Ficha de revisão: Introduction à l'intelligence artificielle

📋 Plan du Cours

1. Définitions, concepts fondamentaux et applications courantes de l’intelligence artificielle
2. Origines historiques, premières machines automates et test de Turing
3. Approches symbolique et connexionniste de l’intelligence artificielle et leurs limites initiales (1950-1974)
4. Période de stagnation et désillusion de l’IA (premier hiver, 1974-1980)
5. Renouveau avec les systèmes experts et second hiver de l’IA (1980-1993)
6. Renaissance de l’IA connexionniste avec la rétropropagation et réseaux neuronaux profonds
7. Avancées majeures des années 1990-2010 : Big Data, Deep Learning et puissance de calcul
8. Émergence des IA génératives, réseaux antagonistes génératifs (GAN) et Transformers
9. Cadre réglementaire européen pour une IA éthique et responsable (IA Act 2024)
10. Fonctionnements de base et principes de l’apprentissage automatique et profond
11. Applications modernes des IA génératives : ChatGPT, DALL·E, et autres assistants IA
12. Défis, limites et enjeux éthiques de l’intelligence artificielle contemporaine

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

🔑 Notions clés & Définitions

• Intelligence Artificielle : Capacité d’un système informatique à percevoir son environnement, traiter et interpréter des données, prendre des décisions et accomplir des objectifs spécifiques avec un certain niveau d’autonomie, en s’appuyant sur des procédés logiques et automatisés généralement basés sur des algorithmes.
• Recherche en ligne : Les moteurs de recherche utilisent l’IA pour analyser les requêtes et proposer des résultats toujours plus pertinents.
• 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.
• 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.

📝 Points essentiels

• L’IA perçoit l’environnement, analyse des données, et agit avec autonomie pour atteindre des objectifs spécifiques.
• L’IA désigne la capacité d’une machine à percevoir son environnement, traiter l’information, prendre des décisions et réaliser des objectifs spécifiques avec un certain niveau d’autonomie.
• L’IA repose sur des procédés logiques et automatisés, généralement basés sur des algorithmes, capables de réaliser des tâches bien définies.

💡 À retenir

L’intelligence artificielle désigne un ensemble de capacités techniques autonomes intégrées dans divers systèmes, impactant de nombreux aspects du quotidien et de l’industrie.

📖 2. Origines historiques, premières machines automates et test de Turing

🔑 Notions clés & Définitions

• Machine d’Anticythère : Un mécanisme mécanique antique grec conçu pour calculer les positions astronomiques, considéré comme l’un des premiers automates connus.
• Machine de Turing : Un modèle théorique d’ordinateur inventé en 1936, capable d’exécuter des algorithmes et servant de base à la théorie de la computation.
• Test de Turing : Un critère proposé en 1950 pour évaluer l’intelligence artificielle, basé sur la capacité d’une machine à se faire passer pour un humain lors d’une conversation.
• Machines seront capables : Expression utilisée pour décrire la prédiction selon laquelle, dans un futur proche, les machines pourront accomplir toutes les tâches humaines.

📝 Points essentiels

• Les premières idées d’automates remontent à l’Égypte et la Grèce antiques, avec des machines comme l’éolipyle d’Héron d’Alexandrie et la machine d’Anticythère.
• La machine analytique de Charles Babbage (1834) est un précurseur théorique de l’ordinateur programmable.
• La machine de Turing (1936) est le premier modèle théorique d’ordinateur capable d’exécuter des algorithmes.
• Le test de Turing (1950) propose un critère d’intelligence artificielle basé sur l’indiscernabilité d’une machine d’un humain dans une conversation.
• Le test de Turing établit un standard pour mesurer l’intelligence artificielle mais ne prouve pas que les machines pensent réellement.
• 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
• 1842: Premier algorithme de programmation.

💡 À retenir

La machine de Turing (1936) est le premier modèle théorique d’ordinateur capable d’exécuter des algorithmes.

