CHAPITRE 1 : Généralités sur l’intelligence artificielle et l'audit

1-l'intelligence artificielle :

a- histoire et définition de l'ai

Définition :

L'intelligence artificielle (IA)

Est une branche de l'informatique qui se concentre sur la création de machines

intelligentes qui peuvent effectuer des tâches qui nécessitent normalement
l'intelligence humaine, telles que la reconnaissance vocale et faciale, la prise de
décision, la résolution de problèmes, l'apprentissage et la compréhension du langage
naturel. L'IA utilise des algorithmes et des modèles mathématiques pour imiter les
processus cognitifs humains et pour apprendre à partir de données afin de s'améliorer
progressivement. Il existe plusieurs types d'IA, notamment l'IA faible (ou étroite), qui est
conçue pour effectuer une tâche spécifique, telle que la reconnaissance d'images ou la
traduction automatique, et l'IA forte, qui est capable d'exécuter toutes les tâches
cognitives qu'un être humain peut accomplir. L'IA est utilisée dans de nombreux
domaines, tels que la médecine, la finance, les transports, la sécurité et l'éducation,
pour améliorer l'efficacité, la précision et la rapidité des processus et des décisions.
Cependant, l'utilisation de l'IA soulève également des préoccupations quant à la
protection de la vie privée, l'éthique et l'impact sur l'emploi et la société en général.

L'historique d'IA :

<Intelligence Artificielle>> n'est pas un concept nouveau. L'apparition de ce concept se

date de 1950 avec les travaux d'Alan Turing, et plus spécifiquement, dans un article
intitulé : " Computing Machinery and Intelligence ". L'objectif est de savoir si une
machine est consciente ou non. De cet article, il va apparaitre un test très connu qui
est le Test de Turing qui permet de savoir est-ce qu'une machine a la capacité de tenir
une conversation humaine. En 1966, Joseph Weizenbaum a créé un programme
capable de passer le test de Turing : ELIZA, ce programme était en mesure d'examiner
un texte à la recherche de mots-clés pour formuler une réponse cohérente. En 1972,
Kenneth Colby créa PARRY, un programme similaire à ELIZA, imitant le comportement
d'un schizophrène paranoïaque.

En 1956, et lors d'une conférence aux Etats Unis qui s'est déroulé au Dartmouth
College, I'IA a intégré officiellement le domaine scientifique. Dans les années 80, avec
le succès des systèmes experts, ces derniers ont permis de relancer les projets sur l'IA.
Au début des années 2000, on trouve l'apparition de l'IA dans les films de « science-
fiction >> comme pour le cas du film Matrix en 1999. A partir de 2010, l'IA apparait dans
la vie quotidienne de chaque être humain. Par exemple, en 2011, la création d'un
cerveau par IBM nommé WATSON et qui a battu en direct les deux plus grands
champions de Jeopardy.

Avec l'apparition du Machine Learning et le Deep Learning, l'IA a permis de lancer

plusieurs projets, et elle prend sa place de plus en plus dans les entreprises. Prenons
l'exemple de Google qui a devenu, en 2013, le pionnier dans ce domaine grâce aux
moteurs de recherches qu'elle possède, et aussi l'entreprise Facebook qui a investi
dans ce domaine avec l'apparition du Facebook Intelligence Research (FAIR) dirigé par
Yan le Cun.

[Link]
%20artificielle/#%20:~:%20text=L'intelligence%20artificielle%20avant%20%202000.m
achine%20est%20consciente%20ou%20non

b- Le fonctionnement de l'IA :

La révolution actuelle de l'IA est rendue possible pour une combinaison de 3 facteurs
fondamentaux pour le fonctionnement de l'IA : Les moteurs de règles ou les systèmes
experts, le Machine Learning et le Deep Learning.

Les moteurs de règles ou systèmes experts :

Les systèmes experts est un outil indispensable pour l'IA qui permet de produire des
mécanismes cognitifs d'un expert dans un domaine particulier. Cette technique se sont
des logiciels qui permettent de constituer une aide de décision, de gagner de temps et
de répondre à des questions en effectuant un raisonnement à partir des faits connus.

Ces moteurs de règles ont plusieurs avantages qui résident dans le fait qu'ils
permettent de séparer les traitements et les données, de centraliser et de rendre
accessible la gestion de la connaissance et surtout de définir des règles
compréhensibles et rédigeables par des humains. En effet un moteur de règle
n'apprend pas. Il est composé de 3 parties : une base de faits, une base de règles et un
moteur d'inférence. Ce dernier est capable d'utiliser des faits et des règles pour
produire des nouveaux faits, jusqu'à parvenir à la réponse de la question posée par
l'expert.

