Fiche de révision : Introduction à l'Intelligence Artificielle Économique

📋 Plan du Cours

1. Objectifs et structure du module
2. Fondements et histoire de l’IA
3. Définitions et applications de l’IA
4. Apprentissage supervisé et Naive Bayes
5. Apprentissage non supervisé et K-means
6. Deep learning et optimisation
7. Collecte et traitement des données
8. Analyse des données avancée

📖 1. Objectifs et structure du module

🔑 Notions clés & Définitions

• Décision économique : Objectif applicatif du module centré sur l’usage de l’IA pour résoudre des problèmes économiques et améliorer les choix des décideurs.
• Modélisation et prédiction : Approche visée par le module pour construire des modèles prédictifs liés aux tendances de marché, au comportement des consommateurs et aux impacts économiques.
• Analyse de données économiques : Compétence du module qui consiste à exploiter de grandes masses de données économiques à l’aide d’outils d’IA pour soutenir la décision.
• Compétences pratiques en IA : Volet du module orienté vers une mise en application concrète d’outils et de technologies d’IA directement utiles à la prise de décision économique.

📝 Points essentiels

• Le module vise une compréhension des bases de l’IA, notamment machine learning, deep learning et méthodes d’optimisation.
• Il entraîne à appliquer l’IA au contexte économique pour résoudre des problèmes, améliorer la décision et optimiser des processus économiques.
• L’évaluation repose sur des contrôles continus et sur des épreuves comprenant un écrit, un oral, des activités pratiques et une présentation.
• Une évaluation finale est prévue en plus des activités d’enseignement, d’exercices, de travaux pratiques et d’un projet.

📖 2. Fondements et histoire de l’IA

🔑 Notions clés & Définitions

• Test de Turing : Le test de Turing est une procédure permettant d’évaluer si une machine peut se comporter de façon indiscernable d’un humain dans un échange avec celui-ci.
• Terme intelligence artificielle : Le terme intelligence artificielle a été introduit en 1956 pour désigner un champ visant à modéliser la pensée humaine et à concevoir des machines qui l’imitent.
• Logic Theorist : Logic Theorist est un programme de 1956 conçu pour prouver des théorèmes mathématiques.
• ELIZA : ELIZA est un programme de 1967 conçu pour simuler des échanges de type thérapeutique avec des patients à partir de phrases simples.

📝 Points essentiels

• La considération de l’IA comme discipline académique remonte aux années 1950.
• En 1956, John McCarthy fait naître le terme intelligence artificielle lors d’une conférence, avec l’objectif de comprendre et modéliser la pensée humaine.
• Entre 1956 et 1966, beaucoup de recherches en IA restent théoriques, comme Logic Theorist (1956) pour la preuve de théorèmes mathématiques.
• ELIZA (1967) est un programme qui stimule des interactions de style thérapeutique avec un patient en s’appuyant sur des échanges en anglais.

📖 3. Définitions et applications de l’IA

🔑 Notions clés & Définitions

• Intelligence artificielle : L’intelligence artificielle désigne un ensemble d’approches capables d’exploiter de grandes quantités de données pour produire des prédictions ou des décisions.
• Détection de fraude et d’anomalies : La détection de fraude et d’anomalies regroupe des usages de l’IA visant à repérer des comportements suspects ou inhabituels dans des données.
• Chatbot RH : Un chatbot RH est une interface conversationnelle qui répond aux questions des employés et assiste les processus des ressources humaines.
• Systèmes de recommandation : Un système de recommandation est une application qui propose des produits ou contenus en s’appuyant sur le comportement ou les préférences observées.
• Tableaux de bord intelligents : Un tableau de bord intelligent est une vue synthétique alimentée par l’IA pour suivre la performance et aider au pilotage.

📝 Points essentiels

• L’intelligence artificielle regroupe plusieurs domaines, et le choix du domaine dépend des caractéristiques du problème étudié.
• L’IA exploite de grandes quantités de données pour prédire ou décider, tandis que la programmation classique suit des instructions fixées à l’avance.
• En gestion opérationnelle, l’IA sert à détecter la fraude et les anomalies, ainsi qu’à anticiper et gérer des crises.
• En ressources humaines, l’IA peut filtrer automatiquement les CV, analyser les compétences et rapprocher un candidat d’un poste adapté.
• En pilotage et management, l’IA aide à prédire des dates d’échéance, identifier les risques de retard et optimiser l’allocation des ressources.
• Pour la décision stratégique, l’IA fournit des analyses prédictives sur la demande et permet de simuler des scénarios (croissance, investissement, expansion) via des tableaux de bord intelligents.