📖 3. Approches symbolique et connexionniste de l’intelligence artificielle et leurs limites initiales (1950-1974)

🔑 Notions clés & Définitions

• Perceptron : Modèle de neurone artificiel simple introduit en 1958, utilisant un algorithme basé sur des couches de neurones, mais incapable de résoudre des problèmes non-linéaires comme le XOR, ce qui a freiné les recherches en réseaux neuronaux.
• Logic Theorist : Programme symbolique développé en 1956 par Allen Newell et Herbert Simon, capable de résoudre des problèmes de logique et de prouver des théorèmes mathématiques simples.
• Intelligence Artificielle : Champ d'étude visant à créer des machines capables de reproduire des comportements humains tels que le raisonnement, la planification et la créativité, avec une capacité d'adaptation autonome basée sur l'analyse des effets de leurs actions.
• ELIZA :
  • ELIZA (1966) : Premier chatbot, Joseph Weizenbaum, imitant un psychologue.

📝 Points essentiels

• L’IA symbolique repose sur la manipulation de symboles et règles explicites pour représenter la connaissance et le raisonnement.
• L’IA connexionniste utilise des réseaux de neurones artificiels pour apprendre à partir de données par des processus inductifs.
• Le perceptron, modèle de neurone artificiel de 1958, ne peut pas résoudre des problèmes non-linéaires comme le XOR.
• Logic Theorist, de 1956, est un programme capable de prouver des théorèmes mathématiques simples.
• ELIZA, chatbot de 1966, illustre les capacités limitées des premiers systèmes symboliques d’IA.
• »
• L’information est un signal avant d’être un code
• Réseaux de neurones artificiels pour apprendre à partir de données.

💡 À retenir

L’IA symbolique repose sur la manipulation de symboles et règles explicites pour représenter la connaissance et le raisonnement.

📖 4. Période de stagnation et désillusion de l’IA (premier hiver, 1974-1980)

🔑 Notions clés & Définitions

• Limitations des algorithmes : Contraintes inhérentes aux méthodes et modèles utilisés en intelligence artificielle qui empêchaient la résolution efficace de problèmes complexes durant la période du premier hiver de l’IA.
• Manque de puissance de calcul : Insuffisance des capacités matérielles des ordinateurs de l'époque, limitant la vitesse et la complexité des calculs nécessaires au développement des systèmes d’intelligence artificielle.
• Réduction du financement : Diminution significative des ressources financières allouées à la recherche en intelligence artificielle, contribuant au ralentissement des avancées technologiques durant le premier hiver de l’IA.
• Arts et métiers : Conservatoire national des arts et métiers à Paris, institution où sont exposés des calculateurs historiques comme le Zuse 3, l'ENIAC et le Colossus, témoignant des débuts de l'informatique.

📝 Points essentiels

• Le premier hiver de l’IA est une période de stagnation due à des attentes irréalistes non satisfaites par les technologies disponibles.
• Les systèmes d’IA étaient coûteux à développer et incapables de résoudre des problèmes complexes à cause de limitations algorithmiques et matérielles.
• La puissance de calcul insuffisante et le manque de données ont freiné les progrès de l’IA durant cette période.
• Le financement de la recherche en IA a été fortement réduit, ralentissant les avancées.
• Malgré la désillusion générale, des progrès ont été réalisés en robotique et reconnaissance de la parole.

💡 À retenir

Le premier hiver de l’IA est une période de stagnation due à des attentes irréalistes non satisfaites par les technologies disponibles.

📖 5. Renouveau avec les systèmes experts et second hiver de l’IA (1980-1993)

🔑 Notions clés & Définitions

• Systèmes experts : Programme informatique qui répond à des questions ou résout des problèmes dans un domaine spécifique en utilisant des règles logiques dérivées de la connaissance d'experts humains.
• Résoudre des problèmes : Processus par lequel un système utilise des règles logiques ou des algorithmes pour traiter des questions ou des situations complexes afin d'atteindre une solution.

📝 Points essentiels

• Les systèmes experts utilisent des règles logiques dérivées de connaissances humaines pour résoudre des problèmes spécifiques dans un domaine donné.
• MYCIN est un système expert médical pour le diagnostic assisté par ordinateur, démontrant la première application pratique de l’IA.
• XCON (R1) est un système expert industriel pour la configuration de matériel informatique.
• Le second hiver de l’IA est causé par la chute des systèmes experts, la montée des PC et un scepticisme accru, entraînant une nouvelle réduction du financement.
• Les machines Lisp étaient des ordinateurs optimisés pour exécuter le langage Lisp, utilisé dans le développement des systèmes experts.
• 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).
• Les ChatGPT et autre systèmes de langage ?

