Concepts fondamentaux

Intelligence Artificielle (IA) : La science et l'ingénierie de créer des machines capables de faire des tâches qui nécessitent normalement l'intelligence humaine. Reconnaissance d'objets, compréhension du langage, prise de décision.

Algorithme : Un ensemble de instructions pas-à-pas pour résoudre un problème. L'algorithme d'une recette de gâteau : mélanger les ingrédients, verser le mélange, cuire. Les algorithmes IA : prendre des données en entrée, les traiter, produire des résultats.

Données : L'information brute qu'un système IA utilise pour apprendre. Pour une IA qui reconnaît les chats, les données seraient des milliers d'images de chats avec des étiquettes "chat".

Entraînement : Le processus d'alimentation des données à un algorithme IA pour qu'il apprenne. C'est comme l'apprentissage humain – plus vous étudiez, mieux vous comprenez.

Modèle : L'IA entraîné qui a appris à partir des données. Après l'entraînement, vous avez un modèle que vous pouvez utiliser pour faire des prédictions sur de nouvelles données.

Paramètres : Les variables internes que le modèle IA ajuste pendant l'entraînement. Un modèle d'IA moderne pourrait avoir des milliards de paramètres. Plus de paramètres = plus de capacité à apprendre, mais aussi plus de risque d'overfitting.

Prédiction : La sortie du modèle IA. Vous donnez un chat une image ; le modèle prédit "chat" avec 95% de confiance.

Apprentissage automatique

Apprentissage supervisé : L'IA apprend à partir de données étiqueté. "Voici une image ; elle contient un chat." L'IA apprend la relation entre l'image et l'étiquette.

Apprentissage non supervisé : L'IA trouve des modèles dans les données sans étiquettes. "Voici 1000 images ; trouvez des groupes similaires." L'IA pourrait découvrir "chats", "chiens", "paysages" sans qu'on le lui dise.

Apprentissage par renforcement : L'IA apprend en interagissant avec un environnement et en recevant des récompenses. Comme entraîner un chien – vous récompensez le bon comportement, réprimandez le mauvais, et l'IA apprend ce qui fonctionne.

Overfitting : L'IA mémorise les données d'entraînement trop bien, y compris le bruit. C'est comme étudier exactement les questions de test sans comprendre le sujet. Sur les nouvelles données, elle fonctionne mal.

Underfitting : L'IA n'apprend pas suffisamment. L'inverse d'overfitting. C'est comme ne pas étudier du tout – même sur les données d'entraînement, elle ne fonctionne pas bien.

Validation croisée : Une technique pour évaluer l'IA. Divisez les données en plusieurs portions, entraînez sur certaines, testez sur d'autres. Cela donne une meilleure évaluation de la performance réelle.

Ensemble (Ensemble learning) : Combiner plusieurs modèles IA pour une meilleure prédiction. C'est comme demander l'avis de 10 experts et faire une moyenne – souvent meilleur qu'un seul expert.

Deep learning et réseaux

Deep learning : Une forme d'apprentissage automatique utilisant des réseaux de neurones avec plusieurs couches. "Deep" signifie beaucoup de couches. Plus puissant mais aussi plus complexe que les méthodes traditionnelles.

Réseau neuronal : Un modèle inspiré par le cerveau humain. Il a des "neurones" artificiels connectés ensemble. Chaque connexion a une "force" (poids). Ces poids sont ajustés pendant l'entraînement.

Neurone : L'unité de base d'un réseau neuronal. Il prend des entrées, les pèse, les additionne, les passe à travers une fonction d'activation, et produit une sortie.

Couche (Layer) : Un groupe de neurones travaillant ensemble. Un réseau neuronal a généralement une couche d'entrée, plusieurs couches cachées, et une couche de sortie.

Fonction d'activation : Une fonction mathématique appliquée à la sortie d'un neurone pour ajouter de la non-linéarité. Les neurones linéaires seuls ne peuvent résoudre que des problèmes linéaires. Les fonctions d'activation comme ReLU, sigmoïde, tanh ajoutent de la complexité.

Poids et biais : Les paramètres qu'un réseau neuronal ajuste. Les poids contrôlent la force des connexions. Les biais permettent aux neurones de décaler la fonction d'activation.

Rétropropagation : L'algorithme pour entraîner les réseaux de neurones. Calculez l'erreur, puis propa-paginz cette erreur en arrière à travers le réseau, en ajustant les poids pour réduire l'erreur.

Convolution (Couche CNN) : Une opération mathématique dans les réseaux de neurones convolutionnels. Elle applique des filtres petits pour trouver des caractéristiques locales (bords, textures) dans une image.

Réseau de neurones convolutionnel (CNN) : Un type de réseau de neurones spécialisé dans la vision par ordinateur. Utilise les convolutions pour traiter les images efficacement.

LSTM (Long Short-Term Memory) : Un type de réseau de neurones pour les données séquentielles. Bon pour des tâches comme la prédiction de séries temporelles ou la traduction.

Transformer : Une architecture de réseau moderne qui a révolutionné le traitement du langage et la vision. Utilise l'attention pour se concentrer sur les parties pertinentes des données. GPT et BERT utilisent les transformers.

Traitement du langage naturel (NLP)

NLP (Traitement du langage naturel) : Domaine de l'IA qui se concentre sur la compréhension et la génération du langage humain.

Tokenisation : Diviser le texte en parties plus petites (tokens, généralement des mots ou des sous-mots). "Chat assis sur tapis" devient ["Chat", "assis", "sur", "tapis"].

Embedding : Représenter des mots ou des phrases comme des vecteurs de nombres que l'IA peut traiter. L'idée est que les mots similaires ont des vecteurs similaires.

