Visant à simuler l’intelligence humaine, l’intelligence artificielle émerge depuis le début des années 2010, portée par le deep learning, le big data et l’explosion de la puissance de calcul.
L'intelligence artificielle (IA) renvoie à "une application capable de traiter des tâches qui sont, pour l'heure, réalisées de manière plus satisfaisante par des êtres humains dans la mesure où elles impliquent des processus mentaux de haut niveau comme l'apprentissage perceptuel, l'organisation de la mémoire et l'esprit critique". C'est ainsi que le scientifique américain Marvin Lee Minsky, considéré comme le père de l'IA, définit ce concept. C'est en 1956 à l'occasion d'une rencontre de scientifiques à Dartmouth (au sud de Boston) organisée en vue d'envisager la création de machines pensantes qu'il parvient à convaincre son auditoire d'accepter le terme.
Suite à de premiers travaux notamment autour des systèmes experts, l'IA émerge bien plus tard. En 1989, le français Yann Lecun met au point le premier réseau de neurones capable de reconnaître des chiffres écrits à la main. Mais il faudra attendre 2019 pour que ses recherches et celles des canadiens Geoffrey Hinton et Yoshua Bengio soient couronnées par le prix Turing. Pourquoi ? Car pour fonctionner, le deep learning est confronté à deux obstacles. D'abord, la puissance de calcul nécessaire pour entraîner les réseaux de neurones. L'émergence des processeurs graphiques dans les années 2010 apporte une solution au problème. Ensuite, l'apprentissage implique évidemment de disposer de volumes de données massifs. Sur ce plan, les Gafam ont depuis tiré leur épingle du jeu, mais des data sets ont aussi été publiés en open source comme ImagiNET.
Avant de se lancer dans le déploiement d'une IA, il faudra évidemment intégrer le vocabulaire de l'intelligence artificielle, ainsi que le potentiel et les contraintes des principales méthodes de machine learning : apprentissage supervisé, apprentissage non-supervisé, apprentissage semi-supervisé, apprentissage par renforcement…
De même, de nombreux algorithmes de machine learning sont disponibles du plus simple au plus complexe : régression, arbre de décision, forêt aléatoire, machine à vecteur de support, réseau de neurones (lire notre article Quelle intelligence artificielle est faite pour vous ?). En fonction du problème à résoudre et de la qualité du data set d'entrainement, chacun aboutira à des prédictions avec un score de précision plus ou moins précis.
Infrastructures ou librairies de machine learning, de deep learning, environnements d'automated machine learning, studio de data science… Les outils pullulent sur le terrain de l'intelligence artificielle. D'où l'importance de comparer les points forts et points faibles de chacun pour faire le bon choix.
Le développement sans code monte en puissance dans le machine learning, des studios de data science aux plateformes cloud d'intelligence artificielle en passant par les outils de bots.
Appliquée au recrutement et à la mobilité interne, l'intelligence artificielle permet d'élargir le vivier de compétences tout en favorisant la diversité.
En attendant les premiers ordinateurs quantiques commerciaux, les providers cloud proposent d'exécuter des algorithmes quantiques sur leur plateforme. Une approche "as a service" qui permet de se frotter à la révolution annoncée.
Dall-E, Stability.ai, Promptly… Quelles sont les images produites par ces réseaux de neurones artificiels s'ils sont soumis à la même demande ? Tour d'horizon.
Qui utilise l'intelligence artificielle ?
Automobile, banque-finance, logistique, énergie, industrie… Aucun secteur d'activité n'est épargné par la montée en puissance de l'intelligence artificielle. Et pour cause, les algorithmes de machine learning se déclinent à tous les étages en fonction des problématiques business.
Dans l'automobile, l'intelligence artificielle motorisent les véhicules autonomes via des modèles de deep learning (ou réseaux de neurones). Dans la banque-finance, elle estime les risques de placements ou de trading. Dans le transports, elle calcule les meilleurs itinéraires et optimisent les flux au sein des entrepôts. Dans l'énergie comme le retail, elle prévoit la consommation des clients en vue d'optimiser les stocks et la distribution. Enfin dans l'industrie, elle permet d'anticiper les panne des équipements (que ce soit pour un robot sur une chaîne de montage, un serveur informatique, un ascenseur…) avant même qu'elles se produisent. Objectif : réaliser les opérations de maintenance de manière préventive.
