L'intelligence artificielle (IA) est un ensemble de solutions et de méthodes technologiques et scientifiques qui permettent de réaliser des programmes similaires à l'intelligence humaine. L'intelligence artificielle comprend de nombreux outils, algorithmes et systèmes, qui sont également tous des composants de la science des données et des réseaux neuronaux artificiels.
La science des données est la science de l'analyse des données et de l'extraction d'informations et de connaissances précieuses. Elle recoupe des domaines tels que l'apprentissage automatique et la science de la pensée (science cognitive), ainsi que les technologies permettant de travailler avec des données volumineuses (Big Data). La science des données aboutit à l'analyse des données et à la recherche de la bonne approche pour le traitement, le tri, l'échantillonnage et l'extraction ultérieurs des données.
Comment fonctionnent les réseaux neuronaux et qu'est-ce qu'ils sont ? Classification des réseaux de neurones artificiels
Un réseau de neurones est l'une des directions de l'intelligence artificielle, dont l'objectif est de modéliser les mécanismes d'analyse réalisés par le cerveau humain. Les tâches qu'un réseau de neurones typique résout sont la classification, la prédiction et la reconnaissance. Les réseaux neuronaux sont capables d'apprendre et de se développer par eux-mêmes, en construisant leur expérience sur les erreurs commises.
Un réseau neuronal est un ensemble de neurones qui sont reliés entre eux par des connexions uniques appelées synapses. La structure d'un réseau neuronal est arrivée dans le monde de la programmation en provenance de la biologie. Grâce à cette structure, la machine acquiert, analyse et même se souvient de diverses informations. Les réseaux neuronaux sont également capables d'analyser les données entrantes et de les reproduire à partir de leur mémoire..
En d'autres termes, un réseau neuronal est une interprétation par une machine du cerveau humain, qui contient des millions de neurones qui transmettent des informations sous forme d'impulsions électriques.
Qu'est-ce qu'un neurone ?
Un neurone est une unité de calcul qui accepte des données, effectue des calculs simples sur celles-ci, puis les transmet à d'autres neurones. Ils sont divisés en trois types de base : entrée (bleu), caché (rouge) et sortie (vert).:
Lorsqu'un réseau neuronal est constitué de nombreux neurones, le terme de couche est introduit. Ainsi, une couche d'entrée reçoit les informations, des couches cachées (généralement pas plus de 3) les traitent et une couche de sortie produit le résultat.
La base biologique de la connectivité neuronale
Il y a environ 86 milliards de neurones dans notre cerveau. Un neurone est une cellule connectée à d'autres cellules de ce type. Les cellules sont reliées entre elles par des branches. L'ensemble de ces éléments ressemble à une sorte de réseau. C'est le réseau neuronal. Chaque cellule reçoit des signaux d'autres cellules. Puis elle les traite et envoie elle-même le signe à d'autres cellules.
Un neurone reçoit un signal (information), le traite et envoie sa réponse. Les flèches représentent les connexions - les branches le long desquelles l'information est transmise :
C'est ainsi qu'en contournant les signaux entre eux, le réseau neuronal parvient à une sorte de décision. Ainsi, la décision résulte du travail collectif d'un milliard de neurones.
Le réseau neuronal artificiel
Un réseau neuronal tente d'utiliser des modèles mathématiques pour simuler le cerveau humain afin de créer des machines dotées d'une intelligence artificielle.
Un réseau neuronal simule le fonctionnement du système nerveux humain, dont l'une des caractéristiques est la capacité d'auto-apprendre à partir d'expériences antérieures. Ainsi, le système fait de moins en moins d'erreurs à chaque fois.
Un réseau neuronal est constitué d'éléments de calcul distincts, les neurones, situés sur plusieurs couches comme notre système nerveux. Les données arrivant à l'entrée d'un réseau neuronal sont traitées séquentiellement sur chaque couche du réseau. Chaque neurone possède des paramètres spécifiques qui peuvent varier en fonction des résultats obtenus - c'est l'intérêt de l'entraînement du réseau.
