Démarrer l'essai gratuit
Tendances Nouveau Genres Auteurs
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Recherche en cours...
SoBrief
L'Intelligence artificielle Pour les Nuls

L'Intelligence artificielle Pour les Nuls

Titre original: Artificial Intelligence For Dummies (For Dummies
Découvrez ce que l’IA peut faire, où ses données échouent et quand les humains doivent garder le contrôle.
par John Paul Mueller 2018 368 pages
3.41
242 évaluations
Écouter
Immersif
V2.3
Amazon Kindle Audible
Essayez l'accès complet pendant 3 jours
Débloquez l'écoute et bien plus !
Continuer

Points clés

Considérer l’IA comme un outil de résolution de problèmes ciblés, et non comme une personne cachée dans un logiciel

Utile, mais pas humaine. La distinction centrale du livre oppose les systèmes qui résolvent des problèmes particuliers aux machines qui possèdent une intelligence humaine. L’IA peut calculer, classer, reconnaître des schémas et imiter certains aspects du comportement humain, mais réussir une tâche ne prouve pas une compréhension générale. Un programme d’échecs, par exemple, peut battre un champion sans savoir ce que signifie une partie. Le livre distingue quatre objectifs: agir ou penser comme un humain, et agir ou penser rationnellement. Il s’agit de cibles d’ingénierie différentes, et non de définitions interchangeables de l’intelligence.

Une promesse de longue date. Lors d’un atelier organisé à Dartmouth en 1956, des chercheurs prédirent que des machines seraient capables de raisonner au niveau humain en l’espace d’une génération. Cette prédiction ne s’est pas réalisée, en partie parce qu’un matériel puissant ne peut reproduire des processus mentaux que les humains eux-mêmes ne comprennent pas encore. Le livre recommande donc d’évaluer l’IA à l’aune de ce qu’elle accomplit de manière fiable, plutôt qu’en la comparant à la science-fiction.

Analyse

La distinction entre performance et compréhension est précieuse, car on a vite fait de prêter un esprit à un système qui s’exprime avec aisance ou agit avec compétence. Pourtant, il n’existe pas de définition unique et consensuelle de l’intelligence, et un système n’a pas besoin d’être conscient pour être utile en pratique. Une calculatrice ne comprend pas l’arithmétique, mais ses résultats peuvent être fiables dans un cadre défini. La question essentielle n’est donc pas simplement de savoir si l’IA pense comme une personne, mais quelles preuves étayent ses performances, où elle échoue et qui en supporte les conséquences. Les tests comportementaux peuvent mesurer l’imitation, mais ne permettent pas de trancher toutes les questions philosophiques sur la conscience.

Définir la question avant de construire un lac de données

Les données doivent servir un objectif. Davantage de données ne produit pas automatiquement de meilleures réponses. L’analyse des données les prépare au moyen de quatre grandes opérations: les restructurer, corriger leurs défauts, en examiner la qualité et modéliser les relations qu’elles recèlent. Le livre souligne que la préparation des données peut représenter jusqu’à 80 % du travail dans un projet de mégadonnées. La leçon est pratique: il faut d’abord formuler la décision à prendre ou la question à résoudre, puis ne recueillir que les informations susceptibles d’y contribuer.

Partir de la décision. Un magasin qui envisage de refaire sa vitrine pourrait se demander combien de passants s’arrêtent, à quel moment et quelles présentations incitent les gens à entrer. Recueillir ces renseignements est plus utile que d’accumuler tous les signaux possibles sur les clients. Le livre évoque la plaisanterie d’un immense ordinateur qui répond « 42 » à la question du sens de la vie: même une réponse exacte ne sert à rien si l’on ignore quelle était la question.

Analyse

C’est un excellent antidote au culte de l’accumulation des données. Dans les organisations, recueillir des informations peut donner l’impression d’avancer, car cela crée des ressources visibles, tandis que définir une question utile exige de décider de ses priorités et de ses compromis. Cette distinction rappelle aussi la conception expérimentale : une mesure n’a de sens qu’en rapport avec une hypothèse, une population et une décision. Les questions trop étroites peuvent toutefois masquer des effets importants. Un magasin qui ne mesure que les achats immédiats risque de ne pas voir si une vitrine renforce la confiance ou fidélise les clients. Une bonne pratique des données associe un objectif clair à des vérifications délibérées des résultats que la question initiale laisse de côté.

Vérifier les éléments de preuve, car les machines en héritent les distorsions

Les capteurs ne garantissent pas la vérité. Le livre répartit les erreurs de données en cinq catégories: les contrevérités manifestes, les faits omis, les points de vue contradictoires, les biais et les malentendus dus à des cadres de référence différents. Un rapport d’accident peut être sincère, mais incomplet, ou plusieurs témoins peuvent décrire fidèlement le même événement depuis des positions différentes. Un capteur reflète lui aussi les limites de sa conception et les choix de ses créateurs. Pour un algorithme, les données exactes et inexactes ne sont que des données d’entrée, à moins que le système ait été conçu pour détecter les problèmes.

Même des données propres ont leurs limites. Les valeurs manquantes, les formats incohérents et les données corrompues peuvent compromettre un modèle avant même le début de son entraînement. Les tendances statistiques décrivent des groupes, pas nécessairement des individus. Le livre insiste aussi sur le consentement, la vie privée et la suppression des éléments identifiants lorsque les renseignements personnels ne sont pas nécessaires. De meilleures méthodes de collecte sont utiles, mais ne peuvent, à elles seules, rendre un jeu de données neutre ou complet.

