérationnelle. Pour en savoir plus, découvrez comment Baxter utilise Amazon Monitron.
Recherche médicale
La recherche médicale utilise l’IA pour rationaliser les processus, automatiser les tâches répétitives et traiter de grandes quantités de données. Vous pouvez utiliser la technologie de l'IA dans la recherche médicale pour faciliter la découverte et le développement de produits pharmaceutiques de bout en bout, transcrire des dossiers médicaux et améliorer les délais de commercialisation de nouveaux produits.
À titre d'exemple concret, C2i Genomics utilise l'intelligence artificielle pour exécuter des pipelines génomiques et des examens cliniques personnalisables à grande échelle. Les chercheurs peuvent se concentrer sur les performances cliniques et le développement de méthodes en abordant les solutions informatiques. Les équipes d'ingénierie utilisent également l'IA pour réduire les demandes de ressources, la maintenance technique et les coûts liés aux NRE. Pour plus de détails, découvrez comment C2i Genomics utilise AWS HealthOmics.
Avantages de l’intelligence artificielle pour les entreprises
Votre organisation peut intégrer des capacités d’intelligence artificielle pour optimiser les processus commerciaux, améliorer l’expérience client et accélérer l’innovation.
Quelle est la différence entre le machine learning, le deep learning et l’intelligence artificielle ?
L’intelligence artificielle (IA) est un terme générique utilisé pour désigner différentes stratégies et techniques utilisées pour rendre les machines plus similaires aux humains. Elle englobe tout, des voitures à conduite autonome aux aspirateurs robotisés en passant par les assistants intelligents comme Alexa. Bien que le machine learning et le deep learning entrent tous deux dans le cadre de l’IA, ils n’en constituent pas l’intégralité des activités. Par exemple, l’IA générative, qui fait preuve de capacités créatives semblables à celles des humains, est une forme très avancée de deep learning.
Machine learning
Bien que les termes intelligence artificielle et machine learning soient utilisés de manière interchangeable dans de nombreux endroits, le machine learning est techniquement l’une des nombreuses autres branches de l’intelligence artificielle. Il s’agit de la science de développement d’algorithmes et de modèles statistiques en vue de corréler les données. Les systèmes informatiques utilisent des algorithmes de machine learning pour traiter de grandes quantités de données historiques et identifier des modèles de données. Dans le contexte actuel, le machine learning fait référence à un ensemble de techniques statistiques appelées modèles de machine learning que vous pouvez utiliser de manière indépendante ou pour soutenir d’autres techniques d’IA plus complexes.
En savoir plus sur le machine learning »
En savoir plus sur la différence entre l’IA et le machine learning »
Deep learning
Le deep learning pousse le machine learning encore plus loin. Les modèles de deep learning utilisent des réseaux neuronaux qui fonctionnent ensemble pour apprendre et traiter des informations. Ils se composent de millions d’éléments logiciels effectuant des opérations micromathématiques sur de petites unités de données afin de résoudre un problème plus vaste. Par exemple, ils traitent les pixels individuels d’une image pour la classer. Les systèmes d’IA modernes combinent souvent plusieurs réseaux neuronaux profonds pour effectuer des tâches complexes comme la rédaction de poèmes ou la création d’images à partir de messages texte.
Comment fonctionne l’intelligence artificielle ?
Les systèmes d’intelligence artificielle fonctionnent en se servant d’une gamme de technologies. Les détails varient, mais les principes fondamentaux restent les mêmes : ils convertissent tous les types de données, notamment le texte, les images, les vidéos et les sons, en représentations numériques et identifient mathématiquement les modèles et les relations entre eux. Les technologies d’intelligence artificielle nécessitent donc un entraînement : elles sont exposées à de grands volumes de jeux de données existants pour « apprendre », tout comme les humains apprennent à partir d’archives de connaissances existantes. Certaines des technologies qui permettent le fonctionnement de l’intelligence artificielle sont présentées ci-dessous.
Réseaux neuronaux
Les réseaux neuronaux artificiels sont au cœur des technologies d’intelligence artificielle. Ils reflètent le traitement qui a lieu dans le cerveau humain. Le cerveau contient des millions de neurones qui traitent et analysent les informations. Les réseaux neuronaux artificiels recourent à des neurones artificiels qui traitent ensemble les informations. Chaque neurone artificiel, ou nœud, fait des calculs mathématiques pour traiter les informations et résoudre des problèmes complexes.
Traitement du langage naturel
Le traitement du langage naturel (NLP) utilise des réseaux neuronaux pour interpréter, comprendre et recueillir du sens à partir de données textuelles. Il utilise différentes techniques informatiques spécialisées dans le décodage et la compréhension du langage humain. Ces techniques permettent aux machines de traiter les mots, la syntaxe grammaticale et les combinaisons de mots afin de traiter le texte humain et même générer un nouveau texte. Le traitement du langage naturel est essentiel pour la synthèse de documents, les chatbots et l’analyse des sentiments.
Reconnaissance d'image
La vision par ordinateur recourt à des techniques de deep learning pour extraire des informations et tirer des enseignements à partir de vidéos et d'images. Vous pouvez l’utiliser pour surveiller le contenu en ligne et détecter les images inappropriées, reconnaître les visages et classer les détails des images. Dans le domaine des voitures et des camions autonomes, la capacité de surveiller l'environnement et de prendre des décisions en une fraction de seconde est essentielle.
