Scheda di revisione: Introduction à l'Intelligence Artificielle

📋 Plan du Cours

1. Définitions, concepts fondamentaux et applications courantes de l’intelligence artificielle
2. Origines historiques, premières réalisations et approches symbolique et connexionniste de l’intelligence artificielle
3. Cycles d’évolution de l’IA : âges d’or, hivers et renouveau avec systèmes experts et réseaux de neurones
4. Renaissance de l’IA avec le deep learning, Big Data, puissance de calcul et supercalculateurs
5. IA générative, modèles de langage (LLM) et cadre réglementaire européen pour un usage responsable

📖 1. Définitions, concepts fondamentaux et applications courantes de l’intelligence artificielle

🔑 Notions clés & Définitions

• Intelligence Artificielle : Capacité d'un système technique à percevoir son environnement, traiter l'information, prendre des décisions avec un certain niveau d'autonomie et réaliser des objectifs spécifiques.
• Assistants virtuels :
  • Assistants numériques : les assistants virtuels (comme Siri ou Alexa) exploitent l’IA pour répondre aux questions, organiser les tâches et offrir une aide personnalisée.
• Apprentissage automatique : Types d’apprentissage automatique : 1.

📝 Points essentiels

• L'IA incarnée regroupe les systèmes physiques intégrant l'intelligence artificielle, tels que les robots, voitures autonomes, drones et objets connectés.
• Les systèmes dotés d'intelligence artificielle peuvent analyser les effets de leurs actions précédentes pour adapter leur comportement de manière autonome.
• Définition de l’IA Intelligence Artificielle Capacité à percevoir l'environnement et à intégrer la complexité du monde réel.
• • Les systèmes dotés d’IA sont capables d’adapter leurs comportements (plus ou moins) en analysant les effets produits par leurs actions précédentes, travaillant de manière autonome.

💡 À retenir

L'intelligence artificielle constitue une capacité technique polyvalente intégrée dans de nombreux outils et services quotidiens, combinant perception de l'environnement, prise de décision autonome et adaptation.

📖 2. Origines historiques, premières réalisations et approches symbolique et connexionniste de l’intelligence artificielle

🔑 Notions clés & Définitions

• Intelligence Artificielle : Champ d'étude visant à permettre à une machine de reproduire des comportements humains tels que le raisonnement, la planification et la créativité, sans se limiter aux méthodes biologiquement observables.
• Test de Turing : Musée des Sciences de Londres ENIAC The colossus Mark II Test de Turing (1950)
• Proposé par Alan Turing dans son article Computing Machinery and Intelligence, "Une machine peut-elle penser ?

📝 Points essentiels

• L'IA symbolique repose sur la manipulation de symboles et de règles explicites pour représenter la connaissance et le raisonnement déductif.
• L'IA connexionniste utilise des réseaux de neurones artificiels pour apprendre à partir de données, adoptant une approche inductive.
• La critique de Minsky et Papert (1969) sur les limites du perceptron (incapacité à résoudre le problème XOR) a freiné les recherches connexionnistes.
• Apprentissage Profond Depuis 2010s Apprentissage Automatique Depuis 1980s Intelligence artificielle Depuis 1950s Capacité d'une machine à imiter le comportement humain Application de l'IA qui permet à un système d'apprendre et de s'améliorer à partir de données Sous-ensemble de la ML qui utilise des algorithmes complexes tels que les réseaux neuronaux profonds pour former un modèle.
• • En 1969, Minsky et Papert démontrent que le perceptron ne peut pas résoudre des problèmes non-linéaires (comme le XOR), freinant les recherches en réseaux neuronaux.

💡 À retenir

Les fondations historiques de l'intelligence artificielle distinguent clairement les approches symbolique et connexionniste, illustrées par des premières réalisations majeures et des débats fondamentaux sur la nature de l'intelligence.

📖 3. Cycles d’évolution de l’IA : âges d’or, hivers et renouveau avec systèmes experts et réseaux de neurones

🔑 Notions clés & Définitions

• Systèmes experts : Programmes informatiques qui utilisent des règles logiques dérivées de la connaissance d'experts humains pour répondre à des questions ou résoudre des problèmes dans un domaine spécifique, comme en médecine ou en configuration de systèmes.
• Réseaux de neurones : Modèles d'apprentissage automatique inspirés du fonctionnement du cerveau, capables d'identifier des motifs complexes dans les données, dont l'entraînement efficace a été rendu possible par la redécouverte de la rétropropagation en 1986.
• Exemples pratiques : Applications concrètes de l'intelligence artificielle telles que la classification d'images, la reconnaissance de chiffres manuscrits et l'identification de faux comptes sur les réseaux sociaux.

📝 Points essentiels

• Le premier âge d’or de l’IA (1956-1974) a vu la naissance officielle du domaine à la conférence de Dartmouth et des avancées en programmation logique et réseaux neuronaux.
• Le premier hiver de l’IA (1974-1980) a été marqué par une désillusion due au manque de puissance de calcul, aux limitations algorithmiques et à la réduction des financements.
• Les systèmes experts, apparus dans les années 1980, sont des programmes utilisant des règles logiques dérivées d'experts humains pour résoudre des problèmes spécifiques, avec des exemples comme MYCIN et XCON.
• Le second hiver de l’IA (1987-1993) a suivi la chute des systèmes experts, l'avènement des PC et un scepticisme accru, conduisant à la fin de l’IA symbolique dominante.
• Le renouveau connexionniste s’est appuyé sur la redécouverte de la rétropropagation (1986) permettant l'entraînement efficace des réseaux de neurones profonds.
• 1980 – 1987 : Renouveau de l’IA avec les Systèmes Experts
• Un système expert est un programme qui répond à des questions ou résout des problèmes dans un domaine de connaissance donné, à l'aide de règles logiques dérivées de la connaissance des experts humains de ce domaine (par exemple dans le domaine médical).

💡 À retenir

Les systèmes experts, apparus dans les années 1980, sont des programmes utilisant des règles logiques dérivées d'experts humains pour résoudre des problèmes spécifiques, avec des exemples comme MYCIN et XCON.

📖 4. Renaissance de l’IA avec le deep learning, Big Data, puissance de calcul et supercalculateurs

🔑 Notions clés & Définitions

• La Renaissance de l’IA (1990s - 2010s) : V=8dMFJpEGNLQ&t
• Deep Learning : Technique d'apprentissage automatique reposant sur des réseaux neuronaux profonds et des algorithmes comme la rétropropagation, permettant d'identifier automatiquement des motifs complexes dans de grandes quantités de données.
• Loi de Moore : Moore, cofondateur d’Intel)
• Loi de Moore = « doublement du nombre de transistors présents sur une puce de microprocesseur tous les 18 à 24 mois »
• A partir de 2000, nécessite l’usage du traitement parallèle avec des architectures multi-couches
• Actuellement, la finesse de gravure d’un transistor approche de la taille d’un atome, on est actuellement de l’ordre de 10nm !
• Supercalculateurs :
  • Les supercalculateurs atteignent maintenant le niveau exascale (> 1 ExaFLOP = 10¹⁸ FLOPS).
• 2012 :
  • 1995, Altavista (Yahoo)
  • 1997, Deep Blue (IBM)
  • 2005, robot Stanley de Stanford
  • 2009, Premiers succès dans les véhicules autonomes (Google Car équipée d’un système d’auto-pilote)
  • 2012, premier test de sécurité sur route pour Google.

📝 Points essentiels

• Le deep learning utilise des réseaux neuronaux profonds et la rétropropagation pour détecter des motifs complexes dans les données.
• La loi de Moore décrit le doublement du nombre de transistors tous les 18 à 24 mois, augmentant la puissance de calcul.
• L'explosion des données numériques (Big Data) a permis d'entraîner des modèles d'IA plus performants et complexes.
• Les supercalculateurs, classés dans le TOP500, atteignent désormais des performances exascale (>10¹⁸ FLOPS), essentiels pour l'entraînement de modèles avancés.
• Des succès majeurs incluent AlphaGo (2016), Deep Blue, et les assistants personnels comme Siri, Cortana et Alexa.
• • Il utilise des modèles statistiques pour élaborer des prédictions.