💡 Astuce mémo

Données massives → Prédire/Décider.

📖 4. Apprentissage supervisé et Naive Bayes

🔑 Notions clés & Définitions

• Apprentissage supervisé : Approche d’apprentissage où le modèle apprend à partir de données annotées, afin de produire des prédictions à partir des exemples fournis.

📝 Points essentiels

• En apprentissage supervisé, l’exactitude attendue dépend de la présence d’entrées structurées et de labels pour guider l’apprentissage.
• Le choix entre plusieurs algorithmes se discute typiquement en comparant le type de données disponible (notamment la présence de labels) et l’usage visé.

📖 5. Apprentissage non supervisé et K-means

🔑 Notions clés & Définitions

• Clustering : Un clustering est une méthode d’analyse qui regroupe automatiquement des individus (ou objets) en clusters homogènes sans connaître les étiquettes à l’avance.
• Clusters : Des clusters sont des groupes formés par le modèle, où les objets d’un même groupe se ressemblent davantage entre eux que ceux des autres groupes.

📝 Points essentiels

• Le clustering vise à créer des groupes homogènes sans labels connus à l’avance.
• Le regroupement se fait à partir de la similarité entre objets pour former les clusters.
• Exemple : regrouper des consommateurs selon leur comportement d’achat avec un clustering.

📖 6. Deep learning et optimisation

🔑 Notions clés & Définitions

• Modèle prédictif : Un modèle prédictif est un système qui apprend à partir de données d’entrée pour produire des prédictions sur un comportement économique ou une issue future.
• Accuracy : L’accuracy est une mesure de performance qui représente la part des prédictions correctes parmi l’ensemble des prédictions faites par le modèle.

📝 Points essentiels

• Les données d’entrée servent à entraîner le modèle à partir d’observations liées au comportement économique étudié.
• L’évaluation du modèle vise à vérifier sa fiabilité et sa performance via des indicateurs et méthodologies adaptées.
• Le modèle doit être compatible avec la logique de la théorie économique et basé sur des facteurs influençant le comportement observé.
• L’accuracy se calcule comme le nombre de prédictions correctes divisé par le nombre total de prédictions.
• L’accuracy peut s’exprimer avec TP, TN, FP et FN via $\text{Accuracy}=\dfrac{TP+TN}{TP+TN+FP+FN}$, où chaque terme correspond aux cas correctement ou incorrectement prédits.

📖 7. Collecte et traitement des données

🔑 Notions clés & Définitions

• Web scraping : Extraction automatisée de données depuis des pages web pour obtenir des informations utiles à un modèle prédictif.
• Journal d’interaction : Enregistrement des actions d’utilisateurs sur un site ou une application, exploité pour produire des signaux comportementaux.
• Analyse en composantes principales : Méthode statistique qui projette des données pour mettre en évidence des structures et tendances en réduisant la dimension.
• Analyse en composantes multiples : Méthode statistique adaptée aux variables catégorielles pour révéler des associations et patterns entre modalités.
• Analyse discriminante : Méthode qui cherche à distinguer des classes à partir de variables explicatives, afin d’améliorer la séparation des groupes.

📝 Points essentiels

• La collecte vise à rassembler des données pertinentes pour détecter des schémas du comportement économique et entraîner un modèle prédictif.
• Les données peuvent être obtenues par extraction manuelle ou automatisée via web scraping, via questionnaires/enquêtes, via capteurs pour du temps réel, et via journaux d’interaction de sites ou d’applications.
• L’analyse et la visualisation servent à comprendre les données, repérer des tendances, détecter des anomalies et choisir des modèles appropriés.
• Les méthodes citées incluent PCA, MCA, analyse de séries temporelles et analyse discriminante.
• Pour l’évaluation, l’exactitude correspond au pourcentage de prédictions correctes, avec Accuracy = (TP + TN)/(TP + TN + FP + FN).
• Le forecasting économique prédit des actions futures (consommation, investissement, défaut de paiement) à partir de données historiques et actuelles, en s’appuyant sur des statistiques et des méthodes d’IA.

💡 Astuce mémo

PCA pour données numériques (structure), MCA pour données catégorielles (modalités).

