Intelligence Artificielle

← Graphe de connaissances

⌂ retour

→

Définition

L'intelligence artificielle (IA) est une discipline de l'informatique qui vise à créer des systèmes capables d'accomplir des tâches qui nécessitent généralement l'intelligence humaine. Ces tâches comprennent la résolution de problèmes, l'apprentissage, la reconnaissance de la parole, la planification, la perception visuelle, la compréhension du langage naturel et la prise de décision.

L'objectif de l'intelligence artificielle est de développer des programmes informatiques et des systèmes qui peuvent imiter certaines fonctions cognitives humaines, en utilisant des algorithmes, des modèles et des techniques spécifiques. L'IA peut être classée en deux catégories principales : l'IA faible (ou étroite) et l'IA forte.

1. IA Faible (Étroite) : L'IA faible est conçue pour effectuer une tâche spécifique sans montrer de compréhension ni de conscience générale. Cela inclut des systèmes tels que les filtres d'e-mails, les assistants virtuels, les systèmes de recommandation, et d'autres applications spécialisées.
2. IA Forte : L'IA forte, en revanche, serait capable de comprendre et de performer n'importe quelle tâche intellectuelle humaine. Une IA forte serait dotée de conscience et de compréhension, capable de résoudre des problèmes variés de manière similaire à un être humain.

Sous domaines

Parmi les sous-domaines de l'intelligence artificielle, on trouve notamment :

• L'apprentissage automatique (Machine Learning) : Il s'agit d'une approche de l'IA qui permet aux systèmes d'apprendre à partir de données sans être explicitement programmés. Les algorithmes d'apprentissage automatique sont utilisés pour améliorer la performance des systèmes au fil du temps.
• Le traitement du langage naturel (NLP) : Il concerne la capacité des machines à comprendre, interpréter et générer un langage humain de manière naturelle. Les chatbots et les assistants vocaux sont des exemples d'applications NLP.
• La vision par ordinateur : Elle se concentre sur l'enseignement aux machines à "voir" et à interpréter visuellement le monde, en analysant des images et des vidéos.
• La robotique : Elle intègre des éléments d'IA pour permettre aux robots d'accomplir des tâches physiques ou cognitives complexes.
• Les réseaux neuronaux et le deep learning : Ces techniques sont inspirées du fonctionnement du cerveau humain et sont utilisées pour résoudre des problèmes complexes, tels que la reconnaissance d'images et la traduction automatique.

L'intelligence artificielle a des applications dans de nombreux domaines, y compris la santé, les finances, la logistique, le commerce, l'éducation et bien d'autres. Bien que l'IA ait connu des progrès significatifs, certaines questions éthiques et sociales, telles que la confidentialité des données et l'impact sur l'emploi, suscitent également des préoccupations et font l'objet de débats.

Différence entre machine learning et deep learning

IA générative

L'intelligence artificielle générative (IA générative) fait référence à une classe de modèles d'intelligence artificielle conçus pour générer de nouveaux contenus de manière autonome. Ces modèles sont capables de créer des données, des textes, des images, des sons, voire des vidéos qui n'ont pas été explicitement programmés, mais qui sont plutôt générés à partir de modèles d'apprentissage automatique. L'IA générative repose souvent sur des réseaux neuronaux, en particulier sur des architectures comme les réseaux génératifs adverses (GAN) et les modèles de langage génératif.

Voici quelques aspects clés de l'IA générative :

• Réseaux Génératifs Adverses (GAN) : Les GAN sont des modèles d'IA composés de deux réseaux neuronaux, un générateur et un discriminateur, qui sont formés de manière concurrente. Le générateur crée des données, tandis que le discriminateur évalue ces données. Le processus d'apprentissage se poursuit jusqu'à ce que le générateur soit capable de créer des données indiscernables des données réelles.
• Modèles de Langage Génératif : Ces modèles sont conçus pour générer du texte de manière autonome. Les transformers, une architecture de réseau neuronal, sont souvent utilisés pour les modèles de langage, comme GPT (Generative Pre-trained Transformer) développé par OpenAI.
• Génération d'Images et de Vidéos : Certains modèles génératifs sont capables de créer des images et des vidéos de manière réaliste. Ces modèles peuvent être utilisés pour générer des visages réalistes, des œuvres d'art, voire des scènes entières.
• Applications Créatives : L'IA générative est souvent utilisée dans des applications créatives telles que la génération de musique, de poésie, de peintures, etc. Elle peut également être utilisée pour la création de personnages de jeux vidéo, de scénarios, et d'autres contenus artistiques.
• Amélioration de la Créativité : L'IA générative est considérée comme un outil pour stimuler la créativité humaine en proposant des idées, des concepts ou des éléments qui peuvent être intégrés ou transformés par des artistes, des écrivains, des concepteurs, etc.
• Défis Éthiques : L'utilisation de l'IA générative soulève des questions éthiques, notamment en ce qui concerne la création de contenus potentiellement trompeurs ou la manipulation d'informations. Il est important de surveiller et de réglementer l'utilisation de ces technologies.
• Génération de Contenu Réaliste : Les dernières avancées dans l'IA générative ont permis la création de contenus de plus en plus réalistes, ce qui soulève des préoccupations sur la capacité de l'IA à créer des informations trompeuses ou potentiellement dangereuses.