💡 À retenir

Le deep learning utilise des réseaux neuronaux profonds et la rétropropagation pour détecter des motifs complexes dans les données.

📖 5. IA générative, modèles de langage (LLM) et cadre réglementaire européen pour un usage responsable

🔑 Notions clés & Définitions

• 2017- : Année marquant l'introduction des Transformers, une architecture de réseaux de neurones avec un mécanisme d'attention révolutionnaire pour le traitement du langage naturel.
• Industrie : Secteur utilisant l'intelligence artificielle pour l'assistance à la conception, au dépannage et à l'analyse des risques.
• Objectif : Améliorer la génération de données réalistes sans supervision explicite « I am not Morgan Freeman » https://youtu.
• Réseaux antagonistes génératifs (GAN) : fr/fr/presse/genci-et-le-cnrs- choisissent-eviden-pour-faire-du- supercalculateur-jean-zay-lune-des 2014, Réseaux antagonistes génératifs (GAN)
• Ian Goodfellow et al.

📝 Points essentiels

• Les GAN (2014) sont des réseaux antagonistes génératifs composés d'un générateur et d'un discriminateur en compétition, permettant de créer des données artificielles réalistes, base des IA génératives.
• Les Transformers (2017) introduisent un mécanisme d'attention, fondement des LLM comme GPT et BERT, révolutionnant le traitement du langage naturel.
• Les modèles de langage larges (LLM) tels que GPT-3 et GPT-4 génèrent du texte cohérent et sont utilisés pour la traduction, la programmation, la création de contenu et l'assistance conversationnelle.
• Le cadre réglementaire européen IA Act (2024) établit une régulation basée sur les risques, interdisant ou encadrant strictement certains usages de l'IA pour garantir un usage éthique et responsable.
• Les développeurs doivent assurer la qualité des données, le respect des droits d’auteur et l’identification claire des contenus générés artificiellement.
• • 2014, GAN, réseaux antagonistes génératifs, ➢ Deepfakes ➢ Les bases des IA génératives.
• Risque minimal → Peu ou pas de réglementation Des règles s’imposeront à tous afin de s’assurer de la qualité des données utilisées pour nourrir les algorithmes et du bon respect des droits d’auteur.

💡 À retenir

L'émergence des IA génératives et des modèles de langage larges constitue une révolution technologique, accompagnée d'un cadre réglementaire européen visant à encadrer leur usage responsable et éthique.

