Blog

Que retenir de l'intelligence artificielle ? Machine learning, deep learning, ...

Visuel généré par IA

Comme on peut le voir depuis plusieurs années, le nombre d’intelligences artificielles a explosé dans notre société. Le marché mondial de l’IA est évalué à 454,12 milliards de dollars en 2022. Il devrait atteindre une valeur de 1807,84 dollars en 2030.*

Le terme “intelligence artificielle” représente une machine qui effectue une tâche associée initialement à l’intelligence humaine. Cela peut comporter le traitement d’un nombre important de données afin d’en ressortir des résultats concrets, de réaliser des recherches précises pour résoudre un problème dans un contexte complexe ou encore de simplement corriger un document. En plus d’opérer ces actions, ces technologies donnent la possibilité d’avoir accès à des performances notables avec une exécution des tâches plus rapide, une compréhension et analyse concrète de millions de données ou encore une automatisation de certaines charges.

Mais comment fonctionne une intelligence artificielle ? Une IA se voit comme une fonction mathématique. Cette famille de modèle se compose entre autres des réseaux de neurones. Chacun d’entre eux représente une valeur numérique et est interconnecté avec les autres. Ces neurones ont pour objectif de dégager les informations importantes présentes dans les données mises à disposition. L’interconnexion entre ces derniers permet in fine de créer une véritable relation avec les différents résultats sortis. Une intelligence fonctionne véritablement comme un cerveau humain. Il faut d’ailleurs souligner que pour bien fonctionner, ce type de technologie nécessite une quantité importante de données et une grosse capacité informatique pour que les algorithmes œuvrent de manière optimale.

Les différentes branches de l’intelligence artificielle

Lorsque l’on évoque l’intelligence artificielle, de nombreuses notions peuvent apparaître, dont le plus souvent le machine learning et le deep learning. Ces deux concepts sont des principes de fonctionnement d’une IA.

Pour rappel, ce type de machines repose sur l’idée de reproduire un comportement humain. Elles peuvent se présenter sous diverses formes comme une plateforme (Midjourney, ChatGPT, Fluidity, …) ou un appareil (Alexa, Siri, Google Assistant en tant qu’assistant vocal). Chacune d’entre elle est construite selon une méthode adaptée au besoin et aux données d’entrée. Les plus connues restent, comme évoqué ci-dessus, le machine learning et le deep learning.

Machine Learning et Deep Learning

Le machine learning, ou encore l’apprentissage automatique, repose sur le principe que la machine va pouvoir apprendre d’elle-même grâce aux données mises à sa disposition. Grâce à ces dernières, l’intelligence artificielle va pouvoir nourrir de manière automatique son savoir et alors élargir son champ de compétences. Chaque traitement de données lui donne la possibilité de se développer et d’ainsi de répondre au mieux aux attentes des utilisateurs.

Par ailleurs, il est indispensable que les programmateurs assistent dans un premier temps l’intelligence artificielle dans son apprentissage. Ils peuvent par exemple lui montrer comment reconnaître un chien à la place d’un chat, calculer le chiffre d’affaires d’une entreprise ou définir les goûts musicaux préférés d’un utilisateur. Une fois le procédé intégré dans les algorithmes, la machine le pratique infiniment pour pouvoir y découvrir chaque spécificité et affiner sa connaissance et ses réponses.

Pour venir compléter cette branche importante de l’intelligence artificielle, qu’est le machine learning, il existe le deep learning.

Comme évoqué ci-dessus, le deep learning, ou encore l’apprentissage profond, est un procédé sous-jacent du machine learning. Il fonctionne grâce à un réseau important de neurones artificiels tous interconnectés et étalés sur différentes couches. Chacune d’entre elles sont dédiées à une tâche bien précise comme la vérification de la présence d’un élément précis pour reconnaître un objet ou élaborer un calcul. Cette répartition permet d’obtenir une analyse et une compréhension des données encore plus optimales. Grâce à ses caractéristiques, le deep learning dispose d’une grande puissance de calcul. De telles facultés demandent une importante quantité de données, bien supérieure à celle du machine learning. L’accumulation de données permet à la technologie d’apprendre plus facilement et rapidement afin d’y ressortir des résultats optimaux.

La qualité des réponses se doit également à l’auto-apprentissage, principe sur lequel repose le deep learning. En effet, a contrario de l’apprentissage automatique, l’apprentissage profond ne nécessite pas une intervention humaine, il apprend par lui-même. Avec son réseau de neurones artificiels interconnectés, la machine arrive à trouver et créer seule des relations variées entre les multiples informations ressorties. Elle effectue en continu ce travail pour parfaire son algorithme. Son but est de diviser parfaitement les tâches entre les différentes couches de neurones pour une analyse et compréhension des données sans failles. Si l’on prend l’exemple de la reconnaissance d’une automobile, une partie vérifiera la présence de quatre roues, une autre la taille du véhicule ou le nombre de portes. Le nombre de couches peut être infini selon la tâche à effectuer.

Mais pour quelles utilisations ?

Le machine learning et le deep learning sont très utilisés dans notre société. L’un des usages les plus courants est la recommandation que cela soit au niveau de la musique sur Spotify, des séries ou films sur Netflix ou encore de simples vidéos sur YouTube. En consommant des produits avec des caractéristiques bien précises identifiées sous la forme d’étiquettes ou de labels, la machine comprend et adapte au fur et à mesure le contenu préférentiel afin de mettre en avant des requêtes personnalisées.

On retrouve également cette technologie dans les chatbots en temps réel présents sur les sites web. Des réponses préconçues leur sont apprises dans un premier temps. Néanmoins, ces machines finissent par adapter et améliorer leurs réactions grâce aux échanges effectués avec les visiteurs.

