Scheda di revisione: Introduction à l'intelligence artificielle

1. 📌 L'essentiel

• L'IA vise à faire réaliser aux machines des tâches nécessitant l'intelligence humaine.
• Approches principales : IA descendantesymbolique) et IA ascendante (connexionniste).
• Types d’IA : ANI (fa), AGI (forte, hypothétique), ASI (superintelligence, hypothétique).
• Techniques clés : Machine Learning (ML), Deep Learning (DL), réseaux de neurones.
• Applications : traitement du langage naturel, vision par ordinateur, robotique, génération de contenu.
• Limites : compréhension contextuelle, biais, absence de conscience.
• Historique : création en 1956, cycles d'hiver et de progrès liés aux big data et DL.
• Évaluation : précision, rappel, benchmarking, performance par rapport à l’humain.
• Enjeux : éthiques, societaux, risques liés à la superintelligence.
• Structure principale : données, modèles, entraînement, déploiement.

2. 🧩 Structures & Composants clés

• Données — structurées et non structurées, essentielles à l’apprentissage.
• Modèles — algorithmes (réseaux de neurones, arbres, SVM).
• Réseaux de neurones — couches d’unités interconnectées imitant le cerveau.
• Algorithmes d’apprentissage — supervisé, non supervisé, par renforcement.
• Fonction de coût — mesure l’erreur ou la perte à optimiser.
• Algorithme de rétropropagation — ajuste les poids pour minimiser l’erreur.
• Performance — évaluée par précision, rappel, F-mesure.
• Applications — NLP, vision, reconnaissance vocale, génération automatique.
• Limitations — difficulté à comprendre le contexte, biais dans les données.
• Historiquement — émerge en 1956, cycles de stagnation/hyper-progrès.

3. 🔬 Fonctions, Mécanismes & Relations

• Flux principal : Données → Modèle → Apprentissage → Résultat.
• Organisation hiérarchique : données en entrée → couches de neuronnes → sortie.
• Relation apprentissage : apprentissage supervisé nécessite des données étiquetées.
• Rétropropagation : méthode d’ajustement des poids via gradient descent.
• Relation cause-effet : les modèles modèlent des relations statistiques, pas la causalité.
• Collaborations : réseaux convolutifs pour images, réseaux récurrents pour séquences.
• Impact : amélioration continue par augmentation de données et complexité du modèle.

4. Tableau comparatif : Types d'IA

5. 🗂️ Diagramme Hiérarchique

Intelligence Artificielle
 ├─ Approches
 │   ├─ Descendante (symbolique)
 │   └─ Ascendante (connexionniste)
 ├─ Types
 │   ├─ ANI (faible)
 │   ├─ AGI (forte)
 │   └─ ASI (superintelligence)
 └─ Techniques
     ├─ Machine Learning
     ├─ Deep Learning
     └─ Réseaux Neuronaux

6. ⚠️ Pièges & Confusions fréquentes

• Confondre ANI et AGI : ANI est spécialisé, AGI est généraliste.
• Croire que l’IA comprend le contexte comme l’humain : ce n’est qu’une modélisation statistique.
• Négliger l’impact des biais dans les données d’apprentissage.
• Confondre réseaux de neurones simples et profonds (DL).
• Sous-estimer les limites de la compréhension sémantique et du langage naturel.
• Ignorer la différence entre apprentissage supervisé et non supervisé.
• Penser que l’IA est autonome dans toutes ses actions : nécessite souvent supervision humaine.
• Confusion entre intelligence humaine et capacités de l’IA.

7. ✅ Checklist Examen Final

• Définir l’intelligence artificielle et ses objectifs.
• Expliquer les principales approches : symbolique vs connexionniste.
• Distinguer ANI, AGI, ASI avec leurs caractéristiques.
• Décrire les techniques fondamentales : ML, DL, réseaux de neurones.
• Identifier les principales applications et leurs enjeux.
• Connaître le rôle des données dans le processus d’apprentissage.
• Comprendre la rétropropagation et l’optimisation des réseaux.
• Citer les limites actuelles de l’IA.
• Analyser les enjeux éthiques liés à l’IA.
• Revenir sur l’historique depuis 1956.
• Être capable de représenter une hiérarchie de l’IA.
• Savoir faire un tableau comparatif des types d’IA.
• Connaître les risques liés à la superintelligence.
• Se préparer à discuter des impacts sociétaux et économiques.
• Maîtriser les termes clés : biais, généralisation, entraînement, benchmarking.