🧩 Compléments de couverture

1. Détail source à réviser : à l’IA Plassart Stéphan [email protected] Moodle code : ATIA201_GTRANA Séance 1 L'objectif du cours • Qu’est ce que l’IA ? Définition, histoire et concepts fondamentaux • Focus sur les IA génératives, les LLM… • Que (Source: "à l’IA Plassart Stéphan [email protected] Moodle code : ATIA201_GTRANA Séance 1 L'objectif du cours • Qu’est ce que l’IA ? Définition, histoire et concepts fondamentaux • Focus sur les IA génératives, les LLM… • Quelles applications de l’IA au quotidien et professionnellement dans l’économie et dans l’industrie • Qu’est ce qu’un usage")
2. Détail source à réviser : de l’IA & réglementations L’IA au quotidien • Achats en ligne et publicité : l’IA personnalise les recommandations, optimise la gestion des stocks et améliore la logistique dans le commerce. • Recherche en ligne : les mo (Source: "de l’IA & réglementations L’IA au quotidien • Achats en ligne et publicité : l’IA personnalise les recommandations, optimise la gestion des stocks et améliore la logistique dans le commerce. • Recherche en ligne : les moteurs de recherche utilisent l’IA pour analyser les requêtes et proposer des résultats toujours plus pertinents. • Assistants numériques")
3. Détail source à réviser : une aide personnalisée. • Traduction automatique : l’IA permet des traductions de plus en plus précises, à l’écrit comme à l’oral, notamment pour les sous-titres ou les conversations multilingues. Source: https://www.eur (Source: "une aide personnalisée. • Traduction automatique : l’IA permet des traductions de plus en plus précises, à l’écrit comme à l’oral, notamment pour les sous-titres ou les conversations multilingues. Source: https://www.europarl.europa.eu • Maisons et villes connectées : l’IA optimise la consommation d’énergie (thermostats intelligents) et aide à fluidifier")
4. Détail source à réviser : la conduite) et la navigation. • Cybersécurité : l’IA repère les comportements suspects et aide à prévenir ou contrer les cyberattaques. • Lutte contre les fausses informations : l’IA analyse les contenus en ligne pour d (Source: "la conduite) et la navigation. • Cybersécurité : l’IA repère les comportements suspects et aide à prévenir ou contrer les cyberattaques. • Lutte contre les fausses informations : l’IA analyse les contenus en ligne pour détecter les propos trompeurs et vérifier la fiabilité des sources. Définition de l’IA Intelligence Artificielle Capacité à percevoir")
5. Détail source à réviser : de données en tant qu'intrants. Prise de décisions, comprenant le raisonnement, l'apprentissage, le choix d'actions, l'exécution de tâches (adaptation, réaction aux changements de contexte, etc.), avec un certain niveau (Source: "de données en tant qu'intrants. Prise de décisions, comprenant le raisonnement, l'apprentissage, le choix d'actions, l'exécution de tâches (adaptation, réaction aux changements de contexte, etc.), avec un certain niveau d'autonomie. Réalisation d'objectifs spécifiques, raison ultime des systèmes d'intelligence artificielle. L’IA repose sur des procédés")
6. Détail source à réviser : d'étude englobant diverses technologies et approches ! Intelligence Artificielle – Parlement européen • L’IA désigne la possibilité pour une machine de reproduire des comportements liés aux humains, tels que le raisonnem (Source: "d'étude englobant diverses technologies et approches ! Intelligence Artificielle – Parlement européen • L’IA désigne la possibilité pour une machine de reproduire des comportements liés aux humains, tels que le raisonnement, la planification et la créativité. • L’IA permet à des systèmes techniques de percevoir leur environnement, gérer ces perceptions,")
7. Détail source à réviser : ou collectées via ses capteurs - une caméra, par exemple) les analyse et réagit. • Les systèmes dotés d’IA sont capables d’adapter leurs comportements (plus ou moins) en analysant les effets produits par leurs actions pr (Source: "ou collectées via ses capteurs - une caméra, par exemple) les analyse et réagit. • Les systèmes dotés d’IA sont capables d’adapter leurs comportements (plus ou moins) en analysant les effets produits par leurs actions précédentes, travaillant de manière autonome. Source: https://www.europarl.europa.eu Les différents types d’IA (définitions de la CE) •")
8. Détail source à réviser : vocale • L’IA « incarnée » : robots, voitures autonomes, drones, l’Internet des objets Intelligence artificielle, John McCarthy, Stanford University • « la science et l'ingénierie de la fabrication de machines intelligen (Source: "vocale • L’IA « incarnée » : robots, voitures autonomes, drones, l’Internet des objets Intelligence artificielle, John McCarthy, Stanford University • « la science et l'ingénierie de la fabrication de machines intelligentes, en particulier de programmes informatiques intelligents. Elle est liée à la tâche similaire qui consiste à utiliser des ordinateurs")
9. Détail source à réviser : Préside la conférence de Dartmouth (1956) : Dartmouth Summer Research Project on Artificial Intelligence • Prix Turing 1971 pour ses travaux sur l’IA Intelligence artificielle, Marvin Lee Minsky, MIT IA Lab. • « la const (Source: "Préside la conférence de Dartmouth (1956) : Dartmouth Summer Research Project on Artificial Intelligence • Prix Turing 1971 pour ses travaux sur l’IA Intelligence artificielle, Marvin Lee Minsky, MIT IA Lab. • « la construction de programmes informatiques qui s'adonnent à des tâches qui sont, pour l'instant, accomplies de façon plus satisfaisante par des")
10. Détail source à réviser : de la mémoire et le raisonnement critique » • artificiel → les ordinateurs et les processus informatiques • Intelligence → imitation de comportements humains, notamment de raisonnement et d'apprentissage. • Prix Turing 1 (Source: "de la mémoire et le raisonnement critique » • artificiel → les ordinateurs et les processus informatiques • Intelligence → imitation de comportements humains, notamment de raisonnement et d'apprentissage. • Prix Turing 1969 pour ses travaux sur l’IA Yann LeCun, scientifique en chef de l'IA chez Meta • « L'intelligence artificielle est une technologie de")
11. Détail source à réviser : que la perception, le raisonnement et l'action. » • Prix Turing 2018 avec Yoshua Bengio et Geoffrey Hinton pour ses travaux sur l’apprentissage profond. HISTOIRE DE L’IA Les origines de l’IA Egypte et Grèce antiques : • (Source: "que la perception, le raisonnement et l'action. » • Prix Turing 2018 avec Yoshua Bengio et Geoffrey Hinton pour ses travaux sur l’apprentissage profond. HISTOIRE DE L’IA Les origines de l’IA Egypte et Grèce antiques : • machines pensantes • automates • La machine d’Anticythère • L’éolipyle, d’Héron d'Alexandrie (Ier siècle av. J.-C.) • Philon de Byzance")
12. Détail source à réviser : • Exemples : • 1206, Al-Jazarī, l’horloge à éléphant • 1515, Leonard de Vinci, automate pour François 1er • 1738, Jacques de Vaucanson construit le canard digérant Les origines de l’IA : La machine à calculer • 1652: La (Source: "• Exemples : • 1206, Al-Jazarī, l’horloge à éléphant • 1515, Leonard de Vinci, automate pour François 1er • 1738, Jacques de Vaucanson construit le canard digérant Les origines de l’IA : La machine à calculer • 1652: La Pascaline Blaise Pascal • 1834: La machine analytique, Charles Babbage • 1842: Premier algorithme de programmation. Ada")
13. Détail source à réviser : (Zuse 3) et électroniques (ENIAC, Colossus) musée des arts et métiers du Conservatoire national des arts et métiers à Paris. Musée des Sciences de Londres ENIAC The colossus Mark II Test de Turing (1950) • Proposé par Al (Source: "(Zuse 3) et électroniques (ENIAC, Colossus) musée des arts et métiers du Conservatoire national des arts et métiers à Paris. Musée des Sciences de Londres ENIAC The colossus Mark II Test de Turing (1950) • Proposé par Alan Turing dans son article Computing Machinery and Intelligence, "Une machine peut-elle penser ?" • Test de Turing • L’idée sous-jacente")
14. Détail source à réviser : un niveau d’intelligence comparable à celui d’un être humain. Impact et controverses • Le test établit un standard pour mesurer l'intelligence artificielle, mais il ne prouve pas que les machines "pensent", ce qui reste (Source: "un niveau d’intelligence comparable à celui d’un être humain. Impact et controverses • Le test établit un standard pour mesurer l'intelligence artificielle, mais il ne prouve pas que les machines "pensent", ce qui reste débattu • Modéliser le cerveau • « Penser s’apparente à un calcul massivement parallèle de fonction élémentaires. » • L’information est")