L’apprentissage automatique s’utilise également dans les entreprises avec, par exemple, le principe de tarification dynamique. En effet, le logiciel va adapter le prix du produit ou du service selon les différentes tendances du marché. Il peut prendre en compte la météo, le prix des matières premières ou encore la demande. Ce type d’utilisation s’observe entre autres dans certaines stations services, dans le trafic ferroviaire longue distance ou encore dans les services de VTC. Le machine learning donne aussi la possibilité aux entreprises de faire du réassort de manière automatique. En effet, l’IA va analyser en direct les stocks des matières premières et lorsqu’une certaine quantité est atteinte, elle effectuera une commande aux fournisseurs présents dans la base de données. Par ailleurs, la technologie peut également faire évoluer les demandes ou changer directement de fournisseurs selon les prix de vente, le marché ou encore les récoltes. Progressivement, la technologie parfera son analyse et sa compréhension afin de donner des résultats de plus en plus précis et de limiter les pertes.

Des secteurs dépendant de l’I.A.

Aujourd’hui, beaucoup de secteurs font appel à l’intelligence artificielle. Son utilisation se fait pour des tâches en tout genre, dont de l’administratif.

La santé

Le médical se présente comme l’un des domaines les plus enclins à employer l’IA. Cette technologie aide notamment les professionnels du secteur en facilitant leurs diagnostics. En effet, grâce à un accès important de données (dossiers du patient, recherches cliniques,…), et à de nouveaux appareils, l’intelligence artificielle peut diagnostiquer plus efficacement certaines pathologies et y proposer le meilleur traitement. Il s’agit d’une véritable aide à la décision pour les médecins.

L’automobile

L’intelligence artificielle et l’automobile concernent en grande partie le véhicule autonome. Ce type de véhicule utilise la technologie de deep learning dans les ADAS (Advanced Driver Assistance Systems) afin de mieux comprendre son environnement et d’assurer un trajet sans encombre. Par ailleurs, son développement demande encore aujourd’hui de lourdes installations telles que la présence de la connexion 5G sur tout le territoire et de voies de circulation dédiées à la circulation autonome.

L’agriculture

Avec une demande en nourriture grandissante, l’utilisation de l’intelligence artificielle dans l’agriculture devient de plus en plus conséquente. Cela s’observe entre autres par l’emploi d’appareils tels que des capteurs afin de pouvoir récolter et analyser des données nécessaires à la compréhension des pousses. Grâce à ceci, il est alors possible de prédire les rendements et d’améliorer les futures récoltes. Les agriculteurs pourront en effet prendre en compte certains aspects notables comme la météo et l’état des sols.

Les transports

La mobilité affiche de nombreux enjeux que ce soit environnementaux ou sociaux. Il reste essentiel de proposer aujourd’hui une offre de transports optimale répondant aux attentes des usagers. Pour se faire, l’intelligence artificielle a son mot à dire. En effet, en ayant accès à un grand nombre de données, il est possible prédire en amont la demande en mobilité sur des axes précis. Elle peut concerner les transports en commun, le vélo ou encore des services de mobilité partagée. Avec de telles analyses, la circulation de la population sera alors plus simple.

L’IA dans les transports porte également sur l’automatisation (liée dans un même temps à la voiture autonome). De plus en plus de véhicules autonomes de transport de personnes sont créés à ce jour. Il y a notamment des bus et des métros ou des VTC sans chauffeur.

La cybersécurité

Le marché de l’IA dans la cybersécurité est en pleine expansion. Le nombre de cyberattaques dans les entreprises et le domaine public ne cesse de croître. Avec l’aide de l’intelligence artificielle, les spécialistes du secteur peuvent mieux comprendre les caractéristiques des différentes attaques informatiques existantes. De telles données permettent de les identifier plus facilement et de réduire leurs impacts sur les réseaux informatiques, une fois l’intrusion déjà effectuée.

Cette liste reste non-exhaustive. Le commerce, l’industrie, le marketing ou encore l’assurance se servent de l’intelligence artificielle.

*Source: Precedence Research

Les données utilisées pour l'intelligence artificielle

Les données utilisées pour faire fonctionner une intelligence artificielle varient selon la tâche et le secteur. Leur sélection doit être en phase avec l’utilité finale du modèle développé. Si l’on prend par exemple le domaine de la mobilité et plus précisément de la connaissance des déplacements automobiles, il faudra plutôt se diriger vers des données de type Floating Car Data.

Le Floating Car Data représente les données permettant de caractériser le déplacement d’un véhicule par une série de points enregistrés. Elles comprennent la localisation GPS, la vitesse, la date précise, la direction dans laquelle le véhicule se dirige et l’identifiant anonymisé donné à ce dernier. Cet ensemble de données se trouve directement dans les véhicules disposant d’un GPS, les applications GPS de navigation (Mappy, Waze, …) et dans les véhicules de fonction (voiture, camionnette, poids lourds).

Autres articles

  • Autre article
    Entropy par Entropy : Découvrez notre équipe Episode 4 - Fares Katranji
  • Autre article
    Entropy par Entropy : Découvrez notre équipe Episode 3 - Amélie Rivoire
  • Autre article
    Le Big Data pour la mesure de la mobilité des personnes (GPS, FCD, FMD, SDK)
  • Autre article
    Entropy par Entropy : Découvrez notre équipe Episode 2 - Lydia Hamoum
  • Autre article
    Entropy par Entropy : Découvrez notre équipe Episode 1 - Guilhem Sanmarty
  • Autre article
    Le glossaire de la mobilité