Le Machine Learning
Le Machine Learning ou Apprentissage Automatique est apparu dans les années 60 et
plus précisément dans un discours de René Descartes. Cependant, Alan Turing dans
son article << Computing Machinery and Intelligence >> donne un aperçu de l'objectif
du Machine Learning en posant la question :

<<< La machine peut-elle penser ? >>

Plusieurs définitions ont été référées à l'apprentissage automatique mais qui partent
dans le même sens. D'après Jason Brownlee, le Machine Learning est <<< une branche
de l'IA dans laquelle un ordinateur génère des règles sous-jacentes ou basées sur des
données brutes qui y ont été introduites. ». « Le Machine Learning est le domaine
d'étude qui donne aux ordinateurs la capacité d'apprendre sans être explicitement
programme >>> affirme Arthur Samuel.

Ces définitions sont très pertinentes dans la mesure où elles sont basées sur des
perspectives algorithmiques, statistiques et mathématiques. Plus précisément, il s'agit
d'un mécanisme permettant d'intégrer l'intelligence dans une machine pour être en
mesure d'apprendre, ce qui leur permet de dépasser, d'une manière autonome, les
fonctions initialement programmées. Ainsi, le ML a une relation avec plusieurs
domaines que ce soient les statistiques, algorithmes, base de données,
reconnaissance des formes et l'IA.

Le ML est basé principalement sur l'apprentissage. En effet, on trouve 2. Catégories

d'apprentissage : Apprentissage supervisé et Apprentissage no Supervisé

L'apprentissage supervisé En ce type, les données qui entrent dans le processus dont
catégorisées et que les algorithmes doivent s'en servir pour arriver à un résultat dans le
but de pouvoir le faire plus tard lorsque les données ne seront pas catégorisées.

L'apprentissage non supervisé consiste à ne disposer que de données d'entrée et pas

de variables de sortie correspondantes. Plus précisément, on se base que sur les
données originaires d'un ou plusieurs humains pour pouvoir l'imiter par la suite. Son
objectif est de modéliser la structure ou la distribution sous-jacente dans les données
afin d'en apprendre davantage sur les données.

Le Deep Learning :
 Le Deep Learning (DL) est un sous-ensemble de Machine Learning et de l'IA. Le DL ou
apprentissage en profondeur est un type de l'IA où la machine peut apprendre par elle-
même en s'appuyant sur un réseau de neurones, chacune recevant et interprétant les
informations des couches précédentes. Il comprend des structures hiérarchiques et
des niveaux de représentation et d'abstraction dans le but de comprendre les données
provenant de différents types de sources telles que les images, les vidéos et le son...
Les données de départs sont essentielles.

L'un des plus grands avantages de DL c'est qu'il est capable d'apprendre
automatiquement la représentation des traits à plusieurs niveaux d'abstraction. Ainsi,
ce système crée une machine virtuelle composée de milliers d'unités chacune chargée
de petits calculs simples.

c- les types d´ IA

L’IA ne peut donc fonctionner sans l’existence de trois principaux facteurs cités ci-
dessous. En effet, on se trouve entre deux types d’IA : L’IA faible et l’IA forte. Donc,
quelles sont les caractéristiques de chacun de ces deux ?

L’IA forte

L’IA forte, qui est la plus complexe, est basée sur une analyse d’une situation concrète.
Son but est de mettre en place une machine capable non seulement de produire un
comportement intelligent mais aussi de faire reproduire une sorte de conscience
réelle, de ressentir des vrais sentiments et de comprendre ce qui la pousse à faire telle
ou telle chose : c’est tout à fait un être humain ! Dans ce cas on parle de la cognition
artificielle. En d’autres termes, l’IA forte est une machine qui peut non seulement
reproduire des aptitudes, mais aussi avoir une conscience et des émotions. Elle est à la
recherche d’une réelle autonomie. De plus son raisonnement doit être proche à celui
des humains ce qui est difficile voire impossible de réaliser. Aujourd’hui, il est presque
impossible de mettre en place une machine qui reflète des émotions et des
sentiments. Artificiel Super Intelligence étant un des systèmes de l’IA forte. En effet, il
existe une différence entre l’homme et la machine et c’est évident qui est en faveur de
l’homme car il est quasi-impossible que la machine puisse comporter comme un
humain. Mais, il ne faut jamais dire jamais ! C’est l’IA faible.

L’IA faible

L’IA faible, la plus raisonnable, ne fait que reproduire un comportement, mais son
fonctionnement. En d’autres termes, et contrairement à l’IA forte, la machine ne
comprend pas ce qu’elle fait. Elle considère qu’un programme peut-être à la mesure de
raisonner et de résoudre des problèmes mais cette fois le programme simule
l’intelligence. L’IA faible est utilisée dans des tâches simples. Elle nécessite une
intervention d’un être humain. Elle ne fonctionne qu’avec une succession
d’algorithmes qui doivent être programmés par des humains. Les systèmes experts et
Artificiel Narrow Intelligence sont parmi les systèmes de l’IA faible.

2 – Audit :

a- Définition et l'évolution d'audit

Définition

Le mot audit, vient du verbe latin ‘’audire’’ qui signifie ‘’écouter’’, l’audit est une
démarche cohérente de contrôle qui conduit à délivrerune opinion sur ce qui est en fait
l’objet, par rapport au référentiel applicable