15. Détail source à réviser : Forger une opinion • « Penser c’est calculer des symboles qui ont à la fois une réalité matérielle et une valeur sémantique de représentation » • L’information est une donnée symbolique de haut niveau • Représentations s (Source: "Forger une opinion • « Penser c’est calculer des symboles qui ont à la fois une réalité matérielle et une valeur sémantique de représentation » • L’information est une donnée symbolique de haut niveau • Représentations symboliques et des ensembles de règles explicites définies par des programmeurs. • Approche déductive Source: La revanche des neurones:")
16. Détail source à réviser : 2018 CNRS – Formation FIDLE 2) IA symbolique1) IA connexionniste Deux approches dans le domaine de l’IA → Accent sur l’apprentissage → Accent sur la logique : symboles + relations Première âge d’or : 1956 - 1974 Les Orig (Source: "2018 CNRS – Formation FIDLE 2) IA symbolique1) IA connexionniste Deux approches dans le domaine de l’IA → Accent sur l’apprentissage → Accent sur la logique : symboles + relations Première âge d’or : 1956 - 1974 Les Origines du terme « IA » : Conférence de Dartmouth, 1956 (New Hampshire, USA) • Objectif : Explorer la possibilité que « chaque aspect de")
17. Détail source à réviser : être construite pour la simuler. » • Approches novatrices comme les réseaux neuronaux, la résolution de problèmes par ordinateur, et la logique formelle. • Fondation des disciplines modernes de l'intelligence artificiell (Source: "être construite pour la simuler. » • Approches novatrices comme les réseaux neuronaux, la résolution de problèmes par ordinateur, et la logique formelle. • Fondation des disciplines modernes de l'intelligence artificielle et de l'apprentissage automatique. Apparition officielle du domaine « Intelligence artificielle » • Accélération des développements")
18. Détail source à réviser : experts. Les Premières Réalisations (1950s - 1970s) Des programmes peuvent résoudre des problèmes simples : • 1943 : les prémisses, McCulloch et Pitts font le lien entre neurones naturels et portes logiques en informatiq (Source: "experts. Les Premières Réalisations (1950s - 1970s) Des programmes peuvent résoudre des problèmes simples : • 1943 : les prémisses, McCulloch et Pitts font le lien entre neurones naturels et portes logiques en informatique : premier modèle de neurone « A logical calculus of the ideas immanent in nervous activity» • Logic Theorist (1956), Allen Newell")
19. Détail source à réviser : Joseph Weizenbaum, imitant un psychologue. • Invention du perceptron (1958), Frank Rosenblatt Limites rencontrées : • Manque de puissance de calcul et de données. • Optimisme excessif des chercheurs (attentes irréalistes (Source: "Joseph Weizenbaum, imitant un psychologue. • Invention du perceptron (1958), Frank Rosenblatt Limites rencontrées : • Manque de puissance de calcul et de données. • Optimisme excessif des chercheurs (attentes irréalistes). • En 1969, Minsky et Papert démontrent que le perceptron ne peut pas résoudre des problèmes non-linéaires (comme le XOR), freinant")
20. Détail source à réviser : » Herbert Simon (1965). 128 Ko de mémoire vive ! Video Perceptron: https://youtu.be/cNxadbrN_aI?feature=shared Video Eliza: https://www.youtube.com/watch?v=RMK9AphfLco Limite du perceptron Pour le problème XOR, les class (Source: "» Herbert Simon (1965). 128 Ko de mémoire vive ! Video Perceptron: https://youtu.be/cNxadbrN_aI?feature=shared Video Eliza: https://www.youtube.com/watch?v=RMK9AphfLco Limite du perceptron Pour le problème XOR, les classes ne sont pas linéairement séparables → Le perceptron ne fonctionne plus ! ? → FIN du connexionnisme ! Ratio de publication IA")
21. Détail source à réviser : artificielle, D. Cardon, J.-P. Cointet, et A. Mazières, 2018 1ère Hiver de l’IA (1974 - 1980) : Désillusion et stagnation • Coûteux à développer et incapables de résoudre des problèmes complexes. • Défis majeurs : 1. Man (Source: "artificielle, D. Cardon, J.-P. Cointet, et A. Mazières, 2018 1ère Hiver de l’IA (1974 - 1980) : Désillusion et stagnation • Coûteux à développer et incapables de résoudre des problèmes complexes. • Défis majeurs : 1. Manque de puissance de calcul 2. Limitations des algorithmes 3. Réductions de financement • Exception notable : Avancées en")
22. Détail source à réviser : dix ans un ordinateur sera le champion du monde des échecs » et « d'ici dix ans, un ordinateur découvrira et résoudra un nouveau théorème mathématique majeur» • 1965, H. Simon : « des machines seront capables, d'ici ving (Source: "dix ans un ordinateur sera le champion du monde des échecs » et « d'ici dix ans, un ordinateur découvrira et résoudra un nouveau théorème mathématique majeur» • 1965, H. Simon : « des machines seront capables, d'ici vingt ans, de faire tout travail que l'homme peut faire » • 1967, Marvin Minsky : « dans une génération [...] le problème de la création d'une")
23. Détail source à réviser : une machine avec l'intelligence générale d'un être humain ordinaire ». 1980 – 1987 : Renouveau de l’IA avec les Systèmes Experts • Un système expert est un programme qui répond à des questions ou résout des problèmes dan (Source: "une machine avec l'intelligence générale d'un être humain ordinaire ». 1980 – 1987 : Renouveau de l’IA avec les Systèmes Experts • Un système expert est un programme qui répond à des questions ou résout des problèmes dans un domaine de connaissance donné, à l'aide de règles logiques dérivées de la connaissance des experts humains de ce domaine (par exemple")
24. Détail source à réviser : - 1980s) • Première fois que l'intelligence artificielle trouve une application pratique • XCON (R1) • LISP Machines Applications : • Médecine : Diagnostic assisté par ordinateur (ex. : MYCIN, CADUCEUS). • Industrie : As (Source: "- 1980s) • Première fois que l'intelligence artificielle trouve une application pratique • XCON (R1) • LISP Machines Applications : • Médecine : Diagnostic assisté par ordinateur (ex. : MYCIN, CADUCEUS). • Industrie : Assistance à la conception et au dépannage (ex. : XCON pour la configuration de matériel informatique). • Finance : Analyse des risques et")
25. Détail source à réviser : - 1993) • Applications industrielles, mais coûteuses et limitées. • Raisons principales : 1. Chute des systèmes experts 2. Avènement des PC 3. Scepticisme accru 4. Réduction du financement → Fin de l’IA symbolique ! Les (Source: "- 1993) • Applications industrielles, mais coûteuses et limitées. • Raisons principales : 1. Chute des systèmes experts 2. Avènement des PC 3. Scepticisme accru 4. Réduction du financement → Fin de l’IA symbolique ! Les machines Lisp sont des ordinateurs conçus pour interpréter la langage Lisp efficacement et nativement alors que tout le marché était fait")
26. Détail source à réviser : des neurones: L’invention des machines inductives et la controverse de l’intelligence artificielle, D. Cardon, J.-P. Cointet, et A. Mazières, 2018 Renouveau de l’IA connexionniste Redécouverte des réseaux de neurones • A (Source: "des neurones: L’invention des machines inductives et la controverse de l’intelligence artificielle, D. Cardon, J.-P. Cointet, et A. Mazières, 2018 Renouveau de l’IA connexionniste Redécouverte des réseaux de neurones • Avant les années 1980, les réseaux de neurones étaient largement abandonnés après la critique du Perceptron par Minsky & Papert")
27. Détail source à réviser : profonds : 1. Il repose sur la règle de chaîne de la dérivation pour propager l'erreur en arrière dans le réseau. 2. Il ajuste les poids neuronaux pour minimiser une fonction de coût (ex : erreur quadratique moyenne). Ap (Source: "profonds : 1. Il repose sur la règle de chaîne de la dérivation pour propager l'erreur en arrière dans le réseau. 2. Il ajuste les poids neuronaux pour minimiser une fonction de coût (ex : erreur quadratique moyenne). Applications • 1990s : reconnaissance de formes (caractères), reconnaissance vocale et vision par ordinateur. • 1989, Yann Lecun,")
28. Détail source à réviser : • 2005, robot Stanley de Stanford • 2009, Premiers succès dans les véhicules autonomes (Google Car équipée d’un système d’auto-pilote) • 2012, premier test de sécurité sur route pour Google. L'Etat du Nevada a délivré le (Source: "• 2005, robot Stanley de Stanford • 2009, Premiers succès dans les véhicules autonomes (Google Car équipée d’un système d’auto-pilote) • 2012, premier test de sécurité sur route pour Google. L'Etat du Nevada a délivré le premier permis de circulation à un véhicule totalement autonome. La Renaissance de l’IA (1990s - 2010s) : L’ère des algorithmes et du")
