Exemple d'article III : Les objectifs de l'intelligence artificielle – Partie 2
L'apprentissage automatique est l'étude des programmes capables d'améliorer automatiquement leurs performances sur une tâche donnée. Il fait partie de l'IA depuis ses débuts.
Apprentissage
Il existe plusieurs types d'apprentissage automatique. L'apprentissage non supervisé analyse un flux de données, trouve des motifs et fait des prédictions sans autre indication. L'apprentissage supervisé nécessite qu'un humain étiquette d'abord les données d'entrée, et se décline en deux grandes catégories : la classification (où le programme doit apprendre à prédire à quelle catégorie appartient l'entrée) et la régression (où le programme doit déduire une fonction numérique à partir d'une entrée numérique).
En apprentissage par renforcement, l'agent est récompensé pour les bonnes réponses et puni pour les mauvaises. L'agent apprend à choisir les réponses classées comme « bonnes ». L'apprentissage par transfert consiste à appliquer les connaissances acquises sur un problème à un nouveau problème. L'apprentissage profond est un type d'apprentissage automatique qui fait passer les entrées à travers des réseaux de neurones artificiels inspirés du fonctionnement biologique pour tous ces types d'apprentissage.
La théorie de l'apprentissage computationnel peut évaluer les apprenants selon la complexité computationnelle, la complexité d'échantillonnage (combien de données sont nécessaires), ou d'autres notions d'optimisation.
Traitement du langage naturel
Le traitement du langage naturel (NLP) permet aux programmes de lire, écrire et communiquer dans des langues humaines comme l'anglais. Les problèmes spécifiques incluent la reconnaissance vocale, la synthèse vocale, la traduction automatique, l'extraction d'information, la recherche d'information et la réponse aux questions.
Les premiers travaux, basés sur la grammaire générative de Noam Chomsky et les réseaux sémantiques, avaient des difficultés avec la désambiguïsation du sens des mots, sauf lorsqu'ils étaient limités à de petits domaines appelés « micro-mondes » (en raison du problème de la connaissance du sens commun). Margaret Masterman pensait que c'était le sens, et non la grammaire, qui était la clé de la compréhension des langues, et que les thésaurus, et non les dictionnaires, devaient être la base de la structure linguistique computationnelle.
Les techniques modernes d'apprentissage profond pour le NLP incluent l'embedding de mots (représentation des mots, généralement sous forme de vecteurs encodant leur signification), les transformers (une architecture d'apprentissage profond utilisant un mécanisme d'attention), et d'autres. En 2019, les modèles de langage génératifs pré-entraînés (ou « GPT ») ont commencé à générer des textes cohérents, et en 2023 ces modèles ont pu obtenir des scores au niveau humain à l'examen du barreau, au SAT, au GRE et dans de nombreuses autres applications réelles.
Perception
La perception machine est la capacité d'utiliser les entrées de capteurs (tels que caméras, microphones, signaux sans fil, lidar actif, sonar, radar et capteurs tactiles) pour déduire des aspects du monde. La vision par ordinateur est la capacité d'analyser des entrées visuelles.
Le domaine inclut la reconnaissance vocale, la classification d'images, la reconnaissance faciale, la reconnaissance d'objets et la perception robotique.
Intelligence sociale
Kismet, une tête de robot créée dans les années 1990 ; une machine capable de reconnaître et de simuler des émotions.
L'informatique affective est un domaine interdisciplinaire qui regroupe les systèmes capables de reconnaître, d'interpréter, de traiter ou de simuler les sentiments, émotions et humeurs humains. Par exemple, certains assistants virtuels sont programmés pour parler de façon conversationnelle ou même plaisanter ; cela les fait paraître plus sensibles à la dynamique émotionnelle des interactions humaines, ou facilite autrement l'interaction homme-machine.
Cependant, cela tend à donner aux utilisateurs naïfs une conception irréaliste de l'intelligence des agents informatiques actuels. Les succès modérés liés à l'informatique affective incluent l'analyse de sentiment textuel et, plus récemment, l'analyse de sentiment multimodale, où l'IA classe les affects affichés par un sujet filmé.
Intelligence générale
Une machine dotée d'une intelligence générale artificielle devrait être capable de résoudre une grande variété de problèmes avec une ampleur et une polyvalence similaires à l'intelligence humaine.
(source : Wikipedia)