Fiche de révision : Introduction à l’intelligence artificielle

📋 Plan du Cours

1. Familles d’utilisation de l’intelligence artificielle
2. Données, modèles et représentation du problème
3. Définition et perceptions de l’intelligence artificielle
4. IA symbolique, statistique et hybride
5. Apprentissage supervisé
6. Données, modèle et décision
7. Frontière et validation des modèles
8. Erreur et généralisation
9. Étapes de construction d'une IA utile

📖 1. Familles d’utilisation de l’intelligence artificielle

📝 Points essentiels

• Les grandes familles d’utilisation de l’IA sont :
  • la classification ou reconnaissance
  • la régression ou prédiction
  • l’IA générative de texte, d’image ou de son
  • la recommandation ou personnalisation
  • la détection d’anomalies
  • la décision ou le contrôle
  • la modélisation de systèmes dynamiques

📖 2. Données, modèles et représentation du problème

★ À maîtriser

📌 Les données sont une représentation du problème réel à partir de mesures, mais elles ne sont pas nécessairement la vérité.

Compléments

• Le fil rouge annoncé pour cette partie du cours suit la chaîne données → modèle → décision.

💡 Astuce mémo

Données → modèle → décision

📖 3. Définition et perceptions de l’intelligence artificielle

🔑 Notions clés & Définitions

• Intelligence artificielle : Ensemble des méthodes permettant à une machine de percevoir des informations, d’en tirer des connaissances et d’agir pour atteindre un objectif.

★ À maîtriser

• Dans la définition de l’IA, la machine perçoit des informations, en tire des connaissances, puis agit pour atteindre un objectif.

Compléments

📌 Un même objectif peut être atteint à partir d’informations différentes, par exemple en utilisant la vision, l’haptique ou leur combinaison.

• Changer ce que la machine perçoit change les connaissances dont elle dispose.

💡 Astuce mémo

Percevoir → connaître → agir

📖 4. IA symbolique, statistique et hybride

★ À maîtriser

📌 L’IA symbolique représente les connaissances par des symboles et des concepts, au moyen de règles écrites explicitement par des humains et d’un raisonnement logique souvent explicable.

📌 L’IA statistique apprend automatiquement des régularités dans les données, les représente par des valeurs numériques et produit des prédictions sous forme de scores ou de probabilités.

• Les systèmes modernes peuvent combiner les deux approches : un modèle statistique perçoit, puis des règles symboliques permettent de raisonner et de produire une décision ou une action ; on parle d’IA hybride ou neuro-symbolique.

Compléments

• L’IA symbolique fonctionne avec peu de données, mais s’adapte difficilement à l’imprévu.

• L’IA statistique demande souvent beaucoup de données et peut généraliser à de nouveaux cas.

• Un système expert médical symbolique peut appliquer la règle « SI fièvre ET toux, ALORS suspecter une infection », dont les règles sont écrites par des humains.

• Un filtre anti-spam statistique apprend sur des courriels et attribue un score indiquant si un message est un spam ou non.

💡 Astuce mémo

Règles écrites par des humains vs régularités apprises sur les données

📖 5. Apprentissage supervisé

★ À maîtriser

• Le signal d’apprentissage reçu par l’algorithme varie selon le paradigme : supervisé, non supervisé ou par renforcement.

📐 Formule - Dans l’apprentissage supervisé, l’ensemble de données s’écrit $D = \{(x_i, y_i)\}_{i=1}^{n}$.

• Dans l’apprentissage supervisé, chaque exemple possède une réponse attendue.

📐 Formule - En apprentissage supervisé, le jeu de données est constitué d'exemples associés à leurs réponses attendues, notés $D = \{(x_i; y_i)\}_{i=1}^{n}$.

📌 En classification supervisée, la réponse attendue est une classe, tandis qu'en régression elle est une valeur numérique.

📌 L'apprentissage supervisé utilise des réponses attendues, l'apprentissage non supervisé cherche une structure dans des données sans réponses fournies, et l'apprentissage par renforcement s'appuie sur les récompenses reçues après les actions.

Compléments

• 🔄 L'apprentissage par renforcement suit cette séquence. :
  1. L'agent réalise une action.
  2. L'agent reçoit une récompense.
  3. L'agent utilise les conséquences de ses actions pour améliorer sa stratégie.

💡 Astuce mémo

Réponses connues en supervisé, structure à découvrir en non supervisé, récompenses reçues en renforcement.

📖 6. Données, modèle et décision

★ À maîtriser

• L'apprentissage supervisé repose sur trois briques indispensables : les données, le modèle et la décision.

📌 Le modèle produit un score de prédiction, tandis que la décision transforme ce score en action à l'aide d'un seuil.

Compléments

• Les données fournissent des exemples passés à partir desquels le modèle apprend des régularités.

• Dans l'exemple présenté, le modèle produit le score $f_\theta(x)=0{,}92$, qui dépasse le seuil de 0,5.

• Sans données, le modèle n'a rien à apprendre ; sans modèle, aucune généralisation n'est possible ; sans décision, aucune action n'est produite.

💡 Astuce mémo

Données → modèle → décision.

📖 7. Frontière et validation des modèles

🔑 Notions clés & Définitions

• Frontière de décision : L'endroit où la prédiction change lorsqu'un point la traverse.

★ À maîtriser

• Deux modèles peuvent tous deux obtenir 100 % de réussite sur les données d'apprentissage sans que cette seule performance permette de choisir le meilleur.

📌 Les données de validation sont réservées avant l'apprentissage, ne sont jamais vues par le modèle pendant celui-ci et servent à comparer les modèles.

Compléments

• Dans l'exemple comparatif, le modèle A fait 1 erreur sur les données de validation et le modèle B en fait 3 ; le modèle A généralise donc mieux dans cet exemple.

💡 Astuce mémo

Réussir sur l'apprentissage ne suffit pas : comparer sur des données jamais vues.

📖 8. Erreur et généralisation

★ À maîtriser

📌 Les données d'apprentissage servent à ajuster le modèle, tandis que les données de validation servent à le choisir et à le régler.

📌 Un modèle doit réussir sur des cas nouveaux, et son choix ne doit pas reposer sur les données qui ont servi à l'entraîner.

• Au début de l'apprentissage, les résultats sur de nouveaux cas s'améliorent ; ensuite, l'apprentissage peut continuer à progresser tandis que les résultats de validation se dégradent, ce qui correspond au sur-apprentissage.

Compléments

• Dans le diagnostic proposé, le modèle A obtient 62 % en apprentissage et 60 % en validation et est qualifié de sous-apprentissage ; le modèle B obtient 91 % et 88 % et est un bon candidat ; le modèle C obtient 100 % et 57 % et est qualifié de sur-apprentissage.

💡 Astuce mémo

L’apprentissage progresse trop longtemps → la validation se dégrade : sur-apprentissage.

📖 9. Étapes de construction d'une IA utile

📝 Points essentiels

• 🔄 La construction d'une IA utile suit ces trois phases. :
  1. Avant : définir le problème.
  2. Pendant : construire le modèle.
  3. Après : décider et vérifier.

💡 Astuce mémo

Avant définir, pendant construire, après décider et vérifier.

📊 Tableaux de synthèse

Comparaison des approches d’IA