L'IA générative offre un potentiel considérable dans des domaines créatifs, mais elle nécessite également une surveillance et une régulation appropriées pour garantir une utilisation responsable et éthique de cette technologie.

Yogesh K. Dwivedi, Nir Kshetri, Laurie Hughes, Emma Louise Slade, Anand Jeyaraj, Arpan Kumar Kar, Abdullah M. Baabdullah, Alex Koohang, Vishnupriya Raghavan, Manju Ahuja, Hanaa Albanna, Mousa Ahmad Albashrawi, Adil S. Al-Busaidi, Janarthanan Balakrishnan, Yves Barlette, Sriparna Basu, Indranil Bose, Laurence Brooks, Dimitrios Buhalis, Lemuria Carter, Soumyadeb Chowdhury, Tom Crick, Scott W. Cunningham, Gareth H. Davies, Robert M. Davison, Rahul Dé, Denis Dennehy, Yanqing Duan, Rameshwar Dubey, Rohita Dwivedi, John S. Edwards, Carlos Flavián, Robin Gauld, Varun Grover, Mei-Chih Hu, Marijn Janssen, Paul Jones, Iris Junglas, Sangeeta Khorana, Sascha Kraus, Kai R. Larsen, Paul Latreille, Sven Laumer, F. Tegwen Malik, Abbas Mardani, Marcello Mariani, Sunil Mithas, Emmanuel Mogaji, Jeretta Horn Nord, Siobhan O’Connor, Fevzi Okumus, Margherita Pagani, Neeraj Pandey, Savvas Papagiannidis, Ilias O. Pappas, Nishith Pathak, Jan Pries-Heje, Ramakrishnan Raman, Nripendra P. Rana, Sven-Volker Rehm, Samuel Ribeiro-Navarrete, Alexander Richter, Frantz Rowe, Suprateek Sarker, Bernd Carsten Stahl, Manoj Kumar Tiwari, Wil van der Aalst, Viswanath Venkatesh, Giampaolo Viglia, Michael Wade, Paul Walton, Jochen Wirtz, Ryan Wright, Opinion Paper: “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy, International Journal of Information Management, Volume 71, 2023, 102642, ISSN 0268-4012, https://doi.org/10.1016/j.ijinfomgt.2023.102642. (https://www.sciencedirect.com/science/article/pii/S0268401223000233)

Intelligence artificielle et Gestion des connaissances

@todo : enrichir la partie IA Knowledge Management et Intelligence Artificielle : https://realkm.com/2023/01/23/how-artificial-intelligence-can-support-knowledge-management-in-organizations/

Mohammad Hossein Jarrahi, David Askay, Ali Eshraghi, Preston Smith, Artificial intelligence and knowledge management: A partnership between human and AI, Business Horizons, Volume 66, Issue 1, 2023, Pages 87-99, ISSN 0007-6813, https://doi.org/10.1016/j.bushor.2022.03.002. (https://www.sciencedirect.com/science/article/pii/S0007681322000222)

A symbiotic relationship between humans and AI in managing knowledge (source: Jarrahi et al. 2023).

Intelligence artificielle au service de l'intelligence collective

à 20 minutes 15 secondes

Voir aussi

• Taylorism 4.0: How Artificial Intelligence is Transforming Knowledge Work, By Michael Späth - December 10, 2018

• https://wiki.komansamparle.fr/images/e/e8/Les_banques_peuvent-elles_optimiser_leur_co%C3%BBt_du_risque_par_l%E2%80%99utilisation_de_Machine_Learning_dans_la_mod%C3%A9lisation_interne_du_risque_de_cr%C3%A9dit_en_respectant_le_cadre_r%C3%A9glementaire_impos%C3%A9_par_le_superviseur.pdf