L’Intelligence Artificielle (IA) est une discipline qui utilise des ordinateurs et des données pour simuler les capacités de l’esprit humain, mais beaucoup plus rapidement, à une échelle et à une vitesse qu’aucun humain ne pourrait jamais atteindre. Elle comprend un ensemble complexe d’approches, de méthodologies et de technologies qui fonctionnent ensemble.
Il existe deux catégories d’Intelligence Artificielle, l’IA faible et l’IA forte. L’IA faible (weak artificial intelligence ou Narrow AI) est axée sur l’exécution d’un ensemble spécifique de tâches. L’IA faible est la forme la plus courante d’IA aujourd’hui. L’IA forte, quant à elle, est une forme d’intelligence artificielle qui ressemble beaucoup à l’intelligence générale de l’esprit humain, y compris le raisonnement et la pensée originale. Si les chercheurs étudient l’IA forte, il s’agit d’une forme théorique d’IA sans aucun exemple connu à ce jour.
Deux domaines importants de l’Intelligence Artificielle sont le Machine Learning et l’apprentissage profond ou Deep Learning.
Le Machine Learning associe de grands ensembles de données à un traitement informatique afin de comprendre et d’apprendre des modèles de ces données. Contrairement aux programmes informatiques traditionnels qui utilisent un ensemble explicite d’instructions spécifiées dans un langage de programmation, le machine learning s’adapte en fonction de la reconnaissance de modèles dans ses ensembles de données sous-jacents.
Le deep learning est un sous-ensemble du machine learning qui fonctionne de manière plus évolutive. Le deep learning utilise des réseaux neuronaux, une méthode d’IA qui s’inspire du fonctionnement des neurones dans le cerveau des animaux. Le deep learning est considéré comme plus évolutif, car il ne dépend pas des humains pour structurer et étiqueter les données, comme l’exige le machine learning. Le deep learning peut traiter des données brutes et non structurées (telles que des images et des fichiers texte) et comprendre automatiquement la hiérarchie des caractéristiques inhérentes à ces données.
Exemples d’IA dans la vie quotidienne
Les êtres humains sont entourés d’intelligence artificielle dans leur vie quotidienne. Les smartphones que nous portons dans nos poches sont dépendants de l’IA. La fonction de déverrouillage du téléphone par reconnaissance faciale est basée sur une technologie d’IA appelée vision par ordinateur.
Les assistants numériques des téléphones (tels que Siri d’Apple) utilisent également des technologies d’IA. La reconnaissance vocale est utilisée pour analyser les mots parlés, et le traitement du langage naturel ou Natural Language Processing (NLP) est utilisé pour comprendre le sens de ces mots. L’intelligence artificielle est utilisée pour déterminer la réponse à une question ou pour entreprendre une action sur la base d’une commande vocale.
Les plateformes de médias sociaux (telles que Twitter, Facebook, TikTok, Instagram, etc.) utilisent l’IA pour sélectionner, hiérarchiser et afficher les publications dans les flux des utilisateurs à des fins de personnalisation. Plutôt que d’afficher tous les messages de manière chronologique, les plateformes de médias sociaux utilisent l’IA pour prédire les messages que les utilisateurs sont le plus susceptibles de vouloir voir.
Exemples d’IA dans les systèmes logiciels
Les chatbots sont une fonctionnalité courante des sites web et des applications. Les interactions textuelles d’un chatbot sont utilisées pour aider les utilisateurs et les clients, sans qu’un être humain ne s’interpose. Les chatbots utilisent le langage naturel pour reconnaître les mots et les phrases, puis génèrent des réponses aux questions ou aux commentaires des utilisateurs. Les entreprises qui déploient des chatbots élaborent un cahier des charges ou un organigramme qui guide le chatbot sur la manière de répondre à des commentaires ou des demandes spécifiques.
Les moteurs de recherche sont de grands utilisateurs de l’IA. Lorsqu’un utilisateur saisit une requête de recherche, les moteurs de recherche utilisent le traitement du language naturel pour comprendre la requête. Google va plus loin en utilisant une technique de machine learning appelée BERT (Bidirectional Encoder Representations from Transformers) pour comprendre des phrases complètes, ainsi que le contexte des recherches.
Les pages de résultats des moteurs de recherche ou search engine results pages (SERP) reposent sur des algorithmes d’IA pour déterminer les pages à afficher et l’ordre dans lequel elles le sont. Les moteurs de recherche utilisent une combinaison d’approches de machine learning et de deep learning qui classent les pages en fonction d’un assortiment complexe de facteurs.
Les logiciels de CRM (gestion de la relation client) et les systèmes de messagerie électronique utilisent l’IA pour inciter les utilisateurs à répondre aux messages qu’ils jugent les plus importants. Le machine learning et le langage naturel sont utilisés pour suggérer automatiquement une réponse à un e-mail ou à un message spécifique.
Les customer data platforms (CDP) rassemblent un certain nombre d’algorithmes de machine learning pour rendre les données exploitables à grande échelle. Les CDP examinent les comportements passés des clients et utilisent le machine learning pour prédire les actions ou les offres qui ont de fortes chances de fonctionner.
