Lernzettel: Introduction à l'Intelligence Artificielle et ses Enjeux

📋 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 : L’intelligence artificielle est un programme capable d’exécuter des tâches qui ressemblent à l’intelligence humaine, comme reconnaître des images, comprendre du texte et faire des prédictions.
• IA de reconnaissance : Une IA de reconnaissance sert à repérer et interpréter des informations comme des images ou de la voix.
• IA de prédiction : Une IA de prédiction sert à estimer un résultat futur pour des besoins comme la météo ou des recommandations.
• IA générative : Une IA générative produit du contenu comme du texte, des images ou de la musique à partir d’une demande.

📝 Points essentiels

• L’IA fonctionne grâce à des algorithmes qui traitent des données pour apprendre et produire des résultats.
• En entraînant une IA avec beaucoup de photos de chats, elle apprend à reconnaître un chat sur une nouvelle image.
• Les limites classiques de l’IA sont les erreurs, la dépendance aux données et la possibilité de reproduire des biais.
• Les types simples d’IA présentés sont la reconnaissance, la prédiction et la génération de contenu.

💡 Astuce mémo

Algorithmes → données → IA : reconnaissance (voir), prédiction (prévoir), génératif (créer).

📖 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 le futur à l’avance.
• Données du passé : Les données du passé sont les informations historiques utilisées pour repérer des régularités afin de faire une estimation.
• Modèles : Les modèles sont les schémas que l’algorithme cherche dans les données pour guider la prédiction.

📝 Points essentiels

• Un algorithme de prédiction réalise une estimation, donc une erreur reste possible.
• Le fonctionnement repose sur l’utilisation de données du passé, la recherche de modèles, puis la proposition d’une prédiction.
• Les prédictions ne sont pas toujours exactes et dépendent des données utilisées.
• Plus les données utilisées sont bonnes, plus la prédiction est fiable.
• Exemples cités : Netflix pour recommander, météo pour prévoir, sites de vente pour suggérer.

💡 Astuce mémo

Passé → modèles → estimation : si le futur était certain, il n’y aurait pas “prédiction”.

📖 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 réalité ou l’ensemble des groupes concernés.
• Stéréotypes : Les stéréotypes sont des idées toutes faites qui peuvent être présentes dans les données et être apprises par l’IA.

📝 Points essentiels

• Si les données ne sont pas représentatives, l’IA peut apprendre des choses fausses ou produire des résultats injustes.
• Les biais viennent du fait que les données proviennent d’humains et du monde réel, donc elles peuvent contenir stéréotypes, erreurs et déséquilibres de groupes.
• Exemple : trop de photos de médecins hommes peut amener l’IA à associer “médecin = homme”.
• Les conséquences listées sont des résultats injustes, la reproduction de stéréotypes et de mauvaises décisions de l’IA.

💡 Astuce mémo

Données déséquilibrées → apprentissage biaisé → décisions injustes.

📖 4. Bulle de filtre

🔑 Notions clés & Définitions

• Bulle de filtre : Une bulle de filtre est une situation où une plateforme montre surtout des contenus alignés avec ce que l’utilisateur aime déjà.
• Algorithmes de recommandation : Les algorithmes de recommandation sont des systèmes qui analysent les comportements pour proposer ensuite des contenus similaires.
• Diversité d’opinions : La diversité d’opinions désigne l’exposition à des points de vue variés, parfois contradictoires, sur une même question.

📝 Points essentiels

• Une bulle de filtre réduit l’exposition à des informations différentes ou contradictoires.
• Le fonctionnement repose sur l’analyse de ce que l’utilisateur regarde, like, recherche et sur ce sur quoi il clique, puis sur la proposition de contenus similaires.
• Exemple : regarder souvent du sport mène à voir surtout du sport et moins d’autres sujets comme culture, science ou actualité.
• Lien avec l’IA : les algorithmes utilisent l’IA pour prédire ce que l’utilisateur veut voir et le garder plus longtemps, ce qui peut renforcer la bulle de filtre.
• Se protéger : consulter plusieurs sources, chercher des opinions différentes, sortir de ses habitudes de recherche, suivre des contenus variés.

💡 Astuce mémo

Tu cliques sur A → la plateforme prédit “tu veux A” → tu vois moins B/C : bulle.

⚠️ Pièges & confusions fréquents

1. Confondre l’IA avec l’algorithme : l’IA est un programme qui s’appuie sur des algorithmes pour traiter des données.
2. Croire qu’un algorithme de prédiction “sait” le futur : il ne fait qu’une estimation donc une erreur est possible.
3. Penser que la fiabilité dépend uniquement de l’algorithme : sans données bonnes et représentatives, les prédictions et décisions restent biaisées.
4. Réduire la bulle de filtre à un simple “choix personnel” : elle vient aussi des algorithmes qui analysent les clics et proposent des contenus similaires.
5. Confondre biais de données et bulle de filtre : le premier concerne la qualité/équilibre des données d’entraînement, la seconde l’exposition des contenus par recommandation.

✅ Checklist Examen

1. Définir un algorithme comme une suite d’instructions permettant de résoudre un problème ou une tâche.
2. Décrire les capacités typiques de l’IA : reconnaissance d’images, compréhension du texte, prédictions.
3. Expliquer le lien IA–algorithmes–données : l’IA s’appuie sur des algorithmes qui traitent des données.
4. Citer les 3 types simples d’IA présentés : reconnaissance, prédiction, générative.
5. Définir un algorithme de prédiction et préciser qu’il fait une estimation sans connaître le futur.
6. Identifier les étapes de fonctionnement d’un algorithme de prédiction : données du passé, recherche de modèles, proposition.
7. Donner au moins deux raisons pour lesquelles une prédiction peut être inexacte : erreur possible et dépendance aux données.
8. Expliquer ce qu’est un biais de données et préciser qu’il provient d’un déséquilibre ou d’un préjugé dans les données.
9. Donner 3 sources de biais mentionnées : stéréotypes, erreurs, déséquilibres entre groupes.
10. Interpréter l’exemple “médecin = homme” et relier-le au déséquilibre des données d’entraînement.
11. Lister 3 conséquences des biais : résultats injustes, reproduction de stéréotypes, mauvaises décisions.
12. Définir la bulle de filtre et dire ce qu’elle provoque sur l’information reçue.
13. Citer au moins 3 comportements analysés par la plateforme : regard, likes, recherches, clics.
14. Expliquer pourquoi la bulle de filtre peut être renforcée par l’IA (prédire ce que tu veux voir et te garder plus longtemps).