💡 À retenir

L'essor des systèmes experts a permis des applications pratiques en médecine et industrie, mais leur déclin a été provoqué par des limites économiques et techniques, illustrant les défis de l'IA symbolique.

📖 6. Renaissance de l’IA connexionniste avec la rétropropagation et réseaux neuronaux profonds

🔑 Notions clés & Définitions

• Industrie : Assistance à la conception et au dépannage (ex.
• Finance : Domaine utilisant l'IA pour l'analyse des risques et les recommandations d'investissement, notamment avec des systèmes experts.
• Simon : Chercheurs ayant anticipé que d'ici dix ans, un ordinateur serait champion du monde d’échecs et capable de découvrir de nouveaux théorèmes mathématiques.
• Rétropropagation du gradient : Algorithme introduit en 1986 permettant d’entraîner efficacement les réseaux neuronaux multicouches en ajustant les poids pour minimiser l’erreur.

📝 Points essentiels

• Cette méthode a relancé l’IA connexionniste après la critique du perceptron simple par Minsky et Papert.
• Yann LeCun a appliqué la rétropropagation aux réseaux neuronaux convolutifs, améliorant la reconnaissance de formes et d’images.
• Les réseaux neuronaux profonds ont permis des avancées significatives en reconnaissance vocale, vision par ordinateur et robotique.

💡 À retenir

La découverte de la rétropropagation a permis de dépasser les limites initiales des réseaux neuronaux, relançant ainsi l’IA connexionniste et ouvrant la voie aux succès modernes de l’apprentissage profond.

📖 7. Avancées majeures des années 1990-2010 : Big Data, Deep Learning et puissance de calcul

🔑 Notions clés & Définitions

• La Renaissance de l’IA (1990s - 2010s) : V=8dMFJpEGNLQ&t
• 2012 : Année durant laquelle Google a construit un réseau de neurones profond composé de 16 000 cœurs de processeur répartis sur 1 000 ordinateurs, utilisant l'apprentissage profond sur des serveurs massivement parallèles.
• Big Data : Explosion des données numériques fournissant les volumes nécessaires pour entraîner des modèles complexes en intelligence artificielle.
• Loi de Moore : Observation formulée en 1965 indiquant que le nombre de transistors sur une puce de microprocesseur double tous les 18 à 24 mois, augmentant ainsi la puissance de calcul et nécessitant à partir de 2000 l'usage du traitement parallèle avec des architectures multi-couches.
• Deep Learning : Technique d'apprentissage automatique utilisant des réseaux neuronaux profonds pour extraire automatiquement des caractéristiques à partir de grandes quantités de données.

📝 Points essentiels

• La loi de Moore décrit le doublement du nombre de transistors tous les 18 à 24 mois, augmentant la puissance de calcul.
• Le Deep Learning utilise des architectures de réseaux neuronaux profonds pour extraire automatiquement des caractéristiques à partir des données.
• Les GPU ont permis un traitement parallèle massif, accélérant l’entraînement des modèles d’apprentissage profond.
• Les supercalculateurs exascale atteignent des performances de l’ordre de 10¹⁸ opérations par seconde, facilitant les calculs intensifs en IA.
• Williams
• Entrainement des réseaux de neurones profonds : 1.
• • Les supercalculateurs atteignent maintenant le niveau exascale (> 1 ExaFLOP = 10¹⁸ FLOPS).

💡 À retenir

La convergence de la puissance de calcul, des données massives et des algorithmes a propulsé l’IA vers des performances inédites entre 1990 et 2010.

📖 8. Émergence des IA génératives, réseaux antagonistes génératifs (GAN) et Transformers

🔑 Notions clés & Définitions

• Réseaux antagonistes génératifs (GAN) : Modèles introduits en 2014 où deux réseaux, un générateur et un discriminateur, s'opposent pour créer des données artificielles réalistes, comme dans les Deepfakes.
• Transformers : Architecture de réseaux de neurones introduite en 2017, utilisant un mécanisme d’attention pour traiter efficacement les séquences, révolutionnant le traitement du langage naturel.

📝 Points essentiels

• Les Transformers, présentés en 2017, utilisent un mécanisme d’attention pour traiter efficacement les séquences, révolutionnant le NLP.
• Les LLM comme GPT-3 et GPT-4 sont basés sur l’architecture Transformer et génèrent du texte cohérent et contextuel.
• Les IA génératives incluent aussi des modèles pour la création d’images comme DALL·E et Stable Diffusion.