Formation de réseaux neuronaux
L'un des premiers critères, et le plus important, est la possibilité de former un réseau neuronal. D'une manière générale, un réseau neuronal est un ensemble de neurones par lesquels passe un signal. Si vous l'alimentez à l'entrée, vous obtiendrez un résultat inconnu à la sortie après être passé par des milliers de neurones. Pour le transformer, vous devez modifier les paramètres du réseau pour obtenir les résultats souhaités à l'œuvre.
Vous ne pouvez pas modifier le signal d'entrée, l'additionneur remplit la fonction de sommation, et vous ne pouvez pas changer quelque chose ou le retirer du système, car il cesserait d'être un réseau neuronal. La seule chose qui reste est d'utiliser des coefficients ou des fonctions de corrélation et de les appliquer aux poids des connexions. Dans ce cas, nous pouvons définir la formation d'un réseau neuronal - la recherche d'un ensemble de coefficients de poids qui, lorsqu'ils sont passés dans l'additionneur, donneront le signal souhaité à la sortie. C'est le concept appliqué par notre cerveau également.
Mais il y a une nuance. Si vous définissez manuellement les coefficients des poids, le réseau neuronal se souviendra du signal de sortie correct. Dans ce cas, la sortie d'informations sera instantanée, et il peut sembler que le neurone ait été capable d'apprendre rapidement. Et si vous modifiez légèrement le signal d'entrée, vous obtiendrez des réponses erronées et non logiques à la sortie..
Ainsi, au lieu de spécifier des coefficients spécifiques pour un signal d'entrée, vous pouvez créer des paramètres généralisants en utilisant l'échantillonnage.
En quoi consiste l'intelligence artificielle et comment fonctionne-t-elle ? Applications et perspectives de l'IA
L'intelligence artificielle (IA) est une technologie, ou plus exactement une orientation scientifique, qui étudie les moyens d'apprendre à un ordinateur, à un équipement robotique et à un système analytique à penser intelligemment comme une personne. En fait, le rêve d'assistants robotiques intelligents est apparu bien avant l'invention des premiers ordinateurs.
L'apprentissage automatique et les réseaux neuronaux sont tous des exemples d'intelligence artificielle qui sont utilisés pour décrire des systèmes informatiques sophistiqués. Les technologies basées sur l'apprentissage automatique sont capables de résoudre de nombreux problèmes dans le monde réel.
Au départ, des fonctions telles que le raisonnement et la prise de décision délibérée étaient absentes des ordinateurs. Pourtant, ces dernières années, plusieurs découvertes importantes ont été faites dans le domaine de la technologie de l'IA et des algorithmes associés. Le nombre croissant de grands échantillons de données diverses - le Big Data - disponibles pour l'apprentissage de l'IA joue un rôle important.
De nombreux autres sujets, notamment les mathématiques, les statistiques, la théorie des probabilités, la physique, le traitement du signal, l'apprentissage automatique, la blockchain, la vision par ordinateur, la psychologie, la linguistique et la recherche sur le cerveau, se croisent avec la technologie de l'IA. Les personnes intéressées par la philosophie sont attirées par des questions telles que la responsabilité sociale et l'éthique du développement de l'intelligence artificielle....
Le développement de la technologie de l'IA est motivé par le fait que les tâches comportant de nombreuses variables nécessitent des solutions extrêmement compliquées, difficiles à appréhender et à algorithmer manuellement. Les technologies modernes d'apprentissage automatique et d'IA, lorsqu'elles sont associées à des données d'"entraînement" sélectionnées et préparées de manière appropriée pour les systèmes, peuvent permettre aux ordinateurs de "penser" par eux-mêmes - de programmer, de composer de la musique, d'évaluer des données et de porter des jugements indépendants sur la base de celles-ci.
Comment fonctionne l'intelligence artificielle (IA) ?
L'intelligence artificielle est la capacité d'un ordinateur ou d'un robot à effectuer des tâches normalement associées à des êtres intelligents. Cette terminologie est largement utilisée pour décrire un projet visant à développer des systèmes dotés de processus cognitifs propres à l'homme, tels que la capacité de raisonner, de généraliser et d'apprendre à partir d'expériences passées..
Dans sa forme la plus élémentaire, l'IA est une simulation rudimentaire des neurones du cerveau. Des signaux sont transférés d'un neurone à l'autre, et à l'issue du processus, un résultat est obtenu.
