Tout le monde en parle à tort (tord ?) à travers mais concrètement de quoi on parle ?

Si tu te poses la question, il est temps d’éclairer les ténèbres dans lesquels tu te trouves. Tu vas tout comprendre facilement et tu pourras briller dans les diners mondains que tu fréquentes assidûment je le sais. Alors attache ta ceinture, c’est parti !

IA est l’acronyme d’Intelligence Artificielle, bon jusque là tu devrais toujours suivre. Il vient de l’anglais AI (artificial intelligence). « Artificiel », on comprend le concept, mais « intelligence », là ça devient plus compliqué. Et c’est peut être là le problème (s’il y en a un). Quand j’entends le mots « intelligence », la traduction qui me vient à l’esprit c’est : « capacité à raisonner » et clairement ce n’est pas vraiment encore le cas pour nos IA. Ce le sera peut-être un jour mais il faudra encore être patient. La définition la plus proche et pertinente serait plutôt « capacité d’apprendre ». Pour ma part je trouve le nom d’intelligence artificielle très vendeur mais assez éloigné de la réalité car aujourd’hui il faut bien l’avouer nos intelligences artificielles, malgré les exploits formidables qu’elles réalisent ne sont que des intelligences (très) faibles. Cela ne veut pas dire qu’elle ne sont pas déjà capable d’exploits surhumain.

Bon rentrons dans le vif du sujet !

Il y a beaucoup de sorte d’IA et je ne vais pas vous les expliquer ici mais elles ont toutes en commun une certaine capacité d’apprentissage sur des tâches hyper-spécifiques. Et c’est là leur faiblesse et leur force. Elle sont mono-tâche mais hyper-performantes (pas toujours en vérité) sur celle-ci grâce à un hyper-entrainement.

Oui mais concrètement c’est quoi ???

Pardon j’y arrive. Et bien c’est tout simplement une formule de mathématique !

Whaaaat ?

Oui, il n’y a rien de magique mais juste la puissance des maths. Encore une fois je ne rentre pas dans les détails mais en gros c’est une formule de maths que l’on adapte au fur et à mesure d’un entrainement pour rapprocher les résultats de observations réelles.

Bon je crois qu’il faut un exemple. Imaginons que nous souhaitions que notre IA sache différencier les chats des chiens. (je sais c’est d’une utilité stratégique, les chats cherchent à dominer le monde je vous rappelle !) Pour nous c’est une tâche facile à priori mais imaginons maintenant que nous ayons pour informations uniquement la longueur des moustaches et le poids de l’animal ! Ah vous faites moins les malins là ! Heureusement nous avons une ribambelle de petits stagiaires qui nous ont mesuré et pesé les pôves bêtes et nous avons plein de data.

Maintenant les étapes :

1. Nous prenons un formule de math au hasard (pas tout à fait au hasard dans la réalité) qui prend 2 paramètres en entrée – la taille des moustaches et le poids – et un nombre en sortie entre 0 et 1. Nous décidons que les résultats supérieurs à 0,5 sont des chats et les autres des chiens.
2. Nous lançons les calculs
3. Nous comparons les résultats avec nos données et nous modifions un peu la formule de maths dans le but d’améliorer nos résultats
4. Nous recommençons à partir de l’étape 2 tant que les résultats ne sont pas assez satisfaisant.
5. Maintenant on peut donner de nouvelles tailles de moustaches et de nouveaux poids et on est assez confiant dans la capacité de la formule de maths de différencier les chats et les chiens.

Hé mais pourquoi on prend pas directement la bonne formule de math !?

Et bien parce qu’on la connait pas ! Et ce n’est pas un mathématicien expert qui doit la trouver mais un petit ordinateur qui ne sait que répéter des tâches simples. La subtilité va donc être de lui dire comment améliorer sa formule petit à petit par itération.

Voilou ! C’est tout simple. Allez des petits dessins pour illustrer tout ça.

Le problème revient à trouver une formule mathématique dont la courbe représentative séparera graphiquement les points chats des points chiens.

Avec une formule mathématique (plus ou moins) quelconque, il y a beaucoup d’erreur de classification.

En modifiant petit à petit la formule, la classification se fait plus précise et le nombre d’erreurs diminue. Au bout d’un certain temps, les résultats atteignent un niveau satisfaisant. L’IA est prête.

Nous pouvons donner de nouvelles données à l’IA de tailles de moustaches et de poids. En fonction de la position de ces données – en dessous ou au dessus de la courbe – l’IA déterminera si les données correspondent à un chien ou un chat.

Alors C’est plus clair maintenant ?

Se pose maintenant des questions plus précises. Quels sont ces formules de math ? Comment nous pouvons modifier celles-ci pour améliorer les résultats ? Est-ce que cela sert juste à différencier des chats et des chiens ? Comment nous pouvons coder tout ça ? …

Il y a de quoi faire encore plein de petits articles. Alors à très vite si vous voulez continuer d’apprendre et de comprendre ce vaste domaine.