Analyse

Ces cinq catégories rappellent utilement que la qualité des données relève de l’épistémologie, et pas seulement de la technique. Une base de données peut être parfaitement formatée tout en donnant une image déformée du monde. Cela rejoint la théorie de la mesure : chaque instrument saisit certains aspects et en ignore d’autres, et ces choix déterminent les conclusions possibles. L’accent mis par le livre sur le point de vue humain est particulièrement pertinent, même si l’intuition humaine ne permet pas non plus de détecter la vérité de façon fiable. Un processus plus solide combine documentation des sources, vérifications par sous-groupes, estimation de l’incertitude et examen par les personnes concernées par le système, au lieu de tenir pour incontestables les résultats des machines ou le jugement humain.

Choisir la méthode d’apprentissage en fonction du type de retour que la tâche peut fournir

Les tâches s’apprennent différemment. L’apprentissage automatique ajuste des modèles mathématiques aux exemples et aux résultats attendus. Dans l’apprentissage supervisé, les exemples sont étiquetés, par exemple des images marquées « chat » ou « chien ». L’apprentissage non supervisé recherche une structure dans des exemples non étiquetés, par exemple des groupes de clients aux habitudes d’achat similaires. L’apprentissage par renforcement s’améliore par l’action et le retour d’information, en recevant des récompenses ou des pénalités de son environnement. Le bon choix dépend des informations disponibles et de la possibilité, pour le système, d’apprendre sans risque à partir des conséquences de ses actions.

Les règles restent utiles. Les anciens systèmes experts encodaient les connaissances de spécialistes sous forme de règles « si-alors ». MYCIN, un programme médical construit à partir de plus de 500 règles, demandait aux médecins les renseignements manquants et aurait obtenu, pour sa tâche diagnostique, des résultats comparables à ceux d’un médecin expérimenté. Ces systèmes pouvaient expliquer quelles règles avaient mené à une réponse, mais étaient difficiles à maintenir quand les connaissances et les circonstances évoluaient. L’apprentissage automatique peut s’adapter aux exemples, mais nécessite toujours des données soigneusement sélectionnées et une orientation humaine.

Analyse

Ces catégories d’apprentissage éclairent une confusion fréquente : « apprendre » ne désigne pas un seul processus. Les étiquettes, la recherche de structures et les récompenses obtenues par essais et erreurs nécessitent des données, des garde-fous et des méthodes d’évaluation différents. L’apprentissage par renforcement est particulièrement puissant lorsqu’on peut simuler un environnement, comme dans les jeux, mais l’expérimentation dans le monde réel peut avoir des conséquences pour les patients, les travailleurs ou les passants. La comparaison avec les systèmes fondés sur des règles souligne également un compromis en matière de gouvernance. Des règles transparentes peuvent manquer de souplesse, tandis que les modèles appris peuvent être plus difficiles à expliquer. Les concepteurs devraient choisir non seulement la méthode qui obtient le meilleur score, mais aussi celle dont les erreurs peuvent être détectées et prises en charge dans le contexte visé.

L’apprentissage profond détecte des schémas à grande échelle, pas le sens humain

Les couches apprennent des représentations. L’apprentissage profond repose sur des réseaux neuronaux à plusieurs couches, dont les poids de connexion sont ajustés pendant l’entraînement afin que les résultats correspondent mieux aux exemples. Les réseaux convolutifs ont considérablement amélioré la reconnaissance d’images en détectant des caractéristiques comme les contours et les formes dans différentes parties d’une image. Sur le banc d’essai ImageNet, les meilleurs résultats de classification d’images sont passés d’une précision de 71,8 % en 2010 à 97,3 % en 2017. Les réseaux récurrents traitent des séquences comme la parole et les phrases, tandis que les réseaux antagonistes génératifs entraînent un générateur contre un discriminateur pour produire de nouvelles images plausibles.

Le succès a ses limites. Ces systèmes peuvent nécessiter d’énormes jeux de données et une puissance de calcul considérable, et de petites modifications des données d’entrée peuvent parfois les tromper. Le livre soutient qu’ils repèrent des tendances statistiques plutôt qu’ils ne comprennent le sens d’une image ou d’une phrase. Des résultats impressionnants sur un banc d’essai ciblé ne garantissent ni un raisonnement de bon sens ni une transposition fiable à des situations inconnues.

Analyse

Ce compte rendu saisit à la fois les véritables progrès de l’apprentissage profond et le piège qu’ils tendent : une reconnaissance efficace des schémas peut donner l’impression d’un esprit général. Les progrès sur les bancs d’essai sont importants, mais ils mesurent les performances sur un jeu de données choisi, et non la robustesse dans tous les contextes de déploiement possibles. L’affirmation selon laquelle ces modèles ne comprennent pas est débattue sur le plan philosophique, car le terme « compréhension » a plusieurs sens. Une conclusion opérationnelle est plus solide : la réussite interne d’un modèle ne garantit pas que ses catégories correspondent aux concepts humains, ni qu’il réagira sans danger à des exemples inhabituels. Les tests devraient donc sonder les cas limites, et pas seulement mesurer la précision moyenne.

