Revision sheet: Introduction à l'Intelligence Artificielle et ses Défis

📋 Plan du Cours

1. Algorithmes et intelligence artificielle
2. Algorithmes de prédiction
3. Biais de données
4. Bulle de filtre

📖 1. Algorithmes et intelligence artificielle

🔑 Notions clés & Définitions

• Algorithme : Un algorithme est une suite d’instructions qui permet de résoudre un problème ou d’effectuer une tâche.
• Intelligence artificielle : Une intelligence artificielle est un programme capable d’accomplir des tâches qui ressemblent à des capacités humaines, comme reconnaître ou prédire.
• Données : Les données sont les informations utilisées par des algorithmes d’IA pour apprendre et produire des résultats.
• IA de reconnaissance : Une IA de reconnaissance est conçue pour repérer des éléments comme des images ou des sons.

📝 Points essentiels

• L’IA fonctionne grâce à des algorithmes qui traitent des données pour produire des résultats.
• Les tâches citées pour l’IA incluent la reconnaissance d’images, la compréhension du texte et la réalisation de prédictions.
• L’IA peut se tromper, dépend des données fournies et peut reproduire des biais présents dans ces données.
• Un exemple d’apprentissage avec des photos de chats permet ensuite d’identifier un chat sur une nouvelle image.

💡 Astuce mémo

Algorithme = recettes; IA = recettes sur données; données = ingrédients.

📖 2. Algorithmes de prédiction

🔑 Notions clés & Définitions

• Algorithme de prédiction : Un algorithme de prédiction est un programme qui estime un résultat futur à partir de données, sans connaître l’avenir avec certitude.
• Données du passé : Les données du passé sont les informations passées utilisées par un algorithme pour repérer des régularités.
• Modèles : Les modèles sont les structures apprises à partir des données qui servent à produire l’estimation.
• Prédiction : Une prédiction est la réponse produite par l’algorithme à partir des modèles appris et des données.

📝 Points essentiels

• Un algorithme de prédiction utilise des données du passé pour chercher des modèles pertinents.
• Il produit une prédiction sous forme d’estimation, donc une erreur reste possible.
• Les prédictions ne sont pas toujours exactes et dépendent des données utilisées.
• Plus les données sont bonnes, plus la prédiction est fiable.
• Exemples : Netflix recommande des films, la météo prévoit le temps, les sites de vente suggèrent des produits.

💡 Astuce mémo

Passé → modèles → estimation : l’erreur vient du futur inconnu.

📖 3. Biais de données

🔑 Notions clés & Définitions

• Biais de données : Un biais de données est un déséquilibre ou un préjugé présent dans les données servant à entraîner une intelligence artificielle.
• Données non représentatives : Des données non représentatives sont des données qui ne reflètent pas correctement la diversité du monde réel.
• Stéréotypes : Les stéréotypes sont des idées toutes faites que l’IA peut apprendre si elles figurent dans les données.
• Déséquilibres : Les déséquilibres sont des écarts de quantité ou de présence entre groupes dans un jeu de données d’entraînement.

📝 Points essentiels

• Si les données ne sont pas représentatives, l’IA peut apprendre des choses fausses ou injustes.
• Les biais viennent du fait que les données proviennent des humains et du monde réel, avec stéréotypes, erreurs et déséquilibres.
• Exemple : des photos surtout de médecins hommes peuvent conduire à associer « médecin = homme ».
• Conséquences : résultats injustes, reproduction de stéréotypes et mauvaises décisions de l’IA.
• Pour réduire les biais : utiliser des données variées et équilibrées, vérifier les résultats, corriger les données problématiques, tester sur différents groupes.

💡 Astuce mémo

Données biaisées → IA biaisée : la cause vient de l’entraînement.

📖 4. Bulle de filtre

🔑 Notions clés & Définitions

• Bulle de filtre : Une bulle de filtre est une situation où les plateformes montrent surtout des contenus alignés sur tes préférences, avec moins d’informations divergentes.
• Algorithmes de recommandation : Les algorithmes de recommandation analysent les comportements pour proposer des contenus similaires à ce que tu aimes.
• Opinions différentes : Des opinions différentes sont des points de vue variés provenant d’autres sources que celles déjà consultées.
• Désinformation : La désinformation correspond à des informations trompeuses qui peuvent être renforcées si la diversité des sources diminue.

📝 Points essentiels

• Une bulle de filtre réduit la diversité : tu vois moins d’informations différentes ou contradictoires.
• Les plateformes analysent ce que tu regardes, ce que tu likes, ce que tu recherches et ce sur quoi tu cliques pour proposer des contenus semblables.
• Exemple : si tu regardes souvent du sport, tu verras surtout du sport et moins d’autres sujets comme la culture, la science ou l’actualité.
• Conséquences : vision limitée du monde, moins de diversité d’opinions, renforcement d’idées déjà présentes, risque de désinformation.
• Protection : consulter plusieurs sources, chercher des opinions différentes, sortir de ses habitudes de recherche, suivre des contenus variés.

💡 Astuce mémo

Tu cliques → tu reçois : même type de contenu, monde rétréci.

⚠️ Pièges & confusions fréquents

1. Confondre l’algorithme de prédiction avec une connaissance certaine du futur, alors qu’il s’agit d’une estimation avec erreur possible.
2. Croire que plus d’IA signifie plus de vérité, alors que la fiabilité dépend directement de la qualité et de la représentativité des données.
3. Penser que les biais viennent seulement de l’IA, alors qu’ils peuvent provenir des déséquilibres et stéréotypes dans les données d’entraînement.
4. Confondre biais de données et bulle de filtre : l’un concerne l’entraînement de l’IA, l’autre vient de la sélection de contenus selon tes comportements.
5. Croire que consulter des sources variées suffit toujours sans vérifier les résultats, alors que la réduction des biais demande aussi des vérifications et des corrections.
6. Examiner une « prédiction » en oubliant que les modèles sont construits sur le passé et que les prédictions dépendent des données utilisées.

✅ Checklist Examen

1. Définir un algorithme comme suite d’instructions servant à résoudre un problème ou réaliser une tâche.
2. Définir l’intelligence artificielle et citer au moins deux tâches mentionnées (reconnaissance d’images, compréhension du texte, prédiction).
3. Expliquer le lien IA–algorithme–données : les algorithmes traitent des données pour produire des résultats.
4. Distinguer l’IA de reconnaissance de l’idée générale d’IA, et donner au moins un exemple associé au cours.
5. Définir un algorithme de prédiction comme estimation d’un résultat futur à partir de données.
6. Décrire le fonctionnement en trois étapes : utilisation des données du passé, recherche de modèles, proposition de la prédiction.
7. Expliquer pourquoi une erreur est possible en prédiction (estimation et futur non connu).
8. Citer au moins deux exemples d’algorithmes de prédiction (Netflix, météo, sites de vente).
9. Définir un biais de données comme déséquilibre ou préjugé présent dans les données d’entraînement.
10. Expliquer la cause des biais (données issues des humains et du monde réel, avec stéréotypes, erreurs, déséquilibres).
11. Donner l’exemple du « médecin = homme » et préciser qu’il illustre un effet d’apprentissage dû au déséquilibre des données.
12. Lister au moins deux conséquences des biais : résultats injustes, reproduction de stéréotypes, mauvaises décisions.
13. Citer au moins deux méthodes de réduction des biais : données variées et équilibrées, vérification, correction, tests sur différents groupes.
14. Définir la bulle de filtre comme mise en avant de contenus correspondant aux préférences déjà perçues.