Qu’est-ce que l’Intelligence Artificielle ? Définitions selon différents points de vue et applications ?
Ce chapitre décrit le concept d’intelligence artificielle (IA) à partir de différents domaines d’étude, afin de fournir au lecteur une compréhension simple et complète du concept. Des définitions sont également présentées afin de créer un lien entre le fonctionnement du cerveau et les systèmes d’IA.
L’Intelligence Artificielle (IA) est définie, à partir de l’informatique, comme une discipline capable de réaliser des procédures similaires à celles de l’intelligence humaine (Estupiñán, Leyva, Peñafiel et Ojeda, 2021). Selon ces auteurs, l’IA est conçue comme « un ensemble de technologies ayant des caractéristiques ou des capacités qui étaient auparavant exclusives au cerveau humain ». Selon ces auteurs, l’IA est conçue comme « un ensemble de technologies ayant des caractéristiques ou des capacités qui étaient auparavant exclusives au cerveau humain ». De plus, ce système intègre deux approches clés pour son développement : l’apprentissage automatique et l’apprentissage profond.
L’Intelligence Artificielle (IA) est définie, à partir de l’informatique, comme une discipline capable de réaliser des procédures similaires à celles de l’intelligence humaine (Estupiñán, Leyva, Peñafiel et Ojeda, 2021). Selon ces auteurs, l’IA est conçue comme « un ensemble de technologies ayant des caractéristiques ou des capacités qui étaient auparavant exclusives au cerveau humain ». Selon ces auteurs, l’IA est conçue comme « un ensemble de technologies ayant des caractéristiques ou des capacités qui étaient auparavant exclusives au cerveau humain ». De plus, ce système intègre deux approches clés pour son développement : l’apprentissage automatique et l’apprentissage profond.
Machine learning est un processus dans lequel les systèmes reconnaissent des modèles, analysent rapidement de grands ensembles de données et font des prédictions statistiques. Même les machines conçues avec des capacités de réflexion automatique peuvent désormais produire des modèles précis basés sur les données disponibles. L’apprentissage automatique, quant à lui, concentre ses algorithmes sur une variable spécifique, dans le but d’apprendre et de prédire des événements futurs (Coeckelbergh, 2020).
Deep learning trouve son origine dans les réseaux neuronaux artificiels, qui se caractérisent par leurs performances élevées. Dans le domaine de la cybersécurité, cette technique est particulièrement utile lorsqu’il s’agit de traiter des cas divers ou de grands volumes de données de sécurité. Par exemple, l’apprentissage profond peut employer des modèles de sécurité hybrides (compris comme l’efficacité et la capacité de raisonnement (Lygeros, 2004)) pour traiter intelligemment les problèmes liés à la cybercriminalité, à la détection des intrusions, à l’analyse des logiciels malveillants, à l’étude des menaces de sécurité, à la prédiction des cyberattaques et à l’identification des anomalies (Quirumbay, Castillo et Coronel, 2022). En outre, Yang (2018) souligne que l’apprentissage profond offre des avantages significatifs dans la construction de modèles de sécurité, grâce à sa grande précision dans le traitement de grands ensembles de données.
Dans le même ordre d’idées, Steels (2017) décrit l’intelligence artificielle comme une discipline scientifique et d’ingénierie axée sur le développement de systèmes capables d’imiter certaines fonctions, telles que la reconnaissance des formes et le traitement du langage. Il précise toutefois que l’IA ne cherche pas à reproduire fidèlement l’intelligence humaine, mais plutôt à résoudre des problèmes spécifiques qui requièrent un certain degré d’intelligence. Il suggère que, par exemple, sur le lieu de travail, sa mise en œuvre devrait être soigneusement contrôlée et gérée, compte tenu de l’impact qu’elle peut avoir à la fois sur les employés et les employeurs.
D’un point de vue psychologique, Torres (2014) et Icarte (2016) expliquent que l’intelligence artificielle cherche à imiter les fonctions cognitives humaines, telles que la résolution de problèmes et la prise de décision. Cette approche, influencée par la psychologie cognitive et la théorie de la cognition, a guidé le développement de modèles informatiques conçus pour simuler des processus cérébraux humains complexes.
Selon la théorie constructiviste de Piaget, la connaissance se construit par l’interaction de l’individu avec des facteurs cognitifs et sociaux, l’expérience jouant un rôle fondamental dans son développement (Zambrano et al., 2016). Ce concept s’applique également à la création de systèmes intelligents qui, en étant dotés d’une connaissance initiale similaire aux données avec lesquelles l’individu est né et en interagissant avec l’utilisateur, ont la capacité d’apprendre et d’acquérir de nouvelles connaissances au fil du temps, c’est-à-dire d’apprendre par l’expérience.