Maintenir le jugement humain dans les décisions automatisées à forts enjeux

L’assistance peut changer des vies. L’IA médicale peut analyser des examens d’imagerie, combiner des dossiers de patients et surveiller les signes vitaux avec plus de constance qu’une personne ne peut le faire manuellement. Les appareils portables peuvent suivre l’évolution d’un état de santé, tandis que la téléprésence permet de mettre à distance les patients et les cliniciens. En chirurgie, le système da Vinci traduit les mouvements du chirurgien en gestes robotisés précis et peut réduire les tremblements de la main. Ces exemples montrent que l’IA peut être précieuse comme auxiliaire, sans pour autant devoir agir en autorité indépendante.

La responsabilité demeure humaine. Un modèle médical peut signaler une tumeur possible, mais un clinicien doit interpréter le résultat en tenant compte des antécédents et des besoins du patient. Le livre souligne aussi que les dispositifs médicaux peuvent créer des risques de sécurité et que les moyennes statistiques ne correspondent pas forcément à une personne donnée. Lorsque des erreurs peuvent blesser quelqu’un, les systèmes doivent être supervisés, les responsabilités clairement définies et une intervention possible si le résultat ne convient pas au cas.

Analyse

Les exemples médicaux montrent pourquoi il est plus utile de parler d’augmentation des capacités que de remplacement. Un système peut améliorer la régularité ou révéler un schéma qu’un clinicien pourrait manquer, tandis que celui-ci apporte le contexte, la communication et la responsabilité. Mais la présence d’un humain dans la boucle n’est pas une garantie magique : les personnes chargées de vérifier les résultats peuvent accorder trop de confiance aux recommandations automatisées, surtout sous pression. La supervision doit constituer une véritable capacité, avec accès aux éléments de preuve, temps pour remettre les résultats en question et autorité pour les rejeter. Le meilleur dispositif rend visible la contribution de la machine sans prétendre que le clinicien ou l’algorithme est infaillible.

L’autonomie dépend des capteurs, des prévisions et des plans de repli sûrs

La conduite exige un système complet. Une voiture autonome doit percevoir son environnement, planifier une réponse et contrôler la direction, le freinage et l’accélération. Les caméras, le radar, le lidar, les capteurs à ultrasons et le GPS fournissent chacun des informations différentes, avec des faiblesses distinctes. La fusion de capteurs combine les mesures afin d’estimer la situation avec plus de fiabilité qu’un capteur isolé. Un filtre de Kalman, par exemple, actualise l’estimation de la position d’un objet à mesure que de nouvelles mesures arrivent.

La perception est la difficulté majeure. Sur les routes, il y a des piétons, une météo changeante, des panneaux masqués et des conducteurs dont les intentions sont incertaines. Le livre présente l’autonomie comme une progression, de l’assistance à la conduite jusqu’à l’automatisation complète, tout en soulignant qu’un fonctionnement fiable dans tous les environnements reste difficile. Un système qui fonctionne sur une autoroute cartographiée peut être incapable de circuler sans danger sur une route inconnue. Des capteurs redondants et un moyen permettant aux humains ou au système de réagir aux défaillances sont indispensables.

Analyse

Les voitures autonomes rendent concrètes les limites abstraites de l’IA : le système doit agir à partir d’informations incertaines et sensibles au facteur temps, alors que les autres intervenants se comportent de façon imprévisible. La fusion de capteurs ne consiste pas simplement à ajouter des données ; elle sert à concilier des mesures parfois contradictoires. Cela rappelle l’ingénierie de la sécurité aéronautique, où la redondance n’est utile que si les défaillances sont suffisamment indépendantes et si des procédures précisent la suite à donner. La vision progressive de l’autonomie proposée par le livre est utile, mais les niveaux de capacité peuvent induire en erreur s’ils masquent les conditions d’utilisation. Toute affirmation d’autonomie devrait préciser les lieux où elle s’applique, ce que le système ne peut pas gérer et comment le contrôle est repris sans danger.

Utiliser l’IA pour accroître les capacités humaines lorsque la répétition ou le risque prédomine

Confier aux machines les tâches dangereuses. Les robots peuvent effectuer des tâches répétitives en usine, inspecter des infrastructures dangereuses et explorer des lieux trop risqués ou trop éloignés pour les humains. En médecine, les prothèses actives peuvent s’adapter aux mouvements de leur utilisateur, tandis que les systèmes de surveillance peuvent fournir des renseignements entre les rendez-vous. Dans l’espace, les rovers doivent prendre certaines décisions de manière autonome, car les délais de communication peuvent empêcher toute intervention humaine immédiate. Dans tous ces cas, l’IA est précieuse lorsque des mesures cohérentes et des calculs rapides soutiennent un objectif humain.

L’augmentation des capacités n’est pas sans effort. Une prothèse ou un exosquelette peut accroître les capacités d’une personne, mais son apprentissage peut demander beaucoup d’entraînement et de rééducation. L’automatisation peut aussi supprimer les aspects gratifiants d’un emploi tout en laissant aux travailleurs les tâches les plus stressantes. L’argument pratique du livre n’est pas que la technologie rend les gens inutiles, mais que le travail et les responsabilités changent lorsque les tâches répétitives sont réattribuées.