💡 À retenir

Les Transformers, présentés en 2017, utilisent un mécanisme d’attention pour traiter efficacement les séquences, révolutionnant le NLP.

📖 9. Cadre réglementaire européen pour une IA éthique et responsable (IA Act 2024)

🔑 Notions clés & Définitions

• Objectif : Un cadre juridique clair pour encadrer le développement et l'usage de l'intelligence artificielle en Europe, visant à protéger les citoyens contre les risques liés aux IA non contrôlées tout en encourageant une innovation responsable.
• 2017- : Une période marquée par l'émergence des Transformers, une architecture de réseaux de neurones révolutionnaire pour le traitement du langage naturel, qui a posé les bases des larges modèles de langage.
• Régulation basée sur les risques : Un système de classification des intelligences artificielles en quatre niveaux de risque — inacceptable, élevé, limité et minimal — avec des règles spécifiques adaptées à chaque niveau pour assurer la sécurité et la transparence.
• Processing Unit : Des unités de traitement telles que CPU (Core Processing Unit), GPU (Graphical Processing Unit) et TPU (Tensor Processing Unit) qui fournissent la puissance de calcul nécessaire pour l'entraînement et l'exécution des modèles d'intelligence artificielle.

📝 Points essentiels

• Les développeurs doivent garantir la qualité des données utilisées et le respect des droits d’auteur.
• Les productions d’IA (sons, images, textes) doivent être clairement identifiées comme artificielles.
• L’objectif est de protéger les citoyens tout en encourageant l’innovation responsable.
• 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.
• Les développeurs devront par ailleurs garantir que les sons, images et textes produits seront bien identifiés comme artificiels.

💡 À retenir

Les développeurs doivent garantir la qualité des données utilisées et le respect des droits d’auteur.

📖 10. Fonctionnements de base et principes de l’apprentissage automatique et profond

🔑 Notions clés & Définitions

• Apprentissage par renforcement : Un agent d'intelligence artificielle doit interagir avec un environnement.
• Apprentissage profond (Deep Learning) : Un sous-ensemble de l’apprentissage automatique qui utilise des algorithmes complexes, notamment des réseaux neuronaux profonds, pour modéliser des données complexes.

📝 Points essentiels

• L’apprentissage automatique est une application de l’intelligence artificielle qui permet à un système d’apprendre et de s’améliorer à partir de données sans programmation explicite.
• L’apprentissage supervisé utilise des données étiquetées pour prédire des résultats, avec des tâches de classification ou de régression.
• L’apprentissage non supervisé explore la structure des données sans étiquettes, par exemple via le regroupement d’éléments similaires (clustering).
• L’apprentissage par renforcement implique un agent qui apprend à agir dans un environnement pour maximiser une récompense.

💡 À retenir

Les mécanismes fondamentaux de l’apprentissage automatique et profond permettent aux machines d’extraire des connaissances à partir de données et de s’améliorer automatiquement sans programmation explicite.

📖 11. Applications modernes des IA génératives : ChatGPT, DALL·E, et autres assistants IA

🔑 Notions clés & Définitions

• Business : Domaine d'application où l'interprétation des données, la modélisation des intérêts et la prise de décisions sont réalisées pour atteindre des objectifs stratégiques et évaluer les résultats.
• Assistants virtuels : Systèmes numériques exploitant l'intelligence artificielle pour répondre aux questions, organiser des tâches et offrir une aide personnalisée aux utilisateurs.
• Modèles statistiques pour élaborer : Techniques statistiques utilisées pour analyser des données, faire des prédictions ou générer du contenu, notamment dans les modèles génératifs comme GPT et DALL·E.
• Apprentissage automatique : Il nous faut des données Source: FIDLE, CNRS Un projet d'apprentissage automatique : des données aux résultats 1.

📝 Points essentiels

• ChatGPT, basé sur les modèles GPT, génère du texte cohérent et contextuel, évoluant de GPT-2 à GPT-4 avec une augmentation significative du nombre de paramètres.
• DALL·E crée des images à partir de descriptions textuelles, illustrant la capacité des IA génératives à produire du contenu multimédia.
• Les assistants virtuels utilisent l’IA pour répondre aux questions, organiser des tâches et offrir une aide personnalisée, intégrant des modèles statistiques pour élaborer des prédictions.
• Les modèles GPT ont évolué de GPT-2 (1.5 milliards de paramètres) à GPT-4 (1000 milliards), améliorant la qualité des réponses et la cohérence du texte généré.
• • 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.