Au quotidien, l'intelligence artificielle est aussi utilisée pour mettre en œuvre les assistants intelligents (chatbot, callbot, voicebot) ou les appareils photos des smartphones pour prendre un cliché en toute circonstance.
Le groupe de luxe a bâti une data et une IA factory comptant près de 70 collaborateurs. 45 000 vendeurs bénéficient déjà de ses développements, mais également 80% des clients des sites d'e-commerce.
La stratégie numérique du géant français des équipements pour l'énergie et automatismes industriels change de dimension avec un lac de données basé sur Azure Databricks.
Rebaptisé TotalEnergies en vue de souligner sa stratégie de diversification, le groupe français a lancé sa digital factory début 2020. L'intelligence artificielle fait partie de ses briques clés.
La start-up suédoise a développé sa propre technologie de machine learning pour détecter sur Internet les chanteurs anonymes à fort potentiel. Avec succès jusque-là.
Evidemment, les géants du numérique n'ont pas attendu pour exploiter tout le potentiel que l'intelligence artificielle peut leur apporter. Disposant de volumes de données personnelles jamais atteint dans l'histoire, ils rivalisent d'inventivité dans l'utilisation d'algorithmes d'apprentissage articulés autour de segmentation psychographique pour répondre à des besoins les plus divers : recherche, ciblage publicitaire, détection des talents, interface vocale…
Nouvelle directrice générale de l'activité de recherche fondamentale de Meta dans l'IA, Joëlle Pineau raconte son ascension au sein des laboratoires de Facebook et décrypte les dernières avancées des modèles de deep learning.
Le CEO de Dataiku détaille sa stratégie 2022 ainsi que sa feuille de route en R&D. Une interview accordée ce 20 octobre 2022 à l'occasion de l'événement mondial de la société qui se tenait à Paris.
A l'occasion du Snowflake Summit qui se tient cette semaine, le co-fondateur français et président produit de la cloud data platform détaille sa stratégie pour 2022.
L'Intelligence artificielle a donné naissance à toute une pléiade de nouveaux profils de compétences. Le premier d'entre-eux n'est autre que le data scientist. On attend de lui des compétences en big data, en algorithmie, en statistiques, en data visualisation, mais aussi une expertise métier.
Avec la montée en puissance des projets d'IA, un nouveau profil vient épauler le data scientist généraliste : le machine learning engineer. Il s'agit d'un data scientist spécialisé qui a pour mission de couvrir l'ensemble du cycle de vie d'un modèle d'apprentissage, de sa conception et son entrainement jusqu'à son monitoring en passant évidemment par son déploiement (lire l'article Machine learning engineer : nouveau métier star de la data science).
Derniers articles Sommaire Intelligence artificielle : définition Conseils en IA Comparatif L'IA révolutionne l'économie Chroniques Retours d'expérience Coulisses techniques Interviews Chiffres clés …
Je gère mes abonnements push
Les informations recueillies sont destinées à CCM Benchmark Group pour vous assurer l’envoi de votre newsletter.
Elles seront également utilisées sous réserve des options souscrites, par CCM Benchmark Group à des fins de ciblage publicitaire et prospection commerciale au sein du Groupe Le Figaro, ainsi qu’avec nos partenaires commerciaux.
Le traitement de votre email à des fins de publicité et de contenus personnalisés est réalisé lors de votre inscription sur ce formulaire. Toutefois, vous pouvez vous y opposer à tout moment
Plus généralement, vous bénéficiez d’un droit d’accès et de rectification de vos données personnelles, ainsi que celui d’en demander l’effacement dans les limites prévues par la loi.
Vous pouvez également à tout moment revoir vos options en matière de prospection commerciale et ciblage. En savoir plus sur notre politique de confidentialité ou notre politique Cookies.