Analyse

Les exemples les plus convaincants ne sont pas des machines humanoïdes qui font semblant d’être des personnes, mais des systèmes spécialisés qui étendent la portée, l’endurance ou la perception. Cela rejoint les études sur le handicap et la conception ergonomique : la valeur d’un outil dépend de son adéquation au corps, à l’environnement et aux préférences de la personne, et pas seulement de sa capacité à accomplir une tâche technique. La question du travail mérite la même attention. Les gains de productivité ne se traduisent pas automatiquement par de meilleurs emplois ni par un partage équitable des bénéfices. Les organisations doivent réfléchir au pouvoir d’action des travailleurs, à leur reconversion et à la qualité du travail qui reste, au lieu de considérer la suppression de tâches comme une amélioration incontestable.

Financer des systèmes utiles, et non des promesses qui annoncent un nouvel hiver de l’IA

L’engouement a une histoire. Un hiver de l’IA est une période où les financements et l’enthousiasme diminuent après l’échec de promesses ambitieuses. Le livre recense deux grands ralentissements, de 1974 à 1980 et de 1987 à 1993. Dans les deux cas, les attentes ont dépassé les capacités de la technologie, et la déception a freiné la recherche. Le danger n’est pas que l’IA ne serve à rien, mais que les affirmations exagérées masquent les réussites pratiques déjà intégrées aux moteurs de recherche, à la détection de la fraude, à la planification et à l’automatisation.

Évaluer l’utilité concrète. Avant de créer un produit d’IA, il faut se demander s’il résout un problème réel, fonctionne de façon constante, utilise les ressources à bon escient et coûte moins cher que les solutions de rechange. Ces critères sont peut-être moins séduisants qu’une machine capable de tout faire, mais les systèmes utiles réussissent souvent précisément parce que leur objectif est clair. Les exemples tournés vers l’avenir que donne le livre, de la surveillance planétaire à l’exploration spatiale, sont les plus convaincants lorsqu’ils se rapportent à des tâches précises et s’accompagnent d’une supervision humaine.

Analyse

L’histoire des cycles d’expansion et de ralentissement rappelle que les attentes font partie de l’écosystème technologique. L’engouement peut attirer les investissements, mais aussi créer des promesses fragiles qui suscitent la méfiance du public lorsque le déploiement se heurte à la réalité. L’utilité ne devrait pas être évaluée uniquement en fonction du coût et de l’efficacité : la vie privée, la répartition des bénéfices et les conséquences des erreurs comptent également. Il est aussi dangereux de ne définir la réussite qu’en fonction de la demande commerciale, car des systèmes médicaux ou scientifiques peuvent être utiles à la société sans générer de profits immédiats. Une évaluation lucide ne s’oppose pas à l’innovation ; elle lui ouvre une voie crédible, de la démonstration à une utilisation fiable.

Analyse

La contribution la plus durable du livre réside dans sa démystification de l’IA, fondée sur un contraste répété: une performance impressionnante dans une tâche n’équivaut pas à une intelligence générale. Cette distinction aide à comprendre pourquoi un algorithme peut classer des images, recommander des produits ou gagner une partie tout en restant fragile en dehors des conditions de son entraînement. Le vaste panorama de la préparation des données, des méthodes d’apprentissage, du matériel informatique, de la médecine, de la robotique et des transports étaye une conclusion pratique centrale: l’IA se comprend mieux comme un ensemble d’outils intégrés à des systèmes, et non comme un esprit unique en train d’émerger.

Le livre est également à son meilleur lorsqu’il relie les limites techniques aux choix de déploiement. Une voiture autonome n’est pas qu’un réseau neuronal: elle dépend de capteurs, de cartes, de prévisions, de systèmes de contrôle et de décisions concernant les interventions. L’assistance médicale dépend elle aussi des dossiers des patients, de l’interprétation clinique et de la responsabilité. Ces exemples montrent clairement que la précision ne suffit pas à mesurer la sécurité ou la valeur.

Le livre a toutefois tendance à affirmer catégoriquement que les machines sont incapables de comprendre, de créer ou d’éprouver de l’empathie. Ces affirmations mêlent des observations techniques à des positions philosophiques. L’absence d’expérience humaine d’un modèle ne permet pas de déterminer si ses représentations internes peuvent être considérées comme une forme de compréhension utile. À l’inverse, des réponses fluides ne prouvent pas l’existence d’une conscience. La démarche la plus fiable reste opérationnelle: déterminer ce que le système sait faire, mesurer ses défaillances et éviter de formuler des affirmations qui dépassent les preuves disponibles.

L’optimisme du livre quant à l’importance des humains est convaincant comme principe de conception, mais ne garantit pas le maintien des emplois. L’automatisation peut compléter le travail humain, supprimer des tâches ou déplacer des charges, selon les personnes qui contrôlent le système et bénéficient des gains qu’il génère. Le lecteur devrait donc associer sa connaissance des aspects techniques à des questions institutionnelles: qui fournit les données, qui vérifie le modèle, qui peut contester une décision et qui est responsable lorsqu’il cause un préjudice? Ces questions font du regard mesuré que porte le livre sur l’IA un cadre pratique pour évaluer des systèmes réels.