29. Détail source à réviser : https://www.youtube.com/watch?v=75j_kusS2vM 2012 : Exemple d’avancée majeure en IA, le Deep Learning avec CNN • En 2012, Google construit un réseau de neurones composé de 16 000 cœurs de processeur, répartis sur 1 000 or (Source: "https://www.youtube.com/watch?v=75j_kusS2vM 2012 : Exemple d’avancée majeure en IA, le Deep Learning avec CNN • En 2012, Google construit un réseau de neurones composé de 16 000 cœurs de processeur, répartis sur 1 000 ordinateurs. Comment ça marche ? 1. Entraînement avec des images. 2. Identification automatique des motifs. 3. Formation progressive.")
30. Détail source à réviser : des couches de neurones. → CNN a repéré un motif visuel récurrent et a classé les images de manière autonome • 2011, Jeopardy!, IBM, au centre de recherche Watson • 2012, AlexNet pour la compétition ImageNet • Réduction (Source: "des couches de neurones. → CNN a repéré un motif visuel récurrent et a classé les images de manière autonome • 2011, Jeopardy!, IBM, au centre de recherche Watson • 2012, AlexNet pour la compétition ImageNet • Réduction de l’erreur d’apprentissage de 25.7% à 16.4% • 2016, AlphaGo, DeepMind (Google), bat Lee Sedol, l’un des meilleurs joueurs de Go. Victoire")
31. Détail source à réviser : Cortana (Microsoft), et Alexa (Amazon) La Renaissance de l’IA (1990s - 2010s) : L’ère des algorithmes et du Big Data Echecs Go positions 10^50 10^170 parties 10^120 10^600 Video AlphaGo: https://www.youtube.com/watch?v=8 (Source: "Cortana (Microsoft), et Alexa (Amazon) La Renaissance de l’IA (1990s - 2010s) : L’ère des algorithmes et du Big Data Echecs Go positions 10^50 10^170 parties 10^120 10^600 Video AlphaGo: https://www.youtube.com/watch?v=8dMFJpEGNLQ&t=3s La Renaissance de l’IA (1990s - 2010s) : Accélération de la puissance de calcul • Loi de Moore (1965, Gordon E. Moore,")
32. Détail source à réviser : 18 à 24 mois » • A partir de 2000, nécessite l’usage du traitement parallèle avec des architectures multi-couches • Actuellement, la finesse de gravure d’un transistor approche de la taille d’un atome, on est actuellemen (Source: "18 à 24 mois » • A partir de 2000, nécessite l’usage du traitement parallèle avec des architectures multi-couches • Actuellement, la finesse de gravure d’un transistor approche de la taille d’un atome, on est actuellement de l’ordre de 10nm ! Graphique semi-logarithmique du nombre de transistors pour les microprocesseurs par rapport aux dates")
33. Détail source à réviser : 2010s) : Big Data et Machine Learning • Développement des réseaux neuronaux modernes grâce à des avancées en puissance de calcul et en mathématiques. • Explosion des données numériques (Big Data). • Algorithmes d’apprent (Source: "2010s) : Big Data et Machine Learning • Développement des réseaux neuronaux modernes grâce à des avancées en puissance de calcul et en mathématiques. • Explosion des données numériques (Big Data). • Algorithmes d’apprentissage profond (deep learning). • Amélioration des capacités de calcul (cloud computing). • CPU : Core Processing Unit • GPU : Graphical")
34. Détail source à réviser : • Le TOP500 est un classement biannuel des 500 supercalculateurs les plus puissants au monde, basé sur leurs performances mesurées avec le benchmark LINPACK. • Les supercalculateurs atteignent maintenant le niveau exasca (Source: "• Le TOP500 est un classement biannuel des 500 supercalculateurs les plus puissants au monde, basé sur leurs performances mesurées avec le benchmark LINPACK. • Les supercalculateurs atteignent maintenant le niveau exascale (> 1 ExaFLOP = 10¹⁸ FLOPS). • Défis : Énergie, refroidissement, miniaturisation des composants. • 24 en France, dont le")
35. Détail source à réviser : choisissent-eviden-pour-faire-du- supercalculateur-jean-zay-lune-des 2014, Réseaux antagonistes génératifs (GAN) • Ian Goodfellow et al., Univ. Montréal, conférence NIPS 2014. • 2014, GAN, réseaux antagonistes génératifs (Source: "choisissent-eviden-pour-faire-du- supercalculateur-jean-zay-lune-des 2014, Réseaux antagonistes génératifs (GAN) • Ian Goodfellow et al., Univ. Montréal, conférence NIPS 2014. • 2014, GAN, réseaux antagonistes génératifs, ➢ Deepfakes ➢ Les bases des IA génératives. ➢ Modèles d'apprentissage profond utilisés pour générer des données artificielles")
36. Détail source à réviser : I am not Morgan Freeman » https://youtu.be/oxXpB9pSETo Ils reposent sur un jeu à somme nulle entre deux réseaux de neurones mis en compétition : • Le générateur (G) : Crée de nouvelles données à partir de bruit aléatoire (Source: "I am not Morgan Freeman » https://youtu.be/oxXpB9pSETo Ils reposent sur un jeu à somme nulle entre deux réseaux de neurones mis en compétition : • Le générateur (G) : Crée de nouvelles données à partir de bruit aléatoire. • Le discriminateur (D) : Évalue si les données générées sont réalistes ou non. 2017- : Ere du traitement du langage 2017 : Les")
37. Détail source à réviser : de réseaux de neurones qu’ils ont appelé « Transformer ». • Révolution du domaine du traitement du langage (NLP) • Bases des LLM « larges modèles de langage ». • Le mécanisme d'attention permet de se concentrer sur des p (Source: "de réseaux de neurones qu’ils ont appelé « Transformer ». • Révolution du domaine du traitement du langage (NLP) • Bases des LLM « larges modèles de langage ». • Le mécanisme d'attention permet de se concentrer sur des parties importantes de la séquence d'entrée. • Exemples: BERT, GPT et T5 2020s : IA Générative • 11/2022 : OpenAI a lancé ChatGPT • Une")
38. Détail source à réviser : dépassait les 100 millions d'utilisateurs • ChatGPT est basé sur l’architecture GPT (Generative Pre- trained Transformer). • Assistant IA basé sur les Transformers • Révolutions modernes et questions éthiques • GPT-3 (20 (Source: "dépassait les 100 millions d'utilisateurs • ChatGPT est basé sur l’architecture GPT (Generative Pre- trained Transformer). • Assistant IA basé sur les Transformers • Révolutions modernes et questions éthiques • GPT-3 (2020) et GPT-4 (2023) : modèles de langage performants générant du texte cohérent. • DALL·E, Stable Diffusion : IA génératives")
39. Détail source à réviser : : Rédige des articles, résume des documents, génère des dialogues. • Programmation & Débogage : Aide à la rédaction et correction de code. • Assistance créative : Génère des idées, des scénarios et des concepts artistiqu (Source: ": Rédige des articles, résume des documents, génère des dialogues. • Programmation & Débogage : Aide à la rédaction et correction de code. • Assistance créative : Génère des idées, des scénarios et des concepts artistiques. • Traduction et reformulation : Convertit un texte d’une langue à une autre et reformule pour plus de clarté. Liste non exhaustive :")
40. Détail source à réviser : GPT3 (2020) : 175G; GPT4 (2023) 1000G ! 2024 - IA Act Objectifs : Établir un cadre juridique clair pour l’IA en Europe. • Protéger les citoyens contre les risques liés aux IA non contrôlées. • Encourager l’innovation en (Source: "GPT3 (2020) : 175G; GPT4 (2023) 1000G ! 2024 - IA Act Objectifs : Établir un cadre juridique clair pour l’IA en Europe. • Protéger les citoyens contre les risques liés aux IA non contrôlées. • Encourager l’innovation en fixant des règles adaptées aux niveaux de risque. Une Régulation Basée sur les Risques : 1. Risque inacceptable → Interdits 2. Risque")
41. Détail source à réviser : s’imposeront à tous afin de s’assurer de la qualité des données utilisées pour nourrir les algorithmes et du bon respect des droits d’auteur. Les développeurs devront par ailleurs garantir que les sons, images et textes (Source: "s’imposeront à tous afin de s’assurer de la qualité des données utilisées pour nourrir les algorithmes et du bon respect des droits d’auteur. Les développeurs devront par ailleurs garantir que les sons, images et textes produits seront bien identifiés comme artificiels. → IA éthique Fonctionnements de base et principes de l’IA L'intelligence artificielle")
42. Détail source à réviser : comme «intelligente» L'apprentissage automatique est une application de l'IA. • Il s'agit de la capacité d'un ordinateur à « apprendre » sans avoir été programmé pour le faire • Il s'appuie fortement sur des données (l'« (Source: "comme «intelligente» L'apprentissage automatique est une application de l'IA. • Il s'agit de la capacité d'un ordinateur à « apprendre » sans avoir été programmé pour le faire • Il s'appuie fortement sur des données (l'« apprentissage » a besoin d'exemples). • Il utilise des modèles statistiques pour élaborer des prédictions. Apprentissage Profond")
