Qu'est-ce que l'IA ?
L'intelligence artificielle (IA), c'est quand un ordinateur fait une tâche qui demande une pensée proche de celle de l'humain : voir, écouter, comprendre le langage ou décider. La plupart des IA d'aujourd'hui apprennent à partir de données au lieu de suivre seulement des instructions fixes.
IA, machine learning et deep learning
- L'IA est l'idée générale : des machines qui agissent de façon intelligente.
- Le machine learning (apprentissage automatique, ML) est une partie de l'IA où la machine trouve des régularités dans les données.
- Le deep learning (apprentissage profond) est une partie du ML qui utilise de grands réseaux de neurones, par exemple pour reconnaître des visages.
Trois grands domaines
- Science des données : nombres et tableaux (prévoir un prix).
- Vision par ordinateur : images et vidéos (déverrouillage par le visage).
- Traitement du langage naturel (NLP) : texte et parole (assistants vocaux, traduction).
Tout ce qui est automatique n'est pas de l'IA : la minuterie d'une machine à laver suit des étapes fixes et n'apprend pas.
Les six étapes du cycle de projet IA
- Cadrage du problème : comprendre le problème. On remplit un canevas des 4W : Who (les personnes concernées), What (le problème et ses preuves), Where (la situation, le contexte), Why (l'intérêt de le résoudre). On termine par un énoncé du problème en une phrase.
- Acquisition des données : collecter des données pertinentes, fiables et que l'on a le droit d'utiliser. Sources : sondages, capteurs, caméras, observations, web scraping, jeux de données ouverts (API). Les données ont des caractéristiques (entrées, par ex. taille, couleur) et une étiquette (réponse, par ex. pomme).
- Exploration des données : nettoyer les données (corriger les valeurs manquantes, fausses ou répétées) et les visualiser avec des graphiques pour repérer des régularités.
- Modélisation : choisir une méthode. À base de règles : les humains écrivent les règles. À base d'apprentissage : la machine apprend les règles à partir des données (par ex. apprentissage supervisé avec des données étiquetées, apprentissage non supervisé qui trouve des groupes).
- Évaluation : tester le modèle sur des données qu'il n'a jamais vues. Mesurer la précision et regarder ses erreurs.
- Déploiement : mettre le modèle dans une vraie application ou un vrai appareil, observer son fonctionnement et continuer à l'améliorer. Ensuite, le cycle recommence.
Évaluer un modèle : la précision avec des nombres simples
Précision = prévisions correctes ÷ nombre total de prévisions × 100 %.
Si un modèle de fruits voit 200 nouveaux fruits et en reconnaît 180 correctement, sa précision est 180 ÷ 200 × 100 = 90 %. On garde une partie des données de côté comme données de test, car un modèle peut simplement « retenir par cœur » ses données d'entraînement ; tester sur de nouvelles données montre s'il a vraiment appris.
La précision seule peut cacher des problèmes : un modèle peut avoir raison à 95 % en tout, mais être bien moins bon pour un groupe de personnes. C'est pourquoi on vérifie aussi les résultats groupe par groupe.
Éthique et biais en IA
L'éthique de l'IA, c'est veiller à ce que l'IA soit utilisée de façon juste et sûre pour les personnes.
- Biais : le modèle traite certaines personnes de façon injuste, en général parce que les données d'entraînement ont trop peu d'exemples, ou des exemples d'un seul type. Exemple : un système de déverrouillage par le visage entraîné surtout avec un seul teint de peau se trompe plus souvent pour les autres.
- Vie privée : ne collecter que les données nécessaires, avec permission, et les protéger.
- Transparence : les gens doivent savoir quand une IA décide, et pourquoi.
- Responsabilité : les humains restent responsables de ce que fait l'IA.
- Emplois et accès : l'IA doit aider les gens, et tout le monde doit pouvoir l'utiliser.
Solutions : des données équilibrées et vérifiées, des tests sur chaque groupe, un contrôle humain pour les décisions importantes.
Formules et définitions clés
- Précision (%) = prévisions correctes ÷ nombre total de prévisions × 100
- Cycle de projet IA : Cadrage du problème → Acquisition des données → Exploration des données → Modélisation → Évaluation → Déploiement
- Canevas des 4W : Who, What, Where, Why (qui, quoi, où, pourquoi)
- Caractéristique : une propriété d'entrée des données. Étiquette : la bonne réponse pour un exemple.
- Les données d'entraînement apprennent au modèle ; les données de test le vérifient.
- Biais : résultats injustes pour un groupe, souvent causés par des données déséquilibrées.
Exemples résolus
1. Écris un énoncé de problème avec les 4W pour des élèves qui oublient de boire de l'eau à l'école.
Qui : des élèves de 12–15 ans. Quoi : ils boivent trop peu d'eau et se sentent fatigués. Où : en classe pendant les longues heures de cours. Pourquoi : des rappels pourraient améliorer leur santé et leur concentration. Énoncé : « Nos élèves (qui) boivent trop peu d'eau (quoi) pendant les longues heures de cours (où) ; un rappel intelligent les garderait en bonne santé et attentifs (pourquoi). »
2. Un modèle qui détecte les maladies des plantes, testé sur 250 nouvelles photos de feuilles, donne 215 bonnes réponses. Trouve la précision.
Précision = 215 ÷ 250 × 100 = 86 %.
3. Un modèle d'accord de prêt a été entraîné seulement avec des données de demandeurs vivant en ville. Quel problème peut apparaître et comment le corriger ?
Il peut refuser injustement les demandeurs des villages, car il n'a jamais appris leurs particularités (biais). Solution : collecter aussi des données équilibrées dans les villages, tester la précision séparément pour chaque groupe, et faire revoir les refus par un humain.
Erreurs fréquentes
- Passer à la modélisation avant d'avoir cadré le problème. Sans énoncé clair du problème, les données collectées risquent d'être inutiles.
- Tester le modèle sur les mêmes données que celles de l'entraînement. Cela ne vérifie que la mémoire, pas l'apprentissage.
- Croire que plus de données, c'est toujours mieux. Faux : des données fausses, biaisées ou privées rendent le modèle moins bon ou contraire à l'éthique.
- Appeler « IA » toute machine automatique. C'est de l'IA seulement si elle apprend ou raisonne à partir de données.