Flashcard: Introduction à l'intelligence artificielle — 24 carte

Intelligence Artificielle — définition ?

Capacité d’un système à percevoir, traiter et agir avec autonomie.

Première machine automate — exemple ?

L’horloge à éléphant d’Al-Jazarī (1206).

Test de Turing — objectif ?

Évaluer si une machine peut se faire passer pour un humain.

Approche symbolique — caractéristique ?

Manipulation de symboles et règles explicites.

Approche connexionniste — caractéristique ?

Utilise réseaux de neurones pour apprendre à partir de données.

Premier hiver de l’IA — période ?

1974-1980, marqué par stagnation et réduction des financements.

Systèmes experts — rôle ?

Résoudre des problèmes spécifiques en utilisant des règles de connaissance.

Rétropropagation — utilité ?

Entraîner efficacement réseaux neuronaux multicouches.

Avancées des années 1990-2010 — exemples ?

Big Data, Deep Learning, puissance de calcul accrue.

Transformers — innovation clé ?

Architecture utilisant l’attention pour traiter séquences, révolution du NLP.

Cadre réglementaire européen — objectif ?

Encadrer l’IA pour une utilisation éthique et responsable.

Apprentissage automatique — principe ?

Système apprend à partir de données sans programmation explicite.

IA générative — exemples ?

ChatGPT, DALL·E, assistants IA.

Défis éthiques de l’IA — principaux ?

Biais, transparence, responsabilité, impact social.

Big Data — rôle ?

Fournir volumes de données pour entraîner des modèles complexes.

Réseaux antagonistes génératifs — sigle ?

GAN, modèles où deux réseaux s’affrontent pour créer des données réalistes.

Transformers — année d’apparition ?

2017, utilisant mécanisme d’attention pour NLP.

Régulation IA — principe clé ?

Classification par risque, règles adaptées à chaque niveau.

Deep Learning — technique ?

Réseaux neuronaux profonds pour modéliser données complexes.

Renaissance IA — facteurs ?

Puissance de calcul, données massives, algorithmes avancés.

Hiver de l’IA — conséquence ?

Diminution des financements, stagnation des progrès.

Approche symbolique — limite ?

Incapable de gérer la complexité et l’apprentissage automatique.

Réseaux de neurones — principe ?

Ajustement de poids pour minimiser erreur via rétropropagation.

IA forte — définition ?

Capacité à penser, raisonner comme un humain.