Résumé en 30 secondes
Les systèmes d’IA excellent dans des tâches bien circonscrites, mais de bons résultats ne prouvent ni une compréhension générale ni des performances fiables dans des situations inconnues. La préparation des données peut représenter jusqu’à 80 % d’un projet, et des entrées biaisées, incomplètes ou mal cadrées faussent les résultats. Choisissez les méthodes d’apprentissage en fonction des retours disponibles et considérez l’apprentissage profond comme une détection de motifs plutôt que comme une compréhension. Dans les situations à forts enjeux, maintenez une supervision humaine, prévoyez les défaillances et évaluez les systèmes selon leur utilité pratique plutôt qu’à l’aune de promesses ambitieuses.
Contient des spoilers

Dernière mise à jour:

Signaler un problème

Résumé des avis

3.41 sur 5
Moyenne de 242 évaluations de Goodreads et Amazon.

L'Intelligence artificielle Pour les Nuls reçoit des avis partagés, avec une note moyenne de 3,5/5. Les lecteurs le trouvent une bonne introduction aux concepts de l’IA, qui aborde son histoire, ses applications et ses limites. Certains saluent son accessibilité et l’étendue des sujets traités, tandis que d’autres critiquent des informations dépassées et des répétitions. Le livre est recommandé aux débutants, mais pourrait ne pas satisfaire ceux qui recherchent des connaissances techniques approfondies. Parmi ses points forts figurent des explications claires et des exemples concrets ; ses défauts incluent un jargon technique occasionnel et une profondeur inégale selon les chapitres.

Votre note :
4.14
232 évaluations
Envie de lire le livre complet ?

Glossaire

hiver de l’IA

baisse du financement de l’IA

Période durant laquelle les investissements et l’enthousiasme pour l’intelligence artificielle diminuent après que des promesses très médiatisées ont dépassé ce que les systèmes disponibles peuvent accomplir. Le livre identifie des ralentissements de 1974 à 1980 et de 1987 à 1993. La recherche se poursuit pendant un hiver de l’IA, mais les financements et les progrès ralentissent lorsque les gouvernements, les entreprises et le public sont déçus.

cinq formes de distorsion des données (Five Mistruths in Data)

cinq sources de distorsion des données

Les catégories utilisées par le livre pour désigner les façons dont l’information peut déformer les événements : la commission, c’est-à-dire une affirmation purement fausse ; l’omission, c’est-à-dire un fait manquant ; la perspective, ou les observations différentes selon le point de vue ; le biais, ou l’attention et les convictions sélectives ; et le cadre de référence, ou les malentendus causés par un manque d’expérience pertinente. Ces distorsions peuvent se produire aussi bien dans les témoignages humains que dans les données de capteurs.

apprentissage automatique

modèles appris à partir d’exemples

Famille de méthodes qui s’appuient sur des exemples pour estimer les relations entre les entrées et les sorties, plutôt que de reposer uniquement sur une liste explicite d’étapes écrite par un programmeur. L’entraînement ajuste un modèle afin qu’il puisse faire des prédictions ou des classifications à partir de nouveaux exemples. Il s’agit d’un ajustement mathématique de motifs, dont les résultats dépendent de la tâche, des données et de la méthode d’évaluation.

apprentissage profond

réseaux neuronaux à plusieurs couches

Forme d’apprentissage automatique fondée sur des réseaux neuronaux comportant de nombreuses couches de calcul. Ces couches peuvent apprendre des représentations utiles à partir de vastes ensembles de données, pour des tâches telles que la reconnaissance d’images, le traitement de la parole et la traduction. L’apprentissage profond peut être très efficace, mais nécessite souvent beaucoup de données et de puissance de calcul ; ses résultats peuvent aussi être difficiles à expliquer ou vulnérables à des entrées inhabituelles.

apprentissage par renforcement

apprentissage par récompenses

Approche de l’apprentissage automatique dans laquelle un agent agit dans un environnement et reçoit des retours positifs ou négatifs. Il apprend une politique de choix des actions qui augmente la récompense totale au fil du temps. Cette méthode a été utilisée dans des systèmes de jeu, notamment des programmes qui s’améliorent en jouant contre eux-mêmes ; dans le monde réel, l’apprentissage doit toutefois tenir compte des conséquences de l’expérimentation.

théorème du « no free lunch »

aucun algorithme universellement meilleur

Résultat relatif à l’optimisation selon lequel, lorsque les performances sont moyennées sur tous les problèmes possibles, aucun algorithme ne présente d’avantage global sur tous les autres. En pratique, un algorithme réussit lorsque ses hypothèses et ses méthodes sont adaptées à une tâche particulière. C’est pourquoi il faut tester un modèle sur le problème réel plutôt que de supposer qu’une méthode est la meilleure en général.

fusion de capteurs

combinaison des mesures de capteurs

Processus qui combine les relevés de plusieurs capteurs afin d’obtenir une estimation de l’environnement plus utile que celle qu’un seul capteur pourrait fournir. Dans une voiture autonome, les caméras, le radar, le lidar et les autres capteurs présentent des forces et des faiblesses différentes. Un filtre tel que le filtre de Kalman peut actualiser les estimations à mesure que de nouvelles mesures arrivent.

paradoxe de Moravec

facile pour les humains, difficile pour les machines

Observation selon laquelle des tâches que les humains effectuent sans effort, comme marcher, voir et reconnaître des objets courants, peuvent être difficiles pour les ordinateurs, tandis que les calculs formels et certains jeux abstraits peuvent leur être relativement faciles. Le livre relie ce contraste à la longue évolution de la perception et du mouvement humains, comparée au développement relativement récent du raisonnement mathématique.

exploration des états futurs possibles

Méthode de planification qui représente les actions possibles et les situations qu’elles produisent sous la forme d’états reliés entre eux, puis explore ces possibilités pour trouver un chemin vers un objectif. Des arbres et des graphes peuvent représenter l’espace de recherche, tandis que des méthodes comme la recherche en largeur, la recherche en profondeur et la recherche heuristique l’explorent de différentes façons. Les problèmes de grande ampleur nécessitent des raccourcis, car examiner toutes les possibilités peut être irréalisable.