Description du neurone artificiel
Un neurone artificiel, souvent appelé réseau neuronal, est une fonction mathématique conçue comme un modèle de neurones biologiques. Dans les réseaux neuronaux artificiels, les neurones artificiels constituent les éléments de base. Les réseaux de neurones artificiels ont été développés comme modèle mathématique du cerveau humain..
Les neurones individuels sont des cellules vivantes à la structure complexe, dotées de ramifications capables d'échanger des signaux avec d'autres neurones par le biais de connexions régulières et d'un nœud plus important responsable de la transmission des impulsions du neurone. Certaines de ces liaisons sont responsables de l'excitation du neurone, d'autres de son inhibition. Les impulsions que le neurone transmet à d'autres neurones dépendront des signaux et des connexions que le neurone "entre".
Le neurone artificiel n'a pas besoin d'un support physique. Il s'agit essentiellement d'une fonction mathématique. Sa tâche consiste à recevoir des informations (par exemple, des signaux provenant de nombreux autres neurones artificiels), à les traiter d'une certaine manière, puis à produire le résultat. Dans un réseau artificiel, les neurones sont généralement divisés en trois types :
- input - chacun de ces neurones reçoit un élément "input" d'information initiale,
- Intermédiaire - traiter les informations,
- Sortie - sortie - sortie du résultat.
Le réseau neuronal lui-même est créé en couches, comme un gâteau. L'une des couches externes contient des neurones d'entrée, une autre contient des neurones de sortie, et il peut y avoir un ou plusieurs intermédiaires entre eux. Chaque neurone du réseau média est connecté à un ensemble de neurones de deux couches environnantes. La communication entre les neurones est assurée par des poids - des valeurs numériques que chaque neurone calcule en fonction des données reçues de la couche précédente du réseau.
Lors de la création de réseaux de neurones artificiels, les scientifiques ont été guidés par la structure du cerveau humain.
La différence entre l'intelligence artificielle et l'intelligence humaine
L'intelligence peut être définie comme la capacité mentale générale de raisonnement, de résolution de problèmes et d'apprentissage. En raison de sa nature publique, l'intelligence intègre des fonctions cognitives telles que la perception, l'attention, la mémoire, le langage ou la planification. Une attitude consciente envers le monde distingue l'intelligence naturelle.
La question de savoir en quoi l'IA diffère de l'intelligence naturelle est en fait une question philosophique plutôt que strictement scientifique. Le fait est qu'aucune intelligence artificielle existant aujourd'hui n'a atteint un niveau de développement suffisamment élevé pour concurrencer les humains sur un pied d'égalité..
Il existe un point de vue exprimé par le philosophe John Searle dans les années 1980. Il a introduit les termes "IA forte" et "IA faible". Une intelligence artificielle robuste, selon les scientifiques, peut se réaliser et penser comme un humain. Une IA faible est incapable de le faire.
Les IA d'aujourd'hui sont incontestablement faibles car aucune d'entre elles n'a encore développé de conscience de soi. Elles ne font que ce pour quoi elles ont été entraînées et, en un sens, on peut considérer qu'elles sont programmées pour le faire. Elles n'ont aucune compréhension précise de ce qui se cache derrière ces choses.
Toutefois, de nombreux chercheurs estiment que les systèmes informatiques ne pourront jamais égaler les humains, car ceux-ci s'appuient sur des connaissances acquises et une expérience pratique pour donner un sens à leurs activités. Les ordinateurs n'en disposent pas par définition - ils ne peuvent donc pas développer une intelligence propre..
Mais ces déclarations ont été faites lorsque les réseaux neuronaux ne faisaient que leurs premiers pas. Aujourd'hui, au vu de leur succès en matière d'apprentissage, il est facile de croire en la réalité de l'IA, qui pourra devenir l'égale de l'homme, voire le dépasser.
Les principes de base de l'intelligence
Nous pouvons comparer la pensée humaine à l'intelligence artificielle sur la base de plusieurs paramètres standard de l'organisation du cerveau et de la machine. L'activité d'un ordinateur, comme celle d'un cerveau, comporte quatre étapes : codage, stockage, analyse des données et livraison des résultats.