Reconnaissance vocale
Les logiciels de reconnaissance vocale utilisent des modèles de deep learning pour interpréter le langage humain, identifier les mots et détecter le sens. Les réseaux neuronaux peuvent transcrire la parole en texte et indiquer le sentiment vocal. Vous pouvez utiliser la reconnaissance vocale dans plusieurs technologies, telles que les assistants virtuels et les logiciels de centre d'appels, pour identifier le sens et effectuer des tâches connexes.
IA générative
L’IA générative fait référence aux systèmes d’intelligence artificielle qui créent du contenu et des artefacts tels que des images, des vidéos, du texte et du son à partir de simples invites textuelles. Contrairement à l’IA d’autrefois, qui était limitée à l’analyse de données, l’IA générative s’appuie sur le deep learning et sur des jeux de données massifs pour produire des résultats créatifs de haute qualité, semblables à ceux des humains. Des applications créatives et passionnantes sont rendues possibles, mais il subsiste des préoccupations liées aux biais, aux contenus préjudiciables et à la propriété intellectuelle. Dans l’ensemble, l’IA générative représente une évolution majeure des capacités de l’IA à générer un langage humain et de nouveaux contenus et artefacts d’une manière similaire à celle des humains.
Quels sont les composants essentiels de l'architecture des applications d'IA ?
L’architecture de l’intelligence artificielle se compose de trois couches principales. L’ensemble des couches s’exécutent sur une infrastructure informatique qui fournit les ressources de calcul et de mémoire nécessaires à l’IA.
Options de formation à l'IA pour les débutants
La formation à l'IA commence généralement par les bases de la programmation et de l'informatique. Vous devriez apprendre des langages comme Python, ainsi que les mathématiques, les statistiques et l'algèbre linéaire.
Vous pourrez ensuite passer à une formation plus spécialisée. Poursuivez une maîtrise en intelligence artificielle, en machine learning ou en science des données pour acquérir une compréhension plus approfondie et une expérience pratique. Ces programmes concernent généralement des sujets tels que les réseaux neuronaux, le traitement du langage naturel et la vision par ordinateur en profondeur.
Cependant, l’enseignement formel n’est pas la seule voie à suivre. En effet, vous pouvez suivre des cours en ligne pour apprendre à votre rythme et maîtriser des compétences spécifiques. Par exemple, la formation à l'IA générative sur AWS comprend des certifications délivrées par des experts AWS sur des sujets tels que :
Quels sont les défis rencontrés par la mise en œuvre de l’intelligence artificielle ?
La mise en œuvre et l’utilisation de l’IA se heurtent à plusieurs défis. Les obstacles suivants représentent certains des défis les plus courants.
Gouvernance de l’IA
Les politiques de gouvernance des données doivent respecter les restrictions réglementaires et les lois sur la confidentialité. Pour mettre en œuvre l'IA, vous devez gérer la qualité, la confidentialité et la sécurité des données. Vous êtes responsable des données clients et de la protection de la vie privée. Afin de gérer la sécurité des données, votre entreprise doit comprendre comment les modèles d’IA interagissent avec les données clients et les utilisent, quelle que soit la couche architecturale concernée.
Difficultés techniques
La formation de l'IA à l'aide du machine learning consomme de vastes ressources. Un seuil de puissance de traitement élevé est essentiel au bon fonctionnement des technologies de deep learning. Vous devez disposer d'une infrastructure informatique robuste pour exécuter des applications d'intelligence artificielle et entraîner vos modèles. La puissance de traitement peut être coûteuse et limiter la capacité de mise à l'échelle de vos systèmes d'IA.
IA responsable
L’IA responsable désigne le développement de l’IA qui prend en compte l’impact social et environnemental du système d’IA à grande échelle. Comme toute nouvelle technologie, les systèmes d’intelligence artificielle ont un impact transformateur sur les utilisateurs, la société et l’environnement. L’IA responsable accorde la priorité aux résultats à impact positif, à l’équité et à la transparence en ce qui concerne le développement et l’utilisation de l’IA. Elle garantit que les innovations en matière d’IA et les décisions fondées sur les données évitent de porter atteinte aux libertés civiles et aux droits de l’homme. Les organisations trouvent qu’il est difficile de créer une IA responsable tout en conservant leur compétitivité dans l’espace de l’IA en pleine évolution.
Limitations des données
L’entraînement des systèmes d’IA impartiaux nécessite la saisie d’énormes volumes de données. Vous devez disposer d’une capacité de stockage suffisante pour gérer et traiter les données d’entraînement. De même, vous devez mettre en place des processus de gestion et de qualité des données efficaces pour garantir l'exactitude des données que vous utilisez pour la formation.
Comment AWS peut-il répondre à vos besoins en matière d'intelligence artificielle ?
AWS rend l’IA accessible à un plus grand nombre de personnes, des créateurs et spécialistes des données, aux analystes commerciaux et étudiants. Avec l’ensemble le plus complet de services, d’outils et de ressources d’IA, AWS apporte une expertise approfondie à plus de 100 000 clients afin de répondre à leurs demandes professionnelles et de libérer la valeur de leurs données. Les clients peuvent développer et faire évoluer AWS sur la base de la confidentialité, de la sécurité de bout en bout et de la gouvernance de l’IA pour se transformer à un rythme sans précédent. L’IA sur AWS inclut des services d’IA préentraînée pour une intelligence et une infrastructure d’IA prêtes à l’emploi, ce qui vous permet d’optimiser les performances et de réduire vos coûts.