Qu'est-ce que l'intelligence artificielle ? Comment fonctionnent les systèmes d'apprentissage automatique

L'intelligence artificielle (IA) est un domaine de la technologie qui permet aux ordinateurs et aux machines de simuler l'apprentissage humain, la compréhension, la résolution de problèmes, la prise de décision, la créativité et l'autonomie, selon IBM.

IA étroite vs. IA générale

IBM distingue entre deux grandes catégories. L'IA étroite, également appelée IA faible, couvre les systèmes construits pour une tâche spécifique, comme un assistant vocal ou un chatbot. L'IA générale, ou IA forte, fait référence à un système théorique ayant une compréhension large dans de nombreuses tâches à un niveau humain ou surhumain ; IBM affirme que de tels systèmes n'existent pas actuellement.

L'apprentissage automatique : le moteur derrière la plupart des IA

L'apprentissage automatique (AA) est le sous-ensemble de l'IA centré sur les algorithmes qui apprennent les motifs à partir des données d'entraînement, puis font des déductions sur les nouvelles données, explique IBM. La différence clé avec la programmation traditionnelle est qu'un programmeur n'a pas besoin de détailler chaque règle. IBM donne l'exemple de la détection du spam : un programme basé sur des règles nécessite qu'un humain définisse à quoi ressemble le spam, tandis qu'un modèle d'AA apprend les caractéristiques du spam en étudiant de nombreux e-mails d'exemple par lui-même.

Trois principaux types d'apprentissage

Selon IBM, les systèmes d'apprentissage automatique sont généralement entraînés de l'une de trois manières. L'apprentissage supervisé utilise des données étiquetées avec des réponses correctes connues, pour des tâches comme la classification d'éléments ou la prédiction d'une valeur continue telle qu'un prix. L'apprentissage non supervisé fonctionne avec des données non étiquetées et recherche une structure cachée, comme le regroupement de clients similaires. L'apprentissage par renforcement entraîne un système par essai et erreur, en récompensant les actions qui le rapprochent d'un objectif pour qu'il apprenne progressivement une stratégie optimale.

Où l'IA apparaît déjà

IBM énumère les chatbots de service à la clientèle, la détection des fraudes, les recommandations marketing personnalisées, le filtrage du recrutement assisté par IA, les outils de génération de code et la maintenance prédictive comme applications actuelles. Séparément, l'aperçu de l'apprentissage automatique d'IBM ajoute les véhicules autonomes, le filtrage des spams par e-mail, le support du diagnostic médical, les moteurs de recommandation et la traduction automatique à la liste des technologies pilotées par AA déjà en usage.

Limitations connues : hallucinations et biais

Les systèmes d'IA générative peuvent produire des "hallucinations" — des informations fabriquées qui semblent authentiques, selon le groupe Technologies d'enseignement et d'apprentissage du MIT Sloan. MIT Sloan pointe un cas largement rapporté dans lequel un avocat a utilisé ChatGPT pour la recherche juridique et l'outil a inventé des références de cas qui n'existaient pas. Le groupe cite des recherches révélant que les chatbots à usage général hallucinent dans 58 % à 82 % des requêtes juridiques testées, tandis que les outils juridiques spécialisés utilisant la génération augmentée par récupération hallucinent toujours dans plus de 17 % des cas.

MIT Sloan attribue les hallucinations à trois facteurs : les données d'entraînement qui mélangent les informations précises et inexactes, que les modèles peuvent reproduire ; la conception sous-jacente des systèmes génératifs, qui fonctionnent comme des "outils d'autocomplétion avancée" prédisant des mots suivants plausibles plutôt que de vérifier les faits ; et les limitations architecturales qui permettent aux modèles de combiner les motifs de nouvelles manières, parfois inexactes, même avec des données d'entraînement propres.

Sur le biais, MIT Sloan rapporte que des études ont montré que les systèmes d'IA peuvent amplifier les stéréotypes de genre et raciaux dans les images générées et produire des retours de qualité différente, des évaluations ou des recommandations professionnelles selon les indices démographiques dans une requête. Le groupe attribue cela aux données d'entraînement qui contiennent des préjugés sociétaux existants, que les modèles reproduisent sans la capacité de juger le bien du mal. L'aperçu d'IBM signale séparément les risques de données tels que l'empoisonnement ou le biais intégré, les risques de modèle tels que le vol ou la manipulation de paramètres, et les risques opérationnels tels que la dérive de modèle comme des préoccupations plus larges pour les organisations déployant l'IA.

Pourquoi c'est important maintenant

IBM note que la discussion moderne sur l'IA est dominée par l'IA générative — des systèmes qui créent du texte, des images, des vidéos et d'autres contenus originaux plutôt que de simplement classer ou prédire à partir des données existantes. Alors que ces outils font leur entrée dans les lieux de travail, les écoles et les applications quotidiennes, le même mécanisme sous-jacent — apprendre les motifs à partir des données d'entraînement — aide à expliquer à la fois leurs capacités et leurs limites documentées, notamment les problèmes d'hallucination et de biais que décrit MIT Sloan.