FAQ

1. De quoi parle L'Intelligence artificielle Pour les Nuls de John Paul Mueller ?

  • Une introduction complète à l’IA : Le livre propose un aperçu général et accessible de l’intelligence artificielle (IA), notamment de son histoire, de ses définitions et de ses applications concrètes.
  • Un accent mis sur les usages pratiques : Il explique comment l’IA influe sur la vie quotidienne, des appareils intelligents aux voitures autonomes et aux technologies médicales.
  • Un point de vue équilibré : L’auteur, John Paul Mueller, démystifie l’IA en distinguant le battage médiatique de la réalité et en clarifiant ses capacités comme ses limites.
  • Un contexte sociétal et éthique : Le livre aborde aussi le rôle de l’IA dans la société, l’industrie et les technologies futures, ainsi que les enjeux éthiques et de sécurité.

2. Pourquoi lire L'Intelligence artificielle Pour les Nuls de John Paul Mueller ?

  • Des concepts complexes démystifiés : Le livre expose l’IA, l’apprentissage automatique et l’apprentissage profond dans un langage clair et accessible, adapté aux débutants comme aux personnes ayant déjà quelques connaissances techniques.
  • Des éclairages pratiques sur le quotidien : Les lecteurs découvrent comment l’IA est déjà intégrée aux technologies qu’ils utilisent, par exemple la détection de fraude, le service à la clientèle et le suivi médical.
  • Des conseils à tous les niveaux : Le contenu est structuré pour aider les novices comme les personnes qui connaissent déjà un peu l’IA, et propose des conseils, des mises en garde et des analyses approfondies.
  • Une approche équilibrée et réaliste : Mueller adopte une position intermédiaire, sans céder ni au battage médiatique ni à la peur, et invite les lecteurs à voir l’IA comme un outil qui augmente les capacités humaines.

3. Quels sont les principaux enseignements de L'Intelligence artificielle Pour les Nuls de John Paul Mueller ?

  • L’IA est un outil, pas un substitut : Le livre souligne que l’IA aide les humains à mieux accomplir certaines tâches plutôt qu’elle ne les remplace, et met en avant l’importance de la supervision humaine.
  • Les données et les algorithmes sont essentiels : La réussite de l’IA dépend de données de qualité, d’algorithmes efficaces et de matériel spécialisé.
  • Les forces et les limites de l’IA : L’IA excelle dans la reconnaissance de motifs, l’automatisation et l’analyse de données, mais ne possède ni véritable compréhension, ni créativité, ni intelligence émotionnelle.
  • Les répercussions éthiques et sociales : Le livre insiste sur la nécessité d’un usage responsable de l’IA, en tenant compte de la vie privée, des biais et de l’avenir du travail.

4. Comment L'Intelligence artificielle Pour les Nuls de John Paul Mueller définit-il l’IA et l’intelligence ?

  • La simulation, et non une véritable intelligence : L’IA simule des activités mentales comme l’apprentissage et le raisonnement, mais ne possède ni conscience ni compréhension authentique.
  • Un cadre fondé sur plusieurs formes d’intelligence : Le livre fait référence à la théorie de Howard Gardner et explique que l’IA est plus performante dans les tâches logico-mathématiques et visuospatiales que dans les tâches créatives ou émotionnelles.
  • Quatre définitions de l’IA : On peut envisager l’IA comme le fait d’agir comme un humain, de penser comme un humain, de penser rationnellement ou d’agir rationnellement ; ces définitions aident à cerner ses objectifs et ses réalisations.
  • Les limites de l’« intelligence » de l’IA : L’IA manipule les données mathématiquement et est dépourvue de conscience, d’intuition et de créativité.

5. Quel est le lien entre l’IA, l’apprentissage automatique et l’apprentissage profond dans L'Intelligence artificielle Pour les Nuls de John Paul Mueller ?

  • L’IA comme domaine général : L’IA englobe toutes les techniques qui permettent aux machines d’imiter l’intelligence humaine, notamment le raisonnement et la perception.
  • L’apprentissage automatique comme sous-domaine : L’apprentissage automatique s’intéresse aux algorithmes qui apprennent à partir de données sans programmation explicite, notamment les arbres de décision et les réseaux neuronaux.
  • L’apprentissage profond comme sous-domaine plus spécifique : L’apprentissage profond utilise des réseaux neuronaux à plusieurs couches pour apprendre automatiquement des caractéristiques à partir de vastes ensembles de données, ce qui a permis des avancées dans la reconnaissance d’images et de la parole.
  • Des notions distinctes, mais liées : Le livre précise que l’apprentissage profond est puissant, mais qu’il n’est pas synonyme d’IA, et que chaque niveau s’appuie sur le précédent.

