Introduction à l'intelligence
artificielle
Définition de l'IA
L'intelligence artificielle (IA) est un domaine informatique visant à créer des
machines capables de simuler l'intelligence humaine, comme la prise de décision,
la compréhension du langage et la perception visuelle.
L’intellig en ce artificielle (IA)
permet aux machines d’imiter certaines capacités propres à l’intelligence
humaine, comme apprendre, raisonner, créer du contenu et prendre des décisions.
L’IA peut être programmée pour effectuer une tâche spécifique. Elle
peut également s’adapter et s’améliorer au fil du temps en apprenant à partir de
données. L’IA est un domaine d’étude à l’intersection des mathématiques, de
l’informatique et des sciences sociales.
Introduction à l'intelligence
artificielle
Pourquoi l'I A est -elle import ant e ?
L'IA a un impact majeur dans des secteurs comme la santé,
l'éducation, et la finance, en automatisant des tâches
complexes et en fournissant des insights précieux.
Histoire et évolution de l'intelligence
artificielle
Les début s de l'I A
L'IA a émergé dans les années 1950 grâce à des pionniers
comme Alan Turing qui ont théorisé les machines pensantes.
Histoire et évolution de l'intelligence
artificielle
L'I A dans les années 1950 à 1980
• Les premières étapes de l'IA étaient dominées par des
règles simples et des logiques basées sur des
instructions programmées.
• Période où le progrès de l'IA connait une succession de
ralentissements, en raison d'attentes non satisfaites
Histoire et évolution de l'intelligence
artificielle
La fin des années 90
est marquée par un
regain d'intérêt.
Histoire et évolution de l'intelligence
artificielle
L' essor de l' IA m oderne : deep lea rning et bi g da ta
Depuis les années 2000, avec l'essor de la puissance de
calcul et des données massives, l'IA a connu un essor
phénoménal, notamment avec le deep learning.
Histoire et évolution de l'intelligence
artificielle
2011
Watson, le système d'IA de IBM, bat d'anciens champions
dans le jeu télévisé Jeopardy. Sa compréhension du langage
naturel et sa vitesse de traitement de l'information sont
impressionnantes.
Compréhension du langage naturel : Watson a été
capable d'analyser et de comprendre des questions
posées en langage naturel, un défi majeur pour les
systèmes d'IA à l'époque.
Vitesse de traitement : Watson a traité d'énormes
volumes de données en temps réel, lui permettant de
répondre rapidement à des questions complexes.
Performance exceptionnelle : Le système a surclassé ses
rivaux humains grâce à sa capacité à évaluer et
interpréter des indices dans des domaines variés comme
l'histoire, la science, la culture générale, etc.
Histoire et évolution de l'intelligence
artificielle
L' essor de l' IA m oder ne : deep lea r ni ng et bi g da ta
2014 2018
Google acquiert DeepMind IBM présente Project Debater, une IA capable de
Technologies, une entreprise débattre de sujets complexes avec des êtres
britannique de recherche en IA, ce humains, démontrant des capacités avancées de
qui marque un tournant majeur compréhension, de raisonnement et de
dans l'évolution de ce domaine. formulation d'arguments.
2020
OpenAI publie GPT-3, un modèle de langage avancé, qui parvient à capter l'attention
publique et médiatique à la fin de 2022 pour sa génération de textes et ses applications
variées allant jusqu'à la programmation.
Histoire et évolution de l'intelligence
artificielle
L' essor de l' IA m oder ne : deep lea r ni ng et bi g da ta
1997 2007 Siri devient une application
Lancement de Dragon NaturallySpeaking, Avant son acquisition par Apple, Siri est
le premier logiciel de reconnaissance lancée comme une application sur l'App
vocale grand public. Il permet de dicter du Store, offrant au grand public une des
texte à l'ordinateur plutôt que de le taper premières occasions d'interaction avec
un assistant vocal.
