Quelle est la différence entre l’IA et l’apprentissage machine?
Valérie Bécaert Valérie Bécaert
22 août 7 min

Quelle est la différence entre l’IA et l’apprentissage machine?

L’intelligence artificielle (IA) et l’apprentissage machine (AM) sont deux termes que l’on rencontre souvent dans le paysage technologique actuel. L’intelligence artificielle est présente depuis longtemps dans la conscience publique et la culture populaire, que ce soit à travers des visions fantastiques du futur ou dans un nombre sans cesse croissant d’applications que nous voyons dans la vie quotidienne.

L’apprentissage machine, que l’on appelle également apprentissage automatique en français, bien que moins bien connu, commence à intéresser de plus en plus. Beaucoup de gens sont familiers avec le terme, même s’ils ne savent pas ce que cela signifie précisément. Dans cet article, nous explorons les définitions de l’IA et de l’apprentissage machine, et leurs différences. Nous examinons également comment ils s’intègrent dans nos technologies actuelles et dans les innovations futures.

Des machines qui pensent comme nous

Le terme « intelligence artificielle » a été imaginé par l’universitaire américain John McCarthy en 1956. M. McCarthy la définit, à l’époque, comme « la science et l’ingénierie de la fabrication de machines intelligentes ». Il était l’un des nombreux penseurs pionniers, dont Alan Turing et Isaac Asimov, qui ont théorisé que les machines pouvaient « penser » de la même manière que les humains. Pour eux, cela signifiait la capacité d’acquérir des connaissances et de résoudre des problèmes complexes. L’IA en est venu à se référer à un large éventail de technologies qui ont cet objectif..

L’apprentissage machine est parfois utilisé de manière interchangeable avec l’IA, mais c’est incorrect. C’est un sous-ensemble dans le vaste domaine de l’IA. C’est un type d’IA, et non un synonyme de celle-ci. Comme le carré est un rectangle mais non l’inverse. Examinons ce qu’implique réellement l’apprentissage machine.

La capacité d’apprendre et d’être entraîné

Les programmes informatiques typiques accomplissent des tâches à l’aide d’instructions explicites fournies par un programmeur. Cependant, certaines tâches sont difficiles à résoudre avec une séquence explicite d’instructions. Par exemple, reconnaître des visages humains dans des images ou traduire du texte tout en conservant sa signification originale. Cela exige une compréhension implicite de la tâche à accomplir.

L’apprentissage machine est l’étude d’algorithmes qui permettent à des programmes informatiques d’effectuer des tâches spécifiques en utilisant des données plutôt que des instructions explicites. Ces programmes s’appuient donc sur des tendances déjà observées dans un lot de données pour déduire leur prochaine prédiction ou décision. Pour ce faire, ils construisent un modèle mathématique basé sur des données échantillons, appelées « données d'entraînement », qui comprend les intrants et les extrants souhaités.

Ce modèle mathématique est « appris » par un processus itératif appelé « entraînement », où le programme d’apprentissage machine est présenté à plusieurs reprises avec des données de formation et est chargé de prédire le résultat souhaité. À chaque prédiction, le programme est corrigé de façon à ce que la prédiction suivante soit plus précise. Après un certain temps, le programme aura acquis une compréhension implicite complexe de la tâche de sorte que ses décisions semblent subjectives.

Les machines “savantes”d’aujourd’hui peuvent faire tout cela parce qu’elles ont ce qu’on appelle un réseau neuronal artificiel : une approximation du fonctionnement du cerveau d’une créature biologique, avec des neurones artificiels transmettant des données entre elles. Ce réseau leur permet de classer l’information, analogue aux données sensorielles humaines comme les images et les sons, en fonction de ce qu’ils reconnaissent, inspiré par la façon dont nous le faisons – en « faisant des connexions ».

En fait, les réseaux neuronaux (ou approche connexionniste) ont d’abord été développés en s’inspirant du fonctionnement du néo cortex et comment il semble être construit à partir d’un réseau d’unités simples (les neurones). Cependant, les réseaux neuronaux d’aujourd’hui ont énormément évolué depuis ces premiers jours et ont très peu à voir avec le cerveau.

Meilleure traduction par les machines

Un excellent exemple d’apprentissage automatique en action est la traduction automatique, où l’on donne à une machine divers exemples de la façon dont des mots et des phrases ont déjà été traduits d’une langue à une autre et où elle apprend d’eux.

Et elle y parvient très bien; c’est une application parfaite de l’apprentissage machine. En fait, bon nombre des personnes qui étudient la linguistique s’orientent vers le descriptivisme plutôt que le prescriptivisme, à cause du manque de certitude objective dans le monde de la traduction. En fait, les bébés peuvent apprendre une langue simplement en l’écoutant et ils peuvent maîtriser beaucoup de subtilités sans avoir à apprendre les règles grammaticales.

Au lieu de se composer uniquement de règles strictes et rapides comme le font les mathématiques, le langage a évolué d’une manière beaucoup plus organique. Avec tant de variations et d’idiosyncrasies à gérer, il vaut mieux qu’une machine les apprenne toutes (ou presque) en absorbant de grandes quantités de texte, que d’essayer de les programmer une à une.

Autrement dit, elle apprend comment les humains utilisent réellement la langue dans leur vie quotidienne, au lieu d’appliquer simplement des règles préprogrammées telles que « le mot X en français est le mot Y en anglais ». C’est pourquoi les services de traduction automatique sont maintenant en mesure de fournir des résultats beaucoup plus nuancés et réalistes que jamais auparavant.

Le secteur le plus fructueux de l’IA

Cette découverte, c’est-à-dire que les machines, comme les humains et les animaux, tirent le meilleur parti d’un cycle d’observation et d’action répétées, a radicalement changé le domaine de l’IA et le paysage technologique dans son ensemble. Au lieu d’essayer de programmer une machine pour être « intelligente » et anticiper toutes les éventualités, la machine s'entraîne maintenant à l’aide d’innombrables exemples, fournis par l’homme, de ce qui fonctionne ou non dans diverses circonstances.

C’est une technologie qui a servi de base à d’innombrables développements révolutionnaires tels que les voitures autonomes. Ces véhicules autonomes utilisent des cartes pré-établies ou la navigation par satellite, combinées aux données d’une caméra et d’autres capteurs, pour analyser leur environnement et se déplacer. Ils peuvent également travailler avec des données infonuagiques en temps réel et prendre des décisions en fonction des informations routières, de la météo et d’autres facteurs.

Notre monde hyper-connecté de l’Internet des objets (IdO) signifie que les machines ont maintenant une abondance d’« informations » desquelles elles peuvent apprendre. Ces deux nouvelles réalités technologiques se nourrissent l’une l’autre; des machines qui apprennent, et un habitat numérique de plus en plus riche pour qu’elles puissent « expérimenter » et en tirer des leçons.

En poussant l’idée un peu plus loin, on pourrait considérer l’apprentissage machine comme une forme d’évolution, quoique fortement accélérée : l’auto-optimisation darwinienne d’une machine pour répondre aux exigences de son environnement. En fait, il existe tout un ensemble d’algorithmes d’apprentissage machine, appelés algorithmes génétiques, basés sur cela. Une expression numérique de l’une des lois naturelles les plus fondamentales. Il semble que le dicton « c’est en forgeant qu’on devient forgeron » s’applique à toute vie sur Terre, même artificielle.