43. Détail source à réviser : comportement humain Application de l'IA qui permet à un système d'apprendre et de s'améliorer à partir de données Sous-ensemble de la ML qui utilise des algorithmes complexes tels que les réseaux neuronaux profonds pour (Source: "comportement humain Application de l'IA qui permet à un système d'apprendre et de s'améliorer à partir de données Sous-ensemble de la ML qui utilise des algorithmes complexes tels que les réseaux neuronaux profonds pour former un modèle. Source: https://devblogit.com/ Et l’apprentissage générative dans tout ça ? Les ChatGPT et autre systèmes de langage ? 4")
44. Détail source à réviser : IA c’est quoi techniquement ? Source: https://knowmap.org/ L’apprentissage comment ça marche ? Il nous faut des données Source: FIDLE, CNRS Un projet d'apprentissage automatique : des données aux résultats 1. Monde réel (Source: "IA c’est quoi techniquement ? Source: https://knowmap.org/ L’apprentissage comment ça marche ? Il nous faut des données Source: FIDLE, CNRS Un projet d'apprentissage automatique : des données aux résultats 1. Monde réel : industries, assurances, internet, réseaux sociaux, médical... 2. Collecte de données : capteurs, clics web, logs, mobilité, open data,")
45. Détail source à réviser : données : exploration, représentation, visualisation, apprentissage automatique, exploration des données... 5. Business : interprétation, modèles d'intérêts, décisions, évaluation Chaîne de base du processus d'ingénierie (Source: "données : exploration, représentation, visualisation, apprentissage automatique, exploration des données... 5. Business : interprétation, modèles d'intérêts, décisions, évaluation Chaîne de base du processus d'ingénierie des données 1. Comprendre et spécifier l'objectif du projet 2. Prétraitement, visualisation, analyse des données 3. Quel problème")
46. Détail source à réviser : Entrainement Evaluation du modèle Modèle Utilisées intelligemment ! Source: FIDLE, CNRS Entrainement en IA : Boucle Apprentissage - Validation - Test 1. Phase d’Apprentissage (Training Set) 2. Phase de Validation (Valida (Source: "Entrainement Evaluation du modèle Modèle Utilisées intelligemment ! Source: FIDLE, CNRS Entrainement en IA : Boucle Apprentissage - Validation - Test 1. Phase d’Apprentissage (Training Set) 2. Phase de Validation (Validation Set) 3. Phase de Test (Test Set) Source: FIDLE, CNRS Tout en suivant son apprentissage Apprentissage Automatique et ses différents")
47. Détail source à réviser : des données. Types d’apprentissage automatique : 1. Apprentissage supervisé : prédire un résultat à partir d'une donnée d'entrée. 2. Apprentissage non supervisé : explorer la structure des données, par exemple en regroup (Source: "des données. Types d’apprentissage automatique : 1. Apprentissage supervisé : prédire un résultat à partir d'une donnée d'entrée. 2. Apprentissage non supervisé : explorer la structure des données, par exemple en regroupant les éléments similaires. 3. Apprentissage par renforcement : Un agent d'intelligence artificielle doit interagir avec un")
48. Détail source à réviser : à partir d’exemples étiquetés fournis par l’utilisateur (= superviseur) 2. Prédit correctement les étiquettes de nouvelles données en se basant sur ce qu’il a appris. 3. Deux types : ➢ Classification : attribuer une caté (Source: "à partir d’exemples étiquetés fournis par l’utilisateur (= superviseur) 2. Prédit correctement les étiquettes de nouvelles données en se basant sur ce qu’il a appris. 3. Deux types : ➢ Classification : attribuer une catégorie (exemple : spam ou non spam). ➢ Régression : prédire une valeur numérique (exemple : prix d’un bien). Exemples pratiques (1/4) •")
49. Détail source à réviser : Moodle code : ATIA201_GTRANA Séance 1 L'objectif du cours • Qu’est ce que l’IA ? Définition, histoire et concepts fondamentaux • Focus sur les IA génératives, les LLM… • Quelles applications de l’IA au quotidien et profe (Source: "Moodle code : ATIA201_GTRANA Séance 1 L'objectif du cours • Qu’est ce que l’IA ? Définition, histoire et concepts fondamentaux • Focus sur les IA génératives, les LLM… • Quelles applications de l’IA au quotidien et professionnellement dans l’économie et dans l’industrie • Qu’est")
50. Détail source à réviser : comme à l’oral, notamment pour les sous-titres ou les conversations multilingues. Source: https://www.europarl.europa.eu • Maisons et villes connectées : l’IA optimise la consommation d’énergie (thermostats intelligents) (Source: "comme à l’oral, notamment pour les sous-titres ou les conversations multilingues. Source: https://www.europarl.europa.eu • Maisons et villes connectées : l’IA optimise la consommation d’énergie (thermostats intelligents) et aide à fluidifie")
51. Détail source à réviser : Intelligence Artificielle – Parlement européen • L’IA désigne la possibilité pour une machine de reproduire des comportements liés aux humains, tels que le raisonnement, la planification et la créativité (Source: "Intelligence Artificielle – Parlement européen • L’IA désigne la possibilité pour une machine de reproduire des comportements liés aux humains, tels que le raisonnement, la planification et la créativité")
52. Détail source à réviser : 1956) : Dartmouth Summer Research Project on Artificial Intelligence (Source: "1956) : Dartmouth Summer Research Project on Artificial Intelligence")
53. Détail source à réviser : 1971 pour ses travaux sur l’IA Intelligence artificielle, Marvin Lee Minsky, MIT IA Lab (Source: "1971 pour ses travaux sur l’IA Intelligence artificielle, Marvin Lee Minsky, MIT IA Lab")
54. Détail source à réviser : Les origines de l’IA • Des automates aux automates anthropomorphes • Exemples : • 1206, Al-Jazarī, l’horloge à éléphant • 1515, Leonard de Vinci, automate pour François 1er • 1738, Jacques de Vaucanson construit le canar (Source: "Les origines de l’IA • Des automates aux automates anthropomorphes • Exemples : • 1206, Al-Jazarī, l’horloge à éléphant • 1515, Leonard de Vinci, automate pour François 1er • 1738, Jacques de Vaucanson construit le canard digérant Les origines de l’IA : La machine à calculer • 1652: La Pascaline Blaise Pascal • 1834: La machine analytique, Charles Babbage...")
55. Détail source à réviser : g (1950) • Proposé par Alan Turing dans son article Computing Machinery and Intelligence, "Une machine peut-elle penser ?" • Test de Turing • L’idée sous-jacente est que si un ordinateur peut interagir de manière indisce (Source: "g (1950) • Proposé par Alan Turing dans son article Computing Machinery and Intelligence, "Une machine peut-elle penser ?" • Test de Turing • L’idée sous-jacente est que si un ordinateur peut interagir de manière indiscernable d’un humain dans une conversation générale, alors il a")
56. Détail source à réviser : A. Mazières, 2018 CNRS – Formation FIDLE 2) IA symbolique1) IA connexionniste Deux approches dans le domaine de l’IA → Accent sur l’apprentissage → Accent sur la logique : symboles + relations Première âge d’or : 1956 - (Source: "A. Mazières, 2018 CNRS – Formation FIDLE 2) IA symbolique1) IA connexionniste Deux approches dans le domaine de l’IA → Accent sur l’apprentissage → Accent sur la logique : symboles + relations Première âge d’or : 1956 - 1974 Les Origines du terme « IA » : Conférence de Dartmouth, 1956 (New Hampshire, USA) • Objectif : Explorer la possibilité que « chaque...")
57. Détail source à réviser : 1943 : les prémisses, McCulloch et Pitts font le lien entre neurones naturels et portes logiques en informatique : premier modèle de neurone « A logical calculus of the ideas immanent in nervous activity» (Source: "1943 : les prémisses, McCulloch et Pitts font le lien entre neurones naturels et portes logiques en informatique : premier modèle de neurone « A logical calculus of the ideas immanent in nervous activity»")
58. Détail source à réviser : A. Mazières, 2018 1ère Hiver de l’IA (1974 - 1980) : Désillusion et stagnation • Coûteux à développer et incapables de résoudre des problèmes complexes (Source: "A. Mazières, 2018 1ère Hiver de l’IA (1974 - 1980) : Désillusion et stagnation • Coûteux à développer et incapables de résoudre des problèmes complexes")