6. Comment L'Intelligence artificielle Pour les Nuls de John Paul Mueller explique-t-il le rôle des données dans l’IA ?

  • Les données comme fondement : Le livre souligne que les données sont la ressource universelle qui rend possibles la puissance et la précision de l’IA.
  • Données structurées et non structurées : Il explique les difficultés liées à la gestion d’ensembles de données volumineux et complexes, ainsi que l’importance de leur qualité.
  • Éthique et biais : Des données fiables, propres et recueillies de façon éthique sont indispensables ; le livre aborde les biais, les données manquantes et les préoccupations liées à la vie privée.
  • Les données façonnent l’intelligence : Les algorithmes d’IA apprennent à partir des données, et une quantité accrue de données peut rendre les systèmes plus intelligents, comme le montrent les moteurs de recherche et la reconnaissance d’images.

7. Quels sont les principaux concepts et méthodes d’IA présentés dans L'Intelligence artificielle Pour les Nuls de John Paul Mueller ?

  • Réseaux neuronaux et apprentissage profond : Le livre décrit comment les neurones artificiels traitent les entrées, utilisent des fonctions d’activation et apprennent par rétropropagation.
  • Arbres de décision et élagage : Les arbres de décision répartissent les données selon des règles, et l’élagage aide à éviter le surapprentissage en supprimant les branches superflues.
  • Apprentissage par renforcement : Les agents d’IA interagissent avec des environnements pour maximiser les récompenses, comme l’illustrent des exemples tels que Deep Q-Learning et AlphaGo.
  • Réseaux antagonistes génératifs (GAN) : Les GAN utilisent deux réseaux neuronaux concurrents pour générer des données réalistes, simulant une forme d’« imagination » de l’IA.

8. Comment L'Intelligence artificielle Pour les Nuls de John Paul Mueller décrit-il l’importance des algorithmes en IA ?

  • Les algorithmes comme outils de résolution de problèmes : Les algorithmes sont des procédures étape par étape qui permettent de résoudre des problèmes complexes, comme la planification et la reconnaissance de motifs.
  • Recherche dans l’espace des états et heuristiques : Le livre explique comment l’IA explore des états possibles à l’aide d’arbres et de graphes, les heuristiques orientant la recherche pour la rendre plus efficace.
  • Des systèmes experts aux machines apprenantes : Les premières formes d’IA reposaient sur des systèmes experts à base de règles, tandis que l’IA moderne utilise l’apprentissage automatique et l’apprentissage profond pour s’adapter à partir des données.
  • Le choix de l’algorithme compte : Choisir le bon algorithme est essentiel pour obtenir de bonnes performances dans différentes applications de l’IA.

9. Quel matériel spécialisé pour l’IA est présenté dans L'Intelligence artificielle Pour les Nuls de John Paul Mueller ?

  • Les limites du matériel standard : Le livre explique comment les architectures informatiques traditionnelles peuvent devenir un goulot d’étranglement pour les performances de l’IA.
  • Les GPU et les processeurs d’IA : Les processeurs graphiques (GPU) et les puces spécialisées, comme les unités de traitement neuronal (NPU) et les unités de traitement tensoriel (TPU), accélèrent les tâches d’IA, en particulier l’apprentissage profond.
  • Les nouvelles tendances matérielles : Les circuits intégrés spécifiques à une application (ASIC), les réseaux de portes programmables (FPGA) et les nouveaux processeurs comme l’IPU de Graphcore sont présentés comme des solutions d’avenir.
  • Le matériel façonne l’avenir de l’IA : Le développement continu de matériel conçu pour l’IA est essentiel pour répondre aux besoins des applications avancées.

10. Quelles applications concrètes de l’IA sont abordées dans L'Intelligence artificielle Pour les Nuls de John Paul Mueller ?

  • Technologies du quotidien : L’IA alimente les thermostats intelligents, les assistants vocaux, la détection de fraude et les agents conversationnels du service à la clientèle.
  • Robotique et drones : Le livre explore le rôle de l’IA dans les robots de fabrication, les appareils médicaux et les drones autonomes utilisés pour la surveillance et la livraison.
  • Voitures autonomes : Il détaille l’utilisation de l’IA pour la perception, la planification et le contrôle, ainsi que les difficultés liées à l’autonomie complète des véhicules.
  • Usages médicaux et industriels : L’IA contribue au diagnostic, au suivi des patients, aux interventions chirurgicales et à l’automatisation industrielle, augmentant les capacités humaines.

11. Selon L'Intelligence artificielle Pour les Nuls de John Paul Mueller, quelles sont les principales limites et défaillances de l’IA ?

  • L’absence de véritable compréhension : L’IA ne comprend ni le sens, ni les émotions, ni le contexte, et ses résultats nécessitent une interprétation humaine.
  • L’absence de véritable créativité : L’IA peut générer de nouvelles données à partir de motifs, mais elle ne peut pas créer d’idées véritablement originales ni imaginer des scénarios irréels.
  • Les enjeux liés aux données et à l’éthique : L’IA est vulnérable aux données biaisées, incomplètes ou fausses, et peine à gérer les opinions, les nuances et la responsabilité.
  • La supervision humaine est nécessaire : Le livre insiste sur l’importance de l’intervention humaine pour interpréter, orienter et gérer les systèmes d’IA de façon éthique.