💡 À retenir

Les IA génératives transforment les interactions humaines avec les machines et ouvrent de nouvelles possibilités créatives, en utilisant des modèles statistiques pour élaborer du contenu varié.

📖 12. Défis, limites et enjeux éthiques de l’intelligence artificielle contemporaine

🔑 Notions clés & Définitions

• Automatique : Processus par lequel un système traite des données pour produire des résultats ou des prédictions sans intervention humaine directe, en suivant une chaîne structurée d’étapes incluant la collecte, le prétraitement, l’apprentissage et l’évaluation.
• Source : Ensemble des données collectées à partir de capteurs, clics web, logs, mobilité, open data ou transactions, utilisées pour entraîner et alimenter un système d’intelligence artificielle.
• Apprentissage supervisé : Prédire un résultat à partir d'une donnée d'entrée.
• Défis : Enjeux liés à l’intelligence artificielle incluant la reproduction ou amplification de biais dans les données, le manque de transparence des algorithmes, la complexité de la responsabilité juridique, ainsi que les impacts sociaux sur l’emploi, la vie privée et la sécurité.
• Usage responsable de l’IA : Pratique qui consiste à respecter les normes éthiques, protéger les droits fondamentaux et appliquer une régulation adaptée pour maîtriser les risques liés à l’intelligence artificielle et maximiser ses bénéfices.

📝 Points essentiels

• Les systèmes d’IA peuvent amplifier des biais présents dans leurs données d’entraînement, posant des risques d’injustice et de discrimination.
• La transparence des algorithmes est essentielle pour comprendre et contrôler les décisions prises par l’IA, notamment en cas d’erreurs ou de dommages.
• Un usage responsable de l’IA doit respecter les normes éthiques, protéger les droits fondamentaux et s’appuyer sur une régulation adaptée pour maîtriser les risques.

💡 À retenir

Une vigilance éthique et réglementaire est nécessaire pour maîtriser les risques de l’IA et maximiser ses bénéfices, en assurant un usage responsable.

🧩 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 : 1936: Machine de Turing, premier modèle théorique d’un ordinateur (Source: "1936: Machine de Turing, premier modèle théorique d’un ordinateur")
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 : 2009, Premiers succès dans les véhicules autonomes (Google Car équipée d’un système d’auto-pilote) (Source: "2009, Premiers succès dans les véhicules autonomes (Google Car équipée d’un système d’auto-pilote)")
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 : 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 de (Source: "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 approche de la taille d’un atome, on est actuellement...")
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 : 2022 : OpenAI a lancé ChatGPT (Source: "2022 : OpenAI a lancé ChatGPT")
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 : 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'appren (Source: "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 pro...")
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 : 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")
93. 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")
94. 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 »")
95. 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")
96. Détail source à réviser : 2000, nécessite l’usage du traitement parallèle avec des architectures multi-couches (Source: "2000, nécessite l’usage du traitement parallèle avec des architectures multi-couches")

📅 Repères chronologiques

📊 Tableaux de Synthèse

Comparaison des Approches de l’IA

⚠️ Pièges & Confusions Fréquentes

1. Confusion entre intelligence artificielle et automatisation simple
2. Sous-estimation des limites des systèmes experts
3. Confusion entre apprentissage supervisé et non supervisé
4. Ignorer les enjeux éthiques liés aux IA génératives
5. Confusion entre IA faible et IA forte
6. Mésestimer la difficulté de la généralisation des modèles
7. Négliger la nécessité de la qualité des données pour l’apprentissage

✅ Checklist Examen

1. Comprendre la définition fondamentale de l’IA
2. Connaître les origines historiques et les premières machines automates
3. Différencier les approches symbolique et connexionniste
4. Identifier les périodes de stagnation et de renouveau de l’IA
5. Maîtriser les principes de l’apprentissage automatique et profond
6. Connaître les applications modernes comme ChatGPT et DALL·E
7. Reconnaître les enjeux éthiques et réglementaires actuels
8. Comprendre le fonctionnement des réseaux neuronaux et du deep learning
9. Se familiariser avec les défis liés à l’éthique et à la régulation