Le cerveau humain et l'IA peuvent s'auto-apprendre en se basant sur les données de l'environnement. De même, le cerveau humain et l'intelligence artificielle résolvent des problèmes (ou des tâches) à l'aide d'algorithmes spécifiques.
Principes technologiques de l'intelligence artificielle
L'apprentissage machine (ML) est un principe de développement de l'IA basé sur des algorithmes d'auto-apprentissage. L'intervention humaine dans cette approche se limite à charger un ensemble d'informations dans la "mémoire" de la machine et à fixer des objectifs..
L'apprentissage profond est une méthode mixte, la principale différence étant le traitement de grands ensembles de données et l'utilisation de réseaux neuronaux.
Un réseau neuronal est un concept mathématique qui imite la structure et la fonction des cellules nerveuses d'un organisme biologique. Par conséquent, il s'agit idéalement d'un système d'auto-apprentissage. Si nous transposons le principe à la base technologique, un réseau neuronal est un ensemble de processeurs qui exécutent une seule tâche dans un projet à grande échelle. En d'autres termes, un superordinateur est un réseau composé de nombreux ordinateurs ordinaires.
L'apprentissage profond fait référence à un principe distinct de l'IA, car cette méthode est appliquée pour détecter des modèles dans de grandes quantités d'informations. Pour un tel travail, impossible à réaliser par l'homme, l'ordinateur utilise des techniques avancées.
L'informatique cognitive est l'une des orientations de l'IA, qui étudie et met en œuvre les processus d'interaction naturelle entre l'homme et l'ordinateur, similaires à l'interaction entre les personnes. La technologie de l'intelligence artificielle vise à imiter complètement les activités humaines d'ordre supérieur - la parole, la pensée symbolique et analytique.
La vision par ordinateur est une branche de l'IA utilisée pour reconnaître les images graphiques et vidéo. Aujourd'hui, l'intelligence artificielle peut traiter et analyser des données graphiques et interpréter des informations en fonction de l'environnement.
La parole synthétisée. Les ordinateurs peuvent déjà comprendre, analyser et reproduire la parole humaine. Nous pouvons déjà contrôler des programmes, des ordinateurs et des gadgets avec des commandes vocales - par exemple, Siri ou l'assistant Google, Alice dans Yandex, etc.
En outre, les processeurs graphiques sophistiqués, qui sont au cœur du traitement interactif des données, font qu'il est difficile d'envisager l'intelligence artificielle sans eux. Les API - interfaces de programmation d'applications - sont nécessaires pour intégrer l'intelligence artificielle dans divers programmes et appareils. Grâce aux API, vous pouvez facilement ajouter la technologie de l'intelligence artificielle à n'importe quel système informatique : sécurité domestique, maison intelligente, équipement CNC, etc..
Les principaux problèmes de l'IA aujourd'hui
À ce stade de développement, les capacités de l'intelligence artificielle sont limitées. Les principales difficultés suivantes peuvent être mises en évidence :
- L'apprentissage automatique n'est possible que sur la base de données massives. Cela signifie que toute inexactitude dans les informations affecte fortement le résultat final.
- Les systèmes intelligents sont limités à une activité spécifique. Autrement dit, un système intelligent mis en place pour détecter la fraude fiscale ne sera pas en mesure de détecter la fraude bancaire. Nous avons affaire à des programmes hautement spécialisés qui sont encore loin du multitâche humain.
- Les machines intelligentes ne sont pas autonomes. Cela nécessite toute une équipe de spécialistes et beaucoup de ressources pour les maintenir "en vie".
- Les limites du deep learning et des réseaux de neurones
Malgré tous leurs avantages, le deep learning et les réseaux de neurones présentent encore des inconvénients importants.
- Dépendance vis-à-vis des données : en général, les algorithmes d'apprentissage en profondeur nécessitent une quantité considérable de données d'entraînement pour effectuer leurs tâches avec précision. Malheureusement, il n'y a pas suffisamment de données d'entraînement de haute qualité pour créer des modèles fonctionnels pour de nombreux problèmes.
- Imprévisibilité : les réseaux de neurones évoluent de manière étrange. Parfois, tout se passe comme prévu. Et parfois (même si le réseau de neurones fonctionne bien), même les créateurs ont du mal à comprendre comment fonctionnent les algorithmes. Le manque de prévisibilité rend extrêmement difficile la résolution et la correction des erreurs dans les algorithmes des réseaux de neurones.