2004 , facaebook
2019
Le réseau social est lancé et, peu à peu,
L'amélioration des filtres Instagram est
l'application utilise l'IA pour la
rendue possible grâce à l'utilisation de
personnalisation des fils d'actualité, la
l'IA pour modifier les visages ou intégrer
suggestion d'amis et de groupes, ou encore
des éléments de réalité augmentée de
la reconnaissance faciale dans les photos
façon convaincante et divertissante
Histoire et évolution de l'intelligence
artificielle
L' essor de l' IA m oder ne : deep lea r ni ng et bi g da ta
2011
Google améliore significativement Google 2018 , google Duplex
Translate avec l'apprentissage Présentation de Google Duplex, une
automatique, permettant une traduction technologie permettant à l'assistant
instantanée et plus précise directement Google de passer des appels
sur les appareils mobiles. téléphoniques en votre nom pour prendre
2014 des rendez-vous ou obtenir des
Lancement de Cortana, un assistant renseignements commerciaux, avec une
virtuel intégré à Windows 10, qui utilise voix étonnamment proche de celles des
l'IA pour fournir des rappels contextuels, êtres humains.
gérer des calendriers et effectuer des
recherches
2015 2020
Google introduit Smart Reply, une OpenAI lance GPT-3 qui permet de coder,
fonctionnalité utilisant l'IA pour suggérer de générer du texte dont des courriels et
des réponses automatiques aux courriels et même des poèmes sur la base de simples
faciliter la gestion des réponses rapides instructions textuelles.
Types d'intelligence artificielle : IA
faible vs IA forte
IA faible I A fort e
L'IA faible est conçue pour L'IA forte est une vision théorique où les
accomplir des tâches spécifiques, machines seraient capables d'effectuer toutes
comme un assistant virtuel ou une les tâches humaines avec conscience et
voiture autonome. compréhension.
L’IA forte , pour sa part, possède
L’IA est dite « faible » lorsqu’elle hypothétiquement la capacité de comprendre,
est conçue pour effectuer une d’apprendre et de fonctionner de manière
tâche spécifique. L’ IA indépendante. L’IA forte n’existe pas encore. Si
faible peut simuler une elle existait, elle serait une machine avec une
interaction humaine, mais elle conscience et une compréhension du monde
n’est pas consciente d’elle-même équivalentes à celles d’un être humain. Elle
et ne ressent pas d’émotions. serait alors capable de réaliser toute tâche
intellectuelle qu’un être humain peut accomplir.
Applications générales de
l'intelligence artificielle
I A dans la sant é
L'IA permet d'analyser des données médicales, de
diagnostiquer des maladies et d'optimiser les traitements
grâce à des modèles prédictifs.
I A dans les affaires
L'IA est utilisée pour améliorer les performances des
entreprises en optimisant les processus, la gestion des
stocks et la prise de décision stratégique.
I A dans les t ransport s
Les véhicules autonomes et l'optimisation du trafic sont
des exemples où l'IA améliore la sécurité et l'efficacité
du transport.
L'intelligence artificielle dans les
entreprises
Automatisation des tâches répétitives
L'IA aide les entreprises à automatiser les tâches
administratives, permettant ainsi aux employés de se
concentrer sur des tâches à plus forte valeur ajoutée.
Prise de décision assistée par IA
L'IA fournit des analyses de données pour aider à la
prise de décision stratégique dans les entreprises.
L'impact de l'intelligence artificielle
sur l'économie
Création de nouvelle s industries
L'IA a créé de nouvelles industries, notamment dans les
secteurs de la data science et de la robotique.
Disruption des secteurs traditionnels
Des industries comme le transport et la finance ont été
profondément perturbées par l'adoption de l'IA.
Concepts clés en IA
Un agent est une entité capable de prendre des décisions. Pour ce faire, il interagit avec
son environnement. Un agent peut être un humain, un robot ou encore un logiciel d’IA. Un
agent peut utiliser des capteurs, comme des caméras, pour comprendre son environnement et
avec des effecteurs, comme des roues pour se déplacer, afin d’agir dans ce même
environnement.
Exemple
Un thermostat intelligent est un agent qui ajuste automatiquement la température d’une pièce.