📖 8. Analyse des données avancée

🔑 Notions clés & Définitions

• Analyse prédictive : L’analyse prédictive est une méthode d’analyse des données qui vise à anticiper des événements futurs à partir de données passées, comme des signaux capteurs.
• Données massives en temps réel : Les données massives en temps réel désignent des volumes importants traités à très faible latence pour repérer rapidement des tendances ou anomalies.
• Audit algorithmique : L’audit algorithmique regroupe des vérifications dédiées aux systèmes à base d’algorithmes pour contrôler leur fonctionnement et leurs effets au-delà de la performance technique.

📝 Points essentiels

• En maintenance, l’anticipation des pannes s’appuie sur des analytics prédictives dérivées de données issues de capteurs.
• Pour l’analyse financière, le traitement de volumes massifs en temps réel sert à repérer des tendances ou des anomalies.
• Dans les professions concernées, la valeur se déplace vers l’interprétation des recommandations d’IA et la prise de décision.
• Les mécanismes d’audit algorithmique servent à évaluer les impacts sociétaux, économiques et environnementaux de l’IA.
• Des labels ou certifications peuvent être introduits pour signaler la conformité des systèmes aux meilleures pratiques.

💡 Astuce mémo

Prédire (pannes) avec capteurs ; Décoder (tendances/anomalies) en temps réel ; Vérifier (audit + labels) pour la conformité.

📅 Repères chronologiques

📊 Tableaux de synthèse

Techniques de systèmes de recommandation

⚠️ Pièges & confusions fréquents

1. Confondre « apprentissage supervisé » (données annotées/labels) avec l’apprentissage non supervisé (données non étiquetées).
2. Croire que le clustering K-means utilise un nombre de clusters automatique sans définir K : la valeur K est initialement choisie.
3. Inverser la logique classification vs régression : la classification prédit une classe, la régression prédit une quantité numérique.
4. Mal calculer l’accuracy : l’accuracy se rapporte au pourcentage de prédictions correctes et peut s’écrire (TP+TN)/(TP+TN+FP+FN).
5. Oublier que le naive Bayes suppose l’indépendance entre caractéristiques lors du calcul de la probabilité conditionnelle P(y|X).
6. Confondre deep learning et machine learning : la différence donnée porte sur la profondeur (réseaux à beaucoup de couches).
7. Penser que le content-based filtering intègre les préférences d’autres utilisateurs : le cours dit qu’il n’en tient pas compte.

✅ Checklist Examen

1. Expliquer l’objectif du module : exploiter l’IA pour la décision économique (modélisation/prédiction, analyse de données, compétences pratiques).
2. Décrire l’évaluation : contrôles continus + écrit, oral, activités pratiques et présentation, et préciser qu’il existe une épreuve finale.
3. Rappeler les repères d’histoire de l’IA : « Turing Test », terme « artificial intelligence » (McCarthy, 1956), et exemples de programmes (Logic Theorist 1956, ELIZA 1967).
4. Définir l’IA et distinguer programmation classique vs IA/machine learning (instructions fixées vs apprentissage à partir de données).
5. Choisir le bon cadre d’apprentissage : en supervisé utiliser des données annotées (classification vs régression), en non supervisé viser des structures sans labels (clustering).
6. Résoudre une question d’algorithme supervisé : identifier naive Bayes (Bayes + indépendance) et relier les usages aux types (classification/régression).
7. Expliquer K-means : rôle de K, affectation au centre le plus proche via distance, recalcul des centroïdes, et condition d’arrêt.
8. Décrire deep learning (réseaux de neurones à couches multiples) et citer la différence clé avec le machine learning telle que donnée (profondeur/complexité du réseau).
9. Présenter au moins une optimisation : décrire l’algorithme génétique (population, fitness, sélection, crossover, mutation) et la logique itérative pour approcher une solution.
10. Comparer les systèmes de recommandation : content-based filtering, collaborative filtering (similarité Pearson + prédiction) et hybrid recommendation (combinaison pour améliorer la précision).
11. Décrire le pipeline data→modèle prédictif en contexte économique : collecte (web scraping, enquêtes, capteurs, logs), analyse/visualisation (PCA/MCA/time series/discriminant), puis prédiction et évaluation.
12. Citer les critères d’évaluation d’un modèle prédictif économique (cohérence économique, compatibilité avec la théorie, robustesse/adaptabilité, facilité d’implémentation) et savoir calculer/exprimer l’accuracy avec TP/TN/FP/FN.