59. Détail source à réviser : , d'ici vingt ans, de faire tout travail que l'homme peut faire » • 1967, Marvin Minsky : « dans une génération [...] le problème de la création d'une 'intelligence artificielle' [sera] en grande partie résolu ». • 1970, (Source: ", d'ici vingt ans, de faire tout travail que l'homme peut faire » • 1967, Marvin Minsky : « dans une génération [...] le problème de la création d'une 'intelligence artificielle' [sera] en grande partie résolu ». • 1970, Marvin Minsky : « Dans trois à huit ans nous aurons une machine avec l'intelligence générale d'un être humain ordinaire ». 1980 – 1987 :...")
60. Détail source à réviser : 2ième Hiver de l’IA (1987 - 1993) • Applications industrielles, mais coûteuses et limitées (Source: "2ième Hiver de l’IA (1987 - 1993) • Applications industrielles, mais coûteuses et limitées")
61. Détail source à réviser : Algorithme de rétropropagation du gradient (1986), D. Rumelhart, G. Hinton et R. Williams • Entrainement des réseaux de neurones profonds : 1. Il repose sur la règle de chaîne de la dérivation pour propager l'erreur en a (Source: "Algorithme de rétropropagation du gradient (1986), D. Rumelhart, G. Hinton et R. Williams • Entrainement des réseaux de neurones profonds : 1. Il repose sur la règle de chaîne de la dérivation pour propager l'erreur en arrière dans le réseau. 2. Il ajuste les poids neuronaux pour minimiser une fonction de coût (ex : erreur quadratique moyenne). Applicatio...")
62. Détail source à réviser : DeepBlue, musée de l'Histoire de l'ordinateur de Mountain View en Californie. Deepblue : https://www.youtube.com/watch?v=75j_kusS2vM 2012 : Exemple d’avancée majeure en IA, le Deep Learning avec CNN • En 2012, Google con (Source: "DeepBlue, musée de l'Histoire de l'ordinateur de Mountain View en Californie. Deepblue : https://www.youtube.com/watch?v=75j_kusS2vM 2012 : Exemple d’avancée majeure en IA, le Deep Learning avec CNN • En 2012, Google construit un réseau de neurones com")
63. Détail source à réviser : 2014, Cortana (Microsoft), et Alexa (Amazon) La Renaissance de l’IA (1990s - 2010s) : L’ère des algorithmes et du Big Data Echecs Go positions 10^50 10^170 parties 10^120 10^600 Video AlphaGo: https://www (Source: "2014, Cortana (Microsoft), et Alexa (Amazon) La Renaissance de l’IA (1990s - 2010s) : L’ère des algorithmes et du Big Data Echecs Go positions 10^50 10^170 parties 10^120 10^600 Video AlphaGo: https://www")
64. Détail source à réviser : ce de calcul • Loi de Moore (1965, Gordon E. Moore, cofondateur d’Intel) • Loi de Moore = « doublement du nombre de transistors présents sur une puce de microprocesseur tous les 18 à 24 mois » • A partir de 2000, nécessi (Source: "ce de calcul • Loi de Moore (1965, Gordon E. Moore, cofondateur d’Intel) • Loi de Moore = « doublement du nombre de transistors présents sur une puce de microprocesseur tous les 18 à 24 mois » • A partir de 2000, nécessite l’usage du traitement parallèle avec des architectures multi-couches • Actuellement, la finesse de gravure d’un transistor approc")
65. Détail source à réviser : • CPU : Core Processing Unit • GPU : Graphical Processing Unit • TPU : Tensor Processing Unit Le TOP500 : Les Plus Puissants Supercalculateurs du Monde Top 500 list, https://www (Source: "• CPU : Core Processing Unit • GPU : Graphical Processing Unit • TPU : Tensor Processing Unit Le TOP500 : Les Plus Puissants Supercalculateurs du Monde Top 500 list, https://www")
66. Détail source à réviser : 2017- : Ere du traitement du langage 2017 : Les Transformers Attention is all you need (Source: "2017- : Ere du traitement du langage 2017 : Les Transformers Attention is all you need")
67. Détail source à réviser : 2020) et GPT-4 (2023) : modèles de langage performants générant du texte cohérent (Source: "2020) et GPT-4 (2023) : modèles de langage performants générant du texte cohérent")
68. Détail source à réviser : Une Régulation Basée sur les Risques : 1. Risque inacceptable → Interdits 2. Risque élevé → Fortement réglementés 3. Risque limité → Transparence requise 4. Risque minimal → Peu ou pas de réglementation Des règles s’impo (Source: "Une Régulation Basée sur les Risques : 1. Risque inacceptable → Interdits 2. Risque élevé → Fortement réglementés 3. Risque limité → Transparence requise 4. Risque minimal → Peu ou pas de réglementation Des règles s’imposeront à tous afin de s’assurer de la qualité des données utilisées pour nourrir les algorithmes et du bon respect des droits d’auteur. L...")
69. Détail source à réviser : ls (machines) capables d'effectuer des tâches d'une manière que nous considérerions comme «intelligente» L'apprentissage automatique est une application de l'IA. • Il s'agit de la capacité d'un ordinateur à « apprendre » (Source: "ls (machines) capables d'effectuer des tâches d'une manière que nous considérerions comme «intelligente» L'apprentissage automatique est une application de l'IA. • Il s'agit de la capacité d'un ordinateur à « apprendre » sans avoir été programmé pour le faire • Il")
70. Détail source à réviser : Et l’apprentissage générative dans tout ça ? Les ChatGPT et autre systèmes de langage ? 4 types d’IA : • Systèmes experts • Machine Learning • Deep Learning • Reinforcement Learning (apprentissage par renforcement) IA c’ (Source: "Et l’apprentissage générative dans tout ça ? Les ChatGPT et autre systèmes de langage ? 4 types d’IA : • Systèmes experts • Machine Learning • Deep Learning • Reinforcement Learning (apprentissage par renforcement) IA c’est quoi techniquement ? Source: https://knowmap.org/ L’appr")
71. Détail source à réviser : Source: FIDLE, CNRS Entrainement en IA : Boucle Apprentissage - Validation - Test 1. Phase d’Apprentissage (Training Set) 2. Phase de Validation (Validation Set) 3. Phase de Test (Test Set) Source: FIDLE, CNRS Tout en su (Source: "Source: FIDLE, CNRS Entrainement en IA : Boucle Apprentissage - Validation - Test 1. Phase d’Apprentissage (Training Set) 2. Phase de Validation (Validation Set) 3. Phase de Test (Test Set) Source: FIDLE, CNRS Tout en suivant son apprentissage Apprentissage Automatique et ses différents types Source: https://knowmap.org/ Types d’apprentissage automatique...")
72. Détail source à réviser : 3. Apprentissage par renforcement : Un agent d'intelligence artificielle doit interagir avec un environnement (Source: "3. Apprentissage par renforcement : Un agent d'intelligence artificielle doit interagir avec un environnement")
73. Détail source à réviser : 3. Phase de Test (Test Set) Source: FIDLE, CNRS Tout en suivant son apprentissage Apprentissage Automatique et ses différents types Source: https://knowmap (Source: "3. Phase de Test (Test Set) Source: FIDLE, CNRS Tout en suivant son apprentissage Apprentissage Automatique et ses différents types Source: https://knowmap")
74. Détail source à réviser : Business : interprétation, modèles d'intérêts, décisions, évaluation Chaîne de base du processus d'ingénierie des données 1. Comprendre et spécifier l'objectif du projet 2. Prétraitement, visualisation, analyse des donné (Source: "Business : interprétation, modèles d'intérêts, décisions, évaluation Chaîne de base du processus d'ingénierie des données 1. Comprendre et spécifier l'objectif du projet 2. Prétraitement, visualisation, analyse des données 3. Quel problème d'apprentissage automatique utilise-t-on ? 4. Concevoir une approche de résolution 5. Évaluer sa performance Données...")
75. Détail source à réviser : des problèmes non-linéaires (comme le XOR), freinant les recherches en réseaux neuronaux. "Dans 20 ans, les machines seront capables de faire tout ce que peut faire un être humain. » Herbert Simon (1965). 128 Ko de mémoi (Source: "des problèmes non-linéaires (comme le XOR), freinant les recherches en réseaux neuronaux. "Dans 20 ans, les machines seront capables de faire tout ce que peut faire un être humain. » Herbert Simon (1965). 128 Ko de mémoire vive ! Video Perceptron: https://youtu.be/cNxadbrN_aI?feature=shared Video Eliza: https://www.youtube.com/watch?v=RMK9A")
76. Détail source à réviser : 2018 1ère Hiver de l’IA (1974 - 1980) : Désillusion et stagnation (Source: "2018 1ère Hiver de l’IA (1974 - 1980) : Désillusion et stagnation")
77. Détail source à réviser : • 2007, Premier assistant personnel, Apple Siri • 2012 Google assistant, • 2014, Cortana (Microsoft), et Alexa (Amazon) La Renaissance de l’IA (1990s - 2010s) : L’ère des algorithmes et du Big Data Echecs Go positions 10 (Source: "• 2007, Premier assistant personnel, Apple Siri • 2012 Google assistant, • 2014, Cortana (Microsoft), et Alexa (Amazon) La Renaissance de l’IA (1990s - 2010s) : L’ère des algorithmes et du Big Data Echecs Go positions 10^50 10^170 parties 10^120 10^600 Video AlphaGo: https://www")