Word2Vec : Une technique pour créer des embeddings de mots. Le modèle apprend que les mots "chat" et "chien" sont proches dans l'espace vectoriel parce qu'ils ont des contextes similaires.

Attention : Un mécanisme permettant au modèle de se concentrer sur les parties pertinentes de l'entrée. Quand vous lisez "Le chat a mangé le souris", l'attention vous aide à comprendre que "chat" est le sujet, pas "souris".

Traduction automatique : L'IA traduit le texte d'une langue à une autre. Les modèles transformers modernes font cela très bien maintenant.

Sentiment Analysis (Analyse de sentiment) : Déterminer si un texte est positif, négatif ou neutre. "J'aime cette pizza" = positif. "Cette pizza est horrible" = négatif.

Chatbot et Assistant conversationnel : Une IA qui peut tenir une conversation avec un humain. ChatGPT est un exemple haute-profil moderne.

Vision par ordinateur

Vision par ordinateur : Domaine de l'IA qui enseigne aux machines à voir et à comprendre les images et les vidéos.

Détection d'objet : Trouver et identifier les objets dans une image. "Il y a 3 chats et 1 chien dans cette image, et le grand chat est en haut à gauche."

Segmentation sémantique : Classifier chaque pixel d'une image. "Ces pixels sont des chats, ceux-ci sont du fond, ceux-ci sont de l'herbe."

Reconnaissance faciale : Identifier les visages dans les images et reconnaître qui ils sont. Technique puissante, mais avec des implications de confidentialité.

Pose estimation : Déterminer la position du corps d'une personne (où sont la tête, les bras, les jambes).

Optical Character Recognition (OCR) : Reconnaître le texte dans les images. Vous photographiez un document, et l'IA extrait le texte.

IA générative

Modèle génératif : Une IA qui peut créer new données (texte, images, audio, code) qui ressemble aux données d'entraînement. Contrairement aux modèles discriminatifs qui classent les données existantes.

GAN (Generative Adversarial Network) : Deux réseaux en compétition. Un génère des images fake, l'autre essaie de déterminer si les images sont vraies ou fausses. Pendant l'entraînement, le générateur devient meilleur pour tromper le discriminateur.

Diffusion Models : Un type de modèle génératif qui crée des images en commençant par du bruit aléatoire et en l'affinant progressivement. Utilisé par Midjourney, DALL-E, Stable Diffusion.

Température (Temperature sampling) : Un paramètre qui contrôle la "créativité" d'une IA générative. Température basse = réponses plus prévisibles et conservatrices. Température haute = plus variée et parfois bizarre.

Hallucination : Quand une IA générative produit une information qui semble plausible mais est completement fausse. "ChatGPT a hallucine une étude qui n'existe pas."

Concepts avancés

Transfer learning : Prendre un modèle entraîné sur une tâche et l'adapter pour une autre tâche. Au lieu d'entraîner du zéro, vous commencez avec la connaissance déjà acquise.

Fine-tuning : Prendre un modèle pré-entraîné et l'entraîner davantage sur vos données spécifiques pour l'adapter à votre problème.

Prompt engineering : L'art de poser les bonnes questions aux IA génératives pour obtenir les meilleures réponses. C'est devenu une compétence professionnelle réelle.

Zero-shot learning : Quand un modèle peut faire une tâche sans avoir jamais vu d'exemples. "Ici est une phrase en breton ; traduis-la en français" – sans exemples d'entraînement breton-français.

Few-shot learning : Le modèle apprend de très peu d'exemples. Montrez-lui 3 exemples et il comprend le modèle.

Hyperparamètres : Les paramètres que vous, l'ingénieur, réglez avant l'entraînement. Taux d'apprentissage, taille de batch, nombre de couches. Différent des paramètres que le modèle apprend lui-même.

Taux d'apprentissage (Learning rate) : Un hyperparamètre fondamental. Il contrôle à quelle vitesse le modèle met à jour ses poids. Trop vite et il passe à côté du minimum. Trop lent et l'entraînement est lent.

Dropout : Une technique d'entraînement où vous éteignez aléatoirement certains neurones. Cela force le réseau à apprendre des représentations redondantes et réduit l'overfitting.

Normalisation par batch : Une technique qui normalise les entrées de chaque couche pendant l'entraînement. Rend l'entraînement plus stable et plus rapide.

Optimiseur : Un algorithme qui met à jour les poids du réseau neuronal. Exemples : SGD, Adam, RMSprop. Adam est actuellement très populaire.

Fonction de perte (Loss function) : Mesure à quel point les prédictions du modèle sont mauvaises. L'entraînement vise à minimiser la perte.

Métriques : Mesures de la performance du modèle. Precision, recall, F1-score pour la classification. BLEU, ROUGE pour la traduction. Accuracy en général.

Interpretabilité : La capacité à comprendre pourquoi un modèle IA a fait une prédiction particulière. Important pour les applications critiques comme les décisions médicales.

Biais (Bias) : Quand un modèle IA fait des prédictions discriminatoires basées sur l'ethnie, le sexe, l'âge, etc. Souvent causé par les données d'entraînement qui contiennent des biais historiques.

Robustesse : La capacité d'un modèle à bien fonctionner même quand les données d'entrée sont légèrement différentes ou bruitées. Un modèle solide n'est pas fool par les adversarial attacks.

Adversarial examples : Des données d'entrée soigneusement modifiées pour tromper un modèle IA. Une image d'un panda légèrement modifiée que le modèle classe comme gibbon. Importante considération de sécurité.

Meta-learning : Enseigner à une IA à apprendre. L'idée est que l'IA apprend à s'adapter rapidement à nouvelles tâches. "Apprendre à apprendre".

Continual learning : L'IA apprend continuellement de nouvelles tâches sans oublier les anciennes. C'est un problème difficile pour les réseaux de neurones modernes.