Pour ce faire, il perçoit l’environnement par des capteurs de température et agit en activant
un effecteur,, l’appareil de chauGage ou de climatisation, en l’ajustant à la température
désirée.
Concepts clés en IA
Modèle:
Un agent d’IA fonctionne en exécutant un modèle. Un modèle d’IA est un programme qui repose
sur un ou plusieurs algorithmes et qui a été entrainé par différents ensembles de données afin
d’améliorer ses habiletés de prédiction ou de génération de contenu.
Le modèle est à l’agent d’IA ce que le cerveau est à l’être humain : une tour de contrôle qui, de
façon continue, prend des décisions à partir de l’information qu’elle collecte.
Concepts clés en IA
Les données d’apprentissage
Les données d’apprentissage sont celles utilisées pour entrainer un modèle d’IA. En général, plus les
données d’apprentissage sont de qualité, plus les prévisions du modèle sont justes.
Exemple
Pour entrainer un modèle capable de reconnaitre et de classifier des images d’animaux, une ou un
expert en science des données doit fournir au modèle plusieurs images de différents animaux. Ces
images doivent être représentatives de l’ensemble de la population animale et doivent contenir toutes
les caractéristiques importantes permettant de distinguer un animal d’un autre animal. Par exemple, si
le modèle se concentre sur la classification d’images de chats, il est important que les données
d’apprentissage contiennent des chats de toutes les couleurs et de toutes les tailles.
Concepts clés en IA
Apprentissage Automatique (Machine Learning) vs Apprentissage Profond (Deep Learning)
1. Apprentissage Automatique (Machine Learning) :
L'apprentissage automatique est un sous-ensemble de
l'intelligence artificielle où les machines apprennent à
Caractéristiques de l’apprentissage Profond :
partir des données et s'améliorent au fil du temps sans
être explicitement programmées.
➢ Utilisation de réseaux neuronaux profonds
➢ Traitement de données non structurées
➢ Besoins de grandes quantités de données
➢ Forte puissance de calcul
2. Apprentissage Profond (Deep Learning) : ➢ Auto-extraction des caractéristiques
L'apprentissage profond est un sous-ensemble de ➢ Modèles très complexes
l'apprentissage automatique qui utilise des réseaux ➢ Réduction de l'intervention humaine
neuronaux profonds pour modéliser des relations ➢ Applications dans des domaines avancés
complexes dans de grandes quantités de données. Il
repose sur des couches successives de neurones artificiels
(d'où le terme "profond").
Concepts clés en IA
IA prédictive et IA générative
L’IA prédictive a pour but de prédire des évènements. En L’IA générative, quant à elle, va un pas plus loin en créant de
utilisant des algorithmes d’apprentissage automatique, les nouveaux contenus (images, textes, musique, vidéos),
agents d’IA analysent les tendances passées pour faire des communément appelés des « artéfacts », à partir de données
prédictions. existantes.
Exemples : Exemples :
Prédiction des ventes : Utilisation des données passées pour Création d'images : Des modèles comme DALL-E génèrent
prédire les ventes futures d'un produit. des images à partir de descriptions textuelles.
Analyse des comportements clients : Prédire si un client va Génération de texte : GPT-3 ou ChatGPT génère du texte
acheter un produit, en fonction de son comportement cohérent à partir d'un prompt donné (ex. : rédaction
précédent. d'articles, écriture créative).
Météo : Prédiction des conditions météorologiques à partir Musique : Des IA qui composent de la musique à partir
de données historiques et actuelles. d'exemples existants, comme OpenAI Jukedeck.
Les différents types d'apprentissage
en IA
Apprent iss age supervis é
Dans l'apprentissage supervisé, un modèle est formé à
partir de données étiquetées, et apprend à prédire ou
classer de nouvelles données.
Apprent iss age non supervisé
L'apprentissage non supervisé est utilisé pour analyser
des données non étiquetées et découvrir des patterns ou
des regroupements.
