Aujourd'hui, le terme «intelligence artificielle» (IA) est utilisé de manière quasi inflationniste. Presque tous les nouveaux logiciels ou matériels font aujourd'hui la promotion de l'utilisation de l'intelligence artificielle. L'IA désigne des systèmes et des algorithmes qui effectuent des tâches nécessitant typiquement l'intelligence humaine. L'une des principales caractéristiques de ces systèmes est leur capacité à analyser de grandes quantités de données, à reconnaître des modèles et à fournir des résultats basés sur ces données. Ces technologies ont connu un développement rapide et sont désormais présentes dans de nombreux domaines de la vie. Mais toutes les IA ne sont pas les mêmes. Dans les paragraphes suivants, nous examinons de plus près les différents types d'IA et étudions leur pertinence pour la formation et l'avenir.
Dans le paysage actuel de l'IA, il est essentiel de faire la distinction entre les différents concepts et technologies afin d'avoir une compréhension claire du système d'IA le mieux adapté à une tâche donnée. Il existe plusieurs manières de catégoriser les différents systèmes d'IA. Dans cet article, les systèmes d'IA sont classés selon leur fonctionnalité. On distingue d'une part les méthodes statistiques, les systèmes experts ainsi que l'IA physique et on classe les systèmes d'apprentissage automatique en «machine learning» et «deep learning».
Le graphique ci-dessous illustre les différentes catégories de systèmes d'IA. Le graphique regroupe les IA par fonctionnalité et donne des exemples d'applications concrètes. Pour plus d'informations sur les différentes catégories et les exemples, cliquez sur le terme correspondant.
IA au sens large
Méthodes statistiques
Les méthodes statistiques, les systèmes experts et l'IA physique ne font partie de l'IA qu'au sens large. Les méthodes purement statistiques, basées sur des modèles mathématiques, analysent les données afin d'identifier des modèles et des corrélations. Les modèles basés principalement sur les statistiques sont souvent rigides. Cela signifie que les paramètres du modèle sont déjà fixés au départ et que le modèle n'apprend pas par lui-même. Ces méthodes sont fondamentales pour de nombreuses tâches analytiques, mais elles n'offrent souvent aucune possibilité d'adaptation ou d'amélioration sur la base de nouvelles données. Parmi les méthodes statistiques les plus connues figure la régression.
Systèmes experts
Contrairement aux méthodes statistiques, les systèmes experts n'utilisent des modèles mathématiques que dans une mesure limitée. Popularisés dans les années 1980, les systèmes experts fonctionnent selon des règles prédéfinies et utilisent des connaissances spécifiques pour prendre des décisions ou résoudre des problèmes. Ils sont moins flexibles que les systèmes d'IA modernes, car ils sont basés sur des règles prédéfinies et ne sont pas capables d'apprendre. Les premiers programmes de traduction, qui traduisaient des textes sur la base de règles prédéfinies et de listes de mots, en sont un exemple. Si cela a permis de progresser dans la traduction automatique, ces systèmes n'étaient que peu applicables à des textes plus complexes. Un autre exemple connu de système expert est l'ordinateur spécialisé dans le jeu d'échecs «Deep Blue», qui est devenu célèbre dans les années 1990. Deep Blue utilisait un matériel puissant et de vastes bases de données d'échecs pour calculer des millions de coups. Bien qu'il ait obtenu des résultats impressionnants, ses performances étaient basées sur des algorithmes prédéfinis.
IA physique
L'IA physique, quant à elle, fait référence aux systèmes qui combinent des algorithmes d'IA avec du matériel. Cela permet une interaction directe dans le monde réel. Les voitures autopilotées en sont un exemple. Ces véhicules utilisent une multitude de capteurs et d'algorithmes pour appréhender leur environnement et naviguer dans le trafic.
Systèmes d'apprentissage automatique
Les systèmes d'apprentissage automatique représentent une catégorie avancée de l'intelligence artificielle. Ces systèmes se caractérisent par le fait que des instructions de programmation spécifiques ne sont pas nécessaires ou disponibles pour chaque tâche. Les modèles développés à l'aide de l'apprentissage automatique sont avant tout dimensionnés et conçus pour résoudre une tâche spécifique. Cependant, le système apprend lui-même les règles pour résoudre les tâches.
Arbres de décision
L'apprentissage automatique pur comprend, entre autres, les arbres de décision (decision trees). Cet algorithme est utilisé pour regrouper des données. Au cours de l'apprentissage, une structure arborescente est créée, qui divise les données en différentes catégories. Cet arbre de décision peut ensuite être appliqué à de nouvelles données afin de les catégoriser.
Deep Learning
Une forme spécialisée de système d'apprentissage est le deep learning. Celui-ci utilise des réseaux neuronaux pour saisir des modèles plus profonds et plus détaillés dans de grandes quantités de données. Les réseaux neuronaux ont été développés en s'inspirant du fonctionnement du cerveau humain. Ils se composent d'un grand nombre de nœuds (neurones) reliés logiquement entre eux. En raison de la taille et de la complexité de ces modèles, il n'est plus possible pour les humains de comprendre quel résultat le modèle fournit. Ces modèles sont toutefois capables d'apprendre des faits très complexes.
Grands modèles de langage
Les grands modèles de langage (LLM) constituent une sous-catégorie des réseaux neuronaux. Ceux-ci sont axés sur le langage naturel et sont capables de générer et de comprendre des textes. Les GPT (generative pretrained transformers) sont un exemple connu de LLM. Ces modèles utilisent des architectures dites de transformateurs, basées sur des réseaux neuronaux, pour apprendre des modèles linguistiques étendus et générer des réponses contextuelles et précises.
L'IA est un terme générique difficile à appréhender et souvent peu pertinent, car une intelligence artificielle générale (AGI – artificial general intelligence) n'a pas encore été atteinte et les modèles actuels ne donnent de bons résultats que dans des domaines spécifiques. Les craintes que des grands modèles de langage puissent faire des bonds en avant vers une intelligence artificielle générale semblent également infondées.
L'IA dans la formation
Les modèles de machine learning et de deep learning, en particulier, ont un grand potentiel d'utilisation dans la formation et même dans les salles de classe. Ces technologies permettent de créer des environnements d'apprentissage personnalisés, dans lesquels le contenu et la vitesse d'apprentissage sont adaptés individuellement. Les LLM, en particulier, peuvent soutenir efficacement l'enseignement des langues et des connaissances en créant du matériel d'apprentissage sur mesure. L'IA peut également améliorer la création de contenus d'apprentissage en aidant le corps enseignant à concevoir des supports de cours interactifs et attrayants, adaptés aux besoins des apprenantes et apprenants.
En outre, les LLM peuvent prendre en charge des tâches administratives dans la gestion de l'éducation, comme l'automatisation des rapports et la gestion efficace des données des apprenantes et apprenants. Pour en savoir plus sur les applications possibles de l'IA dans la formation, consultez l'article «Champs et cas d'application de l'IA dans la formation».