- Biais algorithmique : les algorithmes d'apprentissage en profondeur sont aussi bons que les données sur lesquelles ils sont formés. Le problème est que les données de formation contiennent souvent des erreurs ou des défauts cachés ou apparents, et les algorithmes en héritent. Par exemple, un algorithme de reconnaissance faciale formé principalement sur des photos de personnes blanches fonctionnera avec moins de précision sur des personnes de couleurs de peau différentes.
- Manque de généralisation : les algorithmes d'apprentissage en profondeur conviennent aux tâches ciblées, mais ne parviennent pas à généraliser leurs connaissances. De plus, l'apprentissage en profondeur traite mal les données qui s'écartent de ses exemples de formation.
Perspectives d'avenir pour l'intelligence artificielle
La technologie de l'IA vient de trouver une application généralisée et présente un énorme potentiel de croissance dans tous les domaines. Au fil du temps, l'humanité créera des ordinateurs de plus en plus puissants, qui seront de plus en plus avancés dans le développement de l'IA..
Les réseaux neuronaux artificiels sont créés à l'image du cerveau humain, bien que sous une forme très simplifiée. Un jour peut-être, il sera possible de scanner toutes les sections du cerveau d'une personne vivante, de cartographier ses neurones et ses connexions synaptiques et d'en reproduire la copie dans un ordinateur. On peut s'attendre à ce qu'un tel réseau neuronal copié ne se comporte pas seulement de manière intelligente - il sera littéralement un double humain, capable de se reconnaître, de prendre des décisions et d'effectuer des actions comme lui. Même les souvenirs seront copiés. En théorie, il sera possible de placer un tel réseau neuronal dans un corps artificiel (dans un robot). La personne - une copie de sa conscience - pourra alors vivre presque éternellement.
Il serait difficile de réaliser un tel transfert dans la pratique : aucune technologie ne permettrait de "lire" le cerveau vivant et de créer sa "carte". Et nous sommes encore très loin de créer un réseau neuronal artificiel qui serait aussi puissant que le cerveau....
L'objectif de l'IA est d'aider les gens et d'assumer des tâches complexes ou de routine. Si l'intelligence artificielle peut un jour atteindre le niveau de la pensée humaine, ce sera une étape importante pour la civilisation. Nous aurons un assistant capable et intelligent, et nous pourrons être fiers, à juste titre, qu'il soit une création de nos mains..
Pour l'instant, la science a réussi à créer des réseaux neuronaux relativement petits capables de reconnaître la voix ou de traiter des images. Aucune IA ne possède encore les mêmes capacités que le cerveau humain..
"La "puissance" de l'intelligence n'est pas liée à la vitesse de calcul mais à la complexité du réseau neuronal. L'esprit humain reste supérieur à tout réseau neuronal artificiel, même si le rythme de ses processus est nettement plus lent que celui des ordinateurs.
Les réseaux neuronaux artificiels se composent de neurones individuels, qui sont regroupés en couches. Deux couches extérieures servent d'"entrée", qui reçoit les informations d'entrée, et de "sortie", d'où le résultat est lu. Il peut y avoir entre elles de une à plusieurs dizaines, voire centaines, de couches intermédiaires de neurones. Et chaque neurone d'une couche est lié à de nombreux autres dans les couches précédentes et suivantes.
Plus le réseau est complexe, plus il contient de couches et de neurones, et plus les tâches qu'il peut accomplir sont lourdes et étendues.
De nombreux facteurs façonnent l'esprit humain. Nous recevons des informations sur le monde extérieur par le biais de nos organes de perception - en observant, en touchant et en goûtant. En interagissant avec l'environnement, nous acquérons une expérience de vie, des connaissances sur les propriétés du monde et des compétences sociales. Notre cerveau s'améliore et change physiquement en permanence.
Supposons que nous parvenions à créer un réseau neuronal suffisamment complexe pour qu'il évolue de la même manière et que nous le dotions d'"organes des sens" - caméra vidéo, microphone et autres - peut-être pourra-t-il, après un certain temps, acquérir une "expérience de vie". Mais ceci est une question pour un avenir lointain.