Apprent iss age par renforcement
L'apprentissage par renforcement permet à une IA
d'apprendre par essais et erreurs, en recevant des
récompenses pour des actions correctes.
Qu'est-ce que l'apprentissage
supervisé ?
Définit ion et exemples
L'apprentissage supervisé est un type d'IA où un modèle
apprend à partir d'exemples étiquetés pour prédire des
résultats ou classer des données.
Application s de l'apprentissage supervisé
L'IA supervisée est utilisée dans des domaines comme la
reconnaissance d'image, la prédiction des ventes, et la
classification des emails.
Comprendre l'apprentissage non
supervisé
Principe de base
L'apprentissage non supervisé permet à un modèle de
trouver des structures cachées dans les données, comme
des groupes ou des tendances.
Utilisatio n d ans la segmentatio n d e marc hé
L'IA peut diviser les consommateurs en segments en
fonction de leurs comportements et préférences.
Introduction à l'apprentissage par
renforcement
Principe
L'apprentissage par renforcement consiste à enseigner à
un agent IA à maximiser ses récompenses en
interagissant avec son environnement.
Applicat ion s prat iques
L'IA par renforcement est utilisée dans les jeux vidéo, la
robotique et les systèmes de gestion d'énergie.
Machine learning : qu'est-ce que c'est
?
Définition
Le machine learning est une sous-catégorie de l'IA qui
permet aux systèmes d'apprendre à partir de données
sans programmation explicite.
Différences avec l'intelligence artificielle traditionnelle
Le machine learning se concentre sur la capacité
d'apprendre et d'améliorer les performances à partir de
données, tandis que l'IA inclut des systèmes plus larges.
Les algorithmes utilisés en machine
learning
Régression linéaire et logist ique
La régression linéaire est utilisée pour prédire des
valeurs continues, tandis que la régression logistique est
utilisée pour la classification.
Arbres de décision
Les arbres de décision sont utilisés pour prendre des
décisions basées sur des données et des règles.
Les algorithmes utilisés en machine
learning
Régression linéaire
logistique
Arbres de décision
Les bases des réseaux neuronaux
Qu'est -ce qu'un réseau neuronal ?
Un réseau neuronal est une architecture informatique
composée de neurones artificiels interconnectés qui
traitent les données de manière similaire au cerveau
humain.
Archit ect ure de base
Les réseaux neuronaux se composent de couches
d'entrée, cachées et de sortie, chaque couche traitant
différentes parties de l'information.
Les bases des réseaux neuronaux
Qu'est -ce qu'un réseau neuronal ?
L'architecture d'un réseau neuronal
Les couches d'un réseau
Chaque couche d'un réseau neuronal transforme les
données de manière plus abstraite, de l'entrée à la
sortie.
La propagat ion avant et l'act ivat ion
Les données sont transmises à travers les couches via la
propagation avant, et chaque neurone applique une
fonction d'activation.
Fonctionnement d'un neurone
artificiel
Opérat ion du neurone
Un neurone reçoit des entrées pondérées, effectue une
somme et applique une fonction d'activation pour
produire une sortie.
Rôle des neurones dans l'apprentissage
Les neurones artificiels apprennent en ajustant les poids
des connexions au fil du temps, en fonction des erreurs.
La Rétropropagation (Backpropagation)
La rétropropagation est l'algorithme clé d'apprentissage utilisé pour entraîner les réseaux
neuronaux artificiels. Il permet d'ajuster les poids des connexions neuronales en fonction
des erreurs observées dans la prédiction du modèle.
Propagation arrière (Backpropagation) :
•L'erreur est propagée de l'arrière vers l'avant à
travers le réseau, en calculant les gradients des
Propagation avant (Forward Propagation) :
poids.
•Les entrées sont transmises à travers le réseau pour
•Gradient de l'erreur : calcul de la dérivée de la
générer des prédictions.
fonction de coût par rapport aux poids du réseau.
•L'erreur est calculée en comparant la sortie du
•Ces gradients sont utilisés pour ajuster les poids en
réseau avec la sortie réelle.
direction de la réduction de l'erreur.