78. Détail source à réviser : Manque de puissance de calcul 2. Limitations des algorithmes 3. Réductions de financement • Exception notable : Avancées en robotique et en reconnaissance de la parole Déceptions faces aux attentes irréalistes : • 1958, (Source: "Manque de puissance de calcul 2. Limitations des algorithmes 3. Réductions de financement • Exception notable : Avancées en robotique et en reconnaissance de la parole Déceptions faces aux attentes irréalistes : • 1958, H. Simon et Allen Newell : « d'ici dix ans un ordinateur sera le champion du monde des échecs » et « d'ici dix ans, un ordinateur découvr...")
79. Détail source à réviser : H. Simon : « des machines seront capables, d'ici vingt ans, de faire tout travail que l'homme peut faire » • 1967, Marvin Minsky : « dans une génération [ (Source: "H. Simon : « des machines seront capables, d'ici vingt ans, de faire tout travail que l'homme peut faire » • 1967, Marvin Minsky : « dans une génération [")
80. Détail source à réviser : Les ChatGPT et autre systèmes de langage ? 4 types d’IA : • Systèmes experts • Machine Learning • Deep Learning • Reinforcement Learning (apprentissage par renforcement) IA c’est quoi techniquement ? Source: https://know (Source: "Les ChatGPT et autre systèmes de langage ? 4 types d’IA : • Systèmes experts • Machine Learning • Deep Learning • Reinforcement Learning (apprentissage par renforcement) IA c’est quoi techniquement ? Source: https://knowmap.org/ L’apprentissage comment ça marche ? Il nous faut de")
81. Détail source à réviser : 4 types d’IA : • Systèmes experts • Machine Learning • Deep Learning • Reinforcement Learning (apprentissage par renforcement) IA c’est quoi techniquement ? Source: https://knowmap.org/ L’apprentissage comment ça marche (Source: "4 types d’IA : • Systèmes experts • Machine Learning • Deep Learning • Reinforcement Learning (apprentissage par renforcement) IA c’est quoi techniquement ? Source: https://knowmap.org/ L’apprentissage comment ça marche ? Il nous faut des données Source: FIDLE, CNRS Un projet d'a")
82. Détail source à réviser : 5. Business : interprétation, modèles d'intérêts, décisions, évaluation Chaîne de base du processus d'ingénierie des données 1 (Source: "5. Business : interprétation, modèles d'intérêts, décisions, évaluation Chaîne de base du processus d'ingénierie des données 1")
83. Détail source à réviser : org/ Apprentissage supervisé – Résumé en 3 points : 1. Apprentissage à partir d’exemples étiquetés fournis par l’utilisateur (= superviseur) 2. Prédit correctement les étiquettes de nouvelles données en se basant sur ce (Source: "org/ Apprentissage supervisé – Résumé en 3 points : 1. Apprentissage à partir d’exemples étiquetés fournis par l’utilisateur (= superviseur) 2. Prédit correctement les étiquettes de nouvelles données en se basant sur ce qu’il a appris. 3. Deux types : ➢ Classification : attribuer une catégorie (exemple : spam ou non spam). ➢ Régression : prédire une valeu...")
84. Détail source à réviser : 1. Apprentissage à partir d’exemples étiquetés fournis par l’utilisateur (= superviseur) 2 (Source: "1. Apprentissage à partir d’exemples étiquetés fournis par l’utilisateur (= superviseur) 2")
85. Détail source à réviser : 3. Réductions de financement • Exception notable : Avancées en robotique et en reconnaissance de la parole Déceptions faces aux attentes irréalistes : • 1958, H (Source: "3. Réductions de financement • Exception notable : Avancées en robotique et en reconnaissance de la parole Déceptions faces aux attentes irréalistes : • 1958, H")
86. Détail source à réviser : A. Mazières, 2018 Renouveau de l’IA connexionniste Redécouverte des réseaux de neurones • Avant les années 1980, les réseaux de neurones étaient largement abandonnés après la critique du Perceptron par Minsky & Papert (1 (Source: "A. Mazières, 2018 Renouveau de l’IA connexionniste Redécouverte des réseaux de neurones • Avant les années 1980, les réseaux de neurones étaient largement abandonnés après la critique du Perceptron par Minsky & Papert (1969)")
87. Détail source à réviser : 2. Collecte de données : capteurs, clics web, logs, mobilité, open data, transactions (Source: "2. Collecte de données : capteurs, clics web, logs, mobilité, open data, transactions")
88. Détail source à réviser : 3. Renforcement des données : nettoyage, organisation, agrégation, gestion des erreurs (Source: "3. Renforcement des données : nettoyage, organisation, agrégation, gestion des erreurs")
89. Détail source à réviser : 4. Ingénierie des données : exploration, représentation, visualisation, apprentissage automatique, exploration des données (Source: "4. Ingénierie des données : exploration, représentation, visualisation, apprentissage automatique, exploration des données")
90. Détail source à réviser : 2. Apprentissage non supervisé : explorer la structure des données, par exemple en regroupant les éléments similaires (Source: "2. Apprentissage non supervisé : explorer la structure des données, par exemple en regroupant les éléments similaires")
91. Détail source à réviser : 3. Deux types : ➢ Classification : attribuer une catégorie (exemple : spam ou non spam) (Source: "3. Deux types : ➢ Classification : attribuer une catégorie (exemple : spam ou non spam)")
92. Détail source à réviser : 1738, Jacques de Vaucanson construit le canard digérant Les origines de l’IA : La machine à calculer (Source: "1738, Jacques de Vaucanson construit le canard digérant Les origines de l’IA : La machine à calculer")
93. Détail source à réviser : Mazières, 2018 1ère Hiver de l’IA (1974 - 1980) : Désillusion et stagnation • Coûteux à développer et incapables de résoudre des problèmes complexes (Source: "Mazières, 2018 1ère Hiver de l’IA (1974 - 1980) : Désillusion et stagnation • Coûteux à développer et incapables de résoudre des problèmes complexes")
94. Détail source à réviser : nateur découvrira et résoudra un nouveau théorème mathématique majeur» • 1965, H. Simon : « des machines seront capables, d'ici vingt ans, de faire tout travail que l'homme peut faire » • 1967, Marvin Minsky : « dans une (Source: "nateur découvrira et résoudra un nouveau théorème mathématique majeur» • 1965, H. Simon : « des machines seront capables, d'ici vingt ans, de faire tout travail que l'homme peut faire » • 1967, Marvin Minsky : « dans une génération [...] le problème de la création d'une 'intelligence artificielle' [sera] en grande partie résolu ». • 1970, Marv")
95. Détail source à réviser : 1970, Marvin Minsky : « Dans trois à huit ans nous aurons une machine avec l'intelligence générale d'un être humain ordinaire » (Source: "1970, Marvin Minsky : « Dans trois à huit ans nous aurons une machine avec l'intelligence générale d'un être humain ordinaire »")
96. Détail source à réviser : une 'intelligence artificielle' [sera] en grande partie résolu ». • 1970, Marvin Minsky : « Dans trois à huit ans nous aurons une machine avec l'intelligence générale d'un être humain ordinaire ». 1980 – 1987 : Renouveau (Source: "une 'intelligence artificielle' [sera] en grande partie résolu ». • 1970, Marvin Minsky : « Dans trois à huit ans nous aurons une machine avec l'intelligence générale d'un être humain ordinaire ». 1980 – 1987 : Renouveau de l’IA avec les Systèmes Experts • Un système expert est un programme qui répond à des questions ou résout des problèmes dans un doma")

📅 Repères chronologiques

📊 Tableaux de Synthèse

Évolution des approches de l'IA

⚠️ Pièges & Confusions Fréquentes

1. Confusion entre IA symbolique et connexionniste.
2. Sous-estimer l'impact du Big Data sur le développement de l'IA.
3. Confondre l'autonomie d'un système IA avec sa capacité à apprendre.
4. Croire que l'IA peut remplacer totalement l'intelligence humaine.
5. Ignorer les enjeux réglementaires et éthiques liés à l'IA.
6. Surestimer la capacité des systèmes actuels à raisonner comme des humains.

✅ Checklist Examen

1. Comprendre la définition de l'intelligence artificielle.
2. Identifier les principales étapes historiques de l'IA.
3. Différencier les approches symbolique et connexionniste.
4. Connaître les avancées majeures comme le deep learning.
5. Savoir ce qu'est un système expert.
6. Reconnaître l'impact du Big Data et des supercalculateurs.
7. Connaître les exemples d'IA dans la vie quotidienne.
8. Comprendre le cadre réglementaire européen sur l'IA.
9. Identifier les défis éthiques liés à l'IA.