Les réseaux neuronaux artificiels, des modèles informatiques capables d’apprendre et de résoudre des problèmes, en sont un bon exemple. Ces réseaux, lorsqu’ils interagissent avec de nouvelles données, ajustent leurs connexions et améliorent leurs performances, en essayant d’acquérir des connaissances par l’expérience (Magiquo, 2019).
Les réseaux neuronaux artificiels, des modèles informatiques capables d’apprendre et de résoudre des problèmes, en sont un bon exemple. Ces réseaux, lorsqu’ils interagissent avec de nouvelles données, ajustent leurs connexions et améliorent leurs performances, en essayant d’acquérir des connaissances par l’expérience (Magiquo, 2019).
Russell et Norvig (2004) donnent une définition intéressante qui nous aide à comprendre la figure 1. Ils considèrent l’IA comme “l’étude des agents qui reçoivent des perceptions de l’environnement et qui effectuent des actions”. Dans ce contexte, chaque agent joue un rôle de manière séquentielle, ce qui se traduit par une variété d’actions. Ces rôles sont représentés dans “les systèmes de production, les agents réactifs, les planificateurs en temps réel, les réseaux neuronaux et les systèmes de théorie de la décision”.
L’IA est désormais décrite comme un algorithme conçu pour simuler une forme d’intelligence qui, à son tour, est incorporée dans les plateformes numériques, les réseaux sociaux et les moteurs de recherche, positionnant la technologie comme un agent qui joue un rôle important dans la manière dont nous communiquons et interagissons. L’hypothèse trouve un soutien empirique, étant donné que les utilisateurs non seulement consomment des données, mais en produisent également en permanence, contribuant ainsi à la génération massive d’informations, quel que soit le domaine concerné (Coeckelbergh, 2020).
Références
- Aanbevolen citeerwijze: Luc Steels (ed.), Artificiële intelligentie. Naar een vierde industriële revolutie? KVAB Standpunt 53, 2017.
- Coeckelbergh, Mark. (2020). AI ethics. Hoe omgaan met artificiële intelligentie?
- Estupiñán Ricardo, J., Leyva Vázquez, M. Y., Peñafiel Palacios, A. J., & El Assafiri Ojeda, Y. (2021). Inteligencia artificial y propiedad intelectual. Revista Universidad y Sociedad, 13(S3), 362-368.
- Icarte Ahumada, G. A. (2016). Aplicaciones de inteligencia artificial en procesos de cadenas de suministros: una revisión sistemática. Ingeniare. Revista chilena de ingeniería, 24(4), 663-679.
- John Lygeros, Lecture Notes on Hybrid Systems, Department of Electrical and Computer Engineering – University of http://robotics.eecs.berkeley.edu/~sastry/ee291e/lygeros.pdf
- Quirumbay Yagual, D. I., Castillo Yagual, C. A., & Coronel Suárez, I. A. (2022). Una revisión del aprendizaje profundo aplicado a la ciberseguridad. Revista Científica y Tecnológica UPSE (RCTU), 9(1), 57-65.
- Torres, C. E. T. (2014). Inteligencia colectiva: enfoque para el análisis de redes. Estudios Gerenciales, 30 (132), 259-266.
- Russell, S.J. y P. Norvig (2004). Inteligencia artificial. Un enfoque moderno. Pearson Educación, S.A.
- XIN, Yang; KONG, Lingshuang; LIU, Zhi; CHEN, Yuling; LI, Yanmiao; ZHU, Hongliang; GAO, Mingcheng; HOU, Haixia y WANG, Chunhua. Machine Learning and Deep Learning Methods for Cybersecurity. IEEE Access [En línea]. 2018, vol. 6, pág. 35365-35381. ISSN 21693536. Disponible en: 10.1109/ACCESS.2018.2836950
- Zambrano, P. J. S., Cedeño, G. D. R. B., & Rivadeneira, M. R. L. (2016). La teoría constructivista de Jean Piaget y su significación para la pedagogía contemporánea. Dominio de las Ciencias, 2(3), 127-137.
Références des images
- Magiquo. (2019, noviembre 1). Redes neuronales o el arte de imitar el cerebro humano. Magiquo. https://magiquo.com/redes-neuronales-o-el-arte-de-imitar-el-cerebro-humano/
0 Comments