Calcul de l'erreur : Mise à jour des poids :
•L'erreur est mesurée en utilisant une fonction de •Les poids sont ajustés à l'aide de l'algorithm
coût (ex : erreur quadratique moyenne ou d'optimisation (par exemple, descente de gradient).
entropie croisée). •Cette étape est répétée plusieurs fois pour minimise
l'erreur globale du modèle.
La Rétropropagation (Backpropagation)
Propagation de l’information
Illustration graphique du processus de la rétro-propagation
Propagation de l’erreur
Les réseaux neuronaux convolutifs
(CNN)
Définit ion
Les CNN sont des réseaux de neurones spécialement
conçus pour traiter les données en forme de grille,
comme les images.
Application s dan s la r e con n aissan ce d' image s
Les CNN sont utilisés dans la reconnaissance faciale, la
détection d'objets et la classification d'images.
Les réseaux neuronaux convolutifs
(CNN)
Les réseaux neuronaux récurrents
(RNN)
Principe
Les RNN sont utilisés pour les données séquentielles, car
ils possèdent une mémoire qui leur permet de garder une
trace des informations passées.
Application s
Les RNN sont utilisés dans la reconnaissance vocale, la
traduction automatique et la génération de texte.
Les réseaux neuronaux récurrents
(RNN)
Le deep learning
Différences avec le machine learning
Le deep learning utilise des réseaux de neurones avec
plusieurs couches pour extraire des caractéristiques
complexes, contrairement aux algorithmes classiques de
machine learning.
Application s
Le deep learning est utilisé dans des tâches complexes
comme la reconnaissance vocale, l'image, et même la
conduite autonome.
Le rôle des couches dans un réseau de
neurones
Les couches cachées
Les couches cachées permettent de transformer les
données d'entrée en informations abstraites à chaque
étape.
Importance de la profondeur
Les réseaux plus profonds peuvent extraire des
caractéristiques plus complexes à partir des données.
L'importance des données dans
l'apprentissage automatique
Collect e et préparat ion des données
Les données doivent être nettoyées et prétraitées avant
d'être utilisées pour entraîner un modèle d'IA.
Qualité des données
La qualité des données est cruciale pour garantir la
précision et la fiabilité des modèles d'IA.
Le traitement du langage naturel par
l'IA
Compréhensi o n du langage
L'IA utilise des modèles comme les RNN et les
transformers pour comprendre et générer du langage
humain.
Applicat ion s
Les chatbots et les assistants vocaux comme Siri et Alexa
utilisent le NLP pour interagir avec les utilisateurs.
L'IA dans la reconnaissance d'images
et de sons
Utilisation des CNN
Les CNN sont utilisés pour la reconnaissance d'images et
de sons, par exemple dans les systèmes de sécurité et les
applications médicales.
Application s
La reconnaissance faciale, la détection d'objets dans des
photos et la transcription automatique de la parole sont
des exemples d'applications.
ChatGPT
Prompt :
"Bonjour ChatGPT, nous sommes des étudiants de la Faculté d'Économie et de
Gestion de Béni Mellal. Nous souhaitons en savoir plus sur votre processus
d'apprentissage. Pouvez-vous nous expliquer, étape par étape, comment vous avez
été formé et comment vous continuez à apprendre ?"
ChatGPT
Le processus d'entraînement d'un modèle comme moi, ChatGPT, peut être divisé en plusieurs étapes clés, qui
incluent l'acquisition des données, l'entraînement du modèle, et son affinement. Voici comment cela fonctionne :
[Link] de données :
[Link] entraînement commence par la collecte d'énormes quantités de textes provenant de livres, d'articles, de
sites web, et d'autres sources d'information disponibles sur internet. Ces données sont utilisées pour
m'apprendre à comprendre et à générer du langage humain.
[Link]étraitement des données :
[Link] données collectées sont ensuite nettoyées et transformées. Par exemple, les informations inutiles ou
incorrectes sont éliminées, et les textes sont convertis en un format qui peut être utilisé pour m'apprendre à
mieux comprendre les relations entre les mots et les phrases.