12. Comment L'Intelligence artificielle Pour les Nuls de John Paul Mueller aborde-t-il l’avenir de l’IA et la collaboration avec les humains ?

  • Les humains restent indispensables : Le livre souligne que l’IA manque de créativité, d’empathie et d’intuition ; les humains continueront donc à jouer des rôles irremplaçables.
  • L’IA comme assistante : Il est préférable de considérer l’IA comme un outil qui augmente les capacités humaines et mène à de nouveaux métiers plus intéressants.
  • De nouveaux rôles pour les humains : Les emplois de demain seront axés sur l’enseignement, les soins infirmiers, l’invention, la création artistique et la prise de décision intuitive, des domaines qui échappent aux capacités de l’IA.
  • Une intégration éthique et sociale : Un usage responsable de l’IA, des attentes réalistes et la compréhension de ses limites sont essentiels pour construire un avenir équilibré avec l’IA.

À propos de l'auteur

John Paul Mueller est un auteur accompli, spécialiste des technologies et de l’informatique. Il a beaucoup écrit sur divers sujets techniques, notamment l’intelligence artificielle, les langages de programmation et le développement logiciel. Son style est réputé rendre les sujets complexes accessibles à un large public, en particulier dans les ouvrages de la collection « Pour les Nuls ». Il sait décomposer des concepts complexes en éléments compréhensibles, comme le montre sa manière d’expliquer l’IA dans ce livre. Son expérience des technologies et son aptitude à communiquer efficacement des informations techniques ont fait de lui une voix respectée dans le domaine de la littérature informatique.

Télécharger le PDF

Pour garder le résumé de L'Intelligence artificielle Pour les Nuls pour plus tard, téléchargez gratuitement le PDF. Vous pouvez l’imprimer ou le lire hors ligne quand vous le souhaitez.
Download PDF

Télécharger l'EPUB

Pour lire le résumé de L'Intelligence artificielle Pour les Nuls sur votre liseuse ou dans une application de lecture, téléchargez gratuitement l’EPUB. Le format numérique .epub est idéal pour lire des livres numériques sur téléphone, tablette ou liseuse.
Download EPUB
Envie de lire le livre complet ?
Suivre
Écouter
Accueil
Swipe
Biblio
Appli
Essayez l'accès complet pendant 3 jours
Écoutez, enregistrez, et plus encore
Comparer les fonctionnalités Gratuit Pro
📖 Lire les résumés
Lisez des résumés illimités. Les utilisateurs gratuits en reçoivent 3 par mois
🎧 Écouter les résumés
Écoutez des résumés illimités dans 40 langues
—
❤️ Favoris illimités
Limité à 4 pour les utilisateurs gratuits
—
📜 Historique illimité
Limité à 4 pour les utilisateurs gratuits
—
📥 Téléchargements illimités
Limité à 1 pour les utilisateurs gratuits
—
Calendrier sans engagement
Aujourd'hui : Accès immédiat
Écoutez les résumés complets de plus de 26 000 livres. Soit plus de 12 000 heures d'audio !
Jour 2 : Rappel d'essai
Nous vous enverrons une notification pour vous informer que votre essai se termine bientôt.
Jour 3 : Votre abonnement commence
Vous serez débité le 25 nov.,
annulez à tout moment avant.
Consume 2.8× More Books
2.8× livres de plus Écoute Lecture
Nos utilisateurs nous adorent
1M+ lecteurs
Trustpilot Rating
TrustPilot
4.6 Excellent
Ce site change tout. Je n'ai jamais lu autant de résumés aussi rapidement. Je recommande vivement.
— Dave G
Ça vaut vraiment le coup en temps et en argent, et c'est très bien fait. Je n'ai jamais vu cette qualité de résumés ailleurs. Très utile !
— Em
Hautement recommandé !! Service fantastique. Parfait pour ceux qui veulent plus qu'un aperçu sans tous les détails d'un livre audio complet.
— Greg M
Économisez 62 %
Annuel
$119.88 $44.99/an/an
$3.75/mois
Mensuel
$9.99/mois
Démarrer un essai gratuit de 3 jours
3 jours gratuits, puis $44.99/an. Annulez à tout moment.
Unlock a world of fiction & nonfiction books
Plus de 26 000 livres pour le prix de 2 livres
Lisez n'importe quel livre en 10 minutes
Découvrez de nouveaux livres comme sur Tinder
Demandez n'importe quel livre s'il n'est pas encore résumé
Lisez plus de livres que quiconque
L'appli n°1 pour les amateurs de livres
Lifelike & immersive summaries
Garantie satisfait ou remboursé 30 jours
Téléchargez les résumés en EPUB ou PDF
Annulez à tout moment en quelques clics

Pourquoi un seul résumé ?

Scanner
Trouvez un code-barres à scanner

⭐
⭐
⭐
Nous avons un cadeau spécial pour vous
Ouvrir
38 % de réduction
RÉDUCTION POUR VOUS
⭐
⭐
⭐
$79.99
$49.99/an
Seulement $4.16 par mois
Continuer
2 touches pour commencer, résiliation ultra simple
Paramètres
Général
Widget
Chargement...