[Link]înement initial :
[Link], un algorithme d'apprentissage appelé "apprentissage supervisé" est utilisé pour m'apprendre à partir
des exemples de textes. L'algorithme compare mes prédictions avec les réponses correctes dans les données et
ajuste les paramètres internes du modèle pour améliorer mes performances.
ChatGPT
[Link] et apprentissage par renforcement :
Après l'entraînement initial, j'entre dans une phase d'affinage. Ici, l'apprentissage par renforcement peut
entrer en jeu. Plutôt que d'apprendre uniquement à partir de données fixes, je reçois des "récompenses"
basées sur la qualité de mes réponses. Par exemple, lorsque je donne une réponse correcte ou utile, je
reçois un renforcement positif, et si je me trompe, un renforcement négatif. Cela me permet de mieux
comprendre ce qui constitue une réponse de qualité dans des situations complexes.
[Link] continu :
[Link] que je ne continue pas à apprendre de manière autonome en temps réel, mon équipe peut
m'entraîner régulièrement avec de nouvelles données pour m'assurer que mes réponses restent
pertinentes et actualisées. Cela se fait par des mises à jour périodiques du modèle.
6.Rétroaction et amélioration :
[Link], les utilisateurs (comme vous !) peuvent me donner des retours sur mes réponses. Ces retours
aident à identifier des zones où je peux m'améliorer pour mieux répondre à vos attentes.
L'IA dans le domaine de la santé
Diagnostic assisté par IA
L'IA aide les médecins à diagnostiquer des maladies plus
rapidement et plus précisément grâce à l'analyse de
grandes quantités de données médicales.
Prédiction des épidémies
Les modèles d'IA permettent de prédire la propagation
de maladies infectieuses en analysant les tendances
épidémiologiques.
L'IA et l'automatisation des tâches
dans les entreprises
Automatisation des tâches répétitives
L'IA permet d'automatiser les tâches répétitives et
administratives dans des domaines comme la
comptabilité, la gestion des stocks, et le service client.
Gains d'efficacité
L'IA permet aux entreprises de réduire les coûts,
d'améliorer la productivité et d'accélérer les processus
décisionnels.
Les applications de l'IA dans le
marketing
Publicité ciblée
L'IA permet de personnaliser les publicités en fonction
des préférences et du comportement des consommateurs.
Analyse de sentiment
L'IA analyse les avis des consommateurs pour
comprendre leur sentiment vis-à-vis d'une marque ou
d'un produit.
Les assistants virtuels et chatbots :
comment fonctionnent-ils ?
Technologie s sous -jacente s
Les chatbots et assistants virtuels utilisent des
algorithmes de traitement du langage naturel (NLP) pour
comprendre et répondre aux demandes des utilisateurs.
Application s dans le service client
Les chatbots permettent de répondre aux questions des
clients, d'effectuer des réservations et de gérer les
demandes de support.
L'IA dans le secteur financier :
gestion des risques et trading
L'IA dans le trading
L'IA est utilisée pour analyser des données financières
en temps réel et effectuer des transactions de manière
autonome.
Gestion des risques
L'IA aide les institutions financières à évaluer les risques
en analysant les tendances économiques et les données
du marché.
L'IA pour prédire les tendances
économiques
Modèles prédictifs
Les modèles d'IA sont utilisés pour prédire des
événements économiques futurs, comme les fluctuations
du marché ou les crises économiques.
Util isation dans l es p r évisions économ iq u es
L'IA permet d'analyser de grandes quantités de données
économiques pour prédire l'impact de différentes
politiques et événements.
L'impact de l'IA sur l'emploi et les
métiers
Transformation des métiers
L'IA transforme les emplois en automatisant des tâches
et en créant de nouvelles opportunités dans des secteurs
technologiques.
Risques d'automatisatio n
L'automatisation par l'IA peut entraîner la disparition de
certains métiers mais aussi créer des emplois dans les
secteurs technologiques.