Glossaire et définitions de l'IA
1. L'intelligence artificielle
L'intelligence artificielle est l'un des termes généraux utilisés pour décrire la technologie. De nombreuses organisations cherchent à adopter l'IA sous une forme ou une autre, avec la promesse d'une réduction des coûts opérationnels et d'une augmentation des revenus. Il s'agit souvent d'un mot fourre-tout pour désigner de nouvelles approches qui s'accompagnent de vastes promesses.
L'intelligence artificielle peut être décrite de la manière la plus succincte comme un terme générique désignant tout système qui donne l'impression d'être intelligent. Elle est difficile à décrire mais intuitive à identifier pour les humains. L'intelligence artificielle n'est pas une mise en œuvre ou une technique spécifique, car elle peut inclure des éléments de programmation, d'analyse statistique et d'apprentissage automatique.
2. Science des données
La science des données est une discipline qui, comme son nom l'indique, adopte un point de vue empirique pour l'analyse et l'interprétation des données. Comme dans toute entreprise scientifique, il est impératif de formuler une hypothèse, d'examiner les données, de confirmer ou d'infirmer l'hypothèse et d'itérer. La science des données comprend un large éventail de techniques telles que l'analyse statistique et l'apprentissage automatique.
La science des données recoupe partiellement l'intelligence artificielle dans la mesure où les artefacts produits peuvent permettre la mise en place d'un système d'intelligence artificielle. Toutefois, il convient de noter que de nombreux résultats d'un projet de science des données peuvent être des interprétations de données qui ne relèveraient normalement pas de l'intelligence artificielle.
3. Big Data
Le Big Data est souvent assimilé à la quantité de données, mesurée en lignes dans une base de données ou en nombre total d'octets. Le volume de données n'est cependant pas la seule mesure. Le Big Data fait également référence à des données provenant de sources disparates, dans différents formats, qui sont interprétées de manière minimale et qui, souvent, ne se prêtent pas immédiatement au stockage dans une base de données relationnelle. La combinaison de ces facteurs conduit à l'adoption de nouvelles approches pour l'ingestion, le stockage et le traitement des données. La complexité des nouvelles approches des données constitue la base des concepts de Big Data.
4. L'analyse avancée
L'analytique avancée désigne un ensemble de méthodes d'analyse des données et de prédictions qui vont au-delà de celles de la veille stratégique traditionnelle. Les données historiques constituent le cœur de toute pratique d'analyse avancée, qui peut ensuite répondre à des questions prédictives pour informer les objectifs et les stratégies de l'entreprise. L'analyse avancée est utile pour modéliser des scénarios et des résultats commerciaux potentiels.
Un terme apparenté, l'analyse des données, est défini de manière plus étroite. Il se concentre sur l'extraction du sens des données, qui est une partie essentielle de l'analyse avancée. La science des données se concentre sur l'analyse des données et fait souvent appel à l'apprentissage automatique. Une équipe qui se concentre sur l'analyse avancée comprend probablement des rôles qui couvrent l'analyse des données, la science des données, la visualisation et la présentation des données.
5. L'apprentissage automatique
L'apprentissage automatique est une approche de la programmation dans laquelle l'ordinateur apprend en inspectant une large collection d'exemples. Le développeur choisit l'algorithme, fixe les hyperparamètres (paramètres d'apprentissage) et définit le résultat souhaité sous forme de métriques calculées sur la précision de la prédiction. Le développeur présente ensuite à ce cadre d'apprentissage un vaste ensemble de points de données. Ceux-ci sont utilisés pour affiner de manière itérative les algorithmes choisis jusqu'à ce qu'une précision suffisante soit atteinte. Le résultat de l'apprentissage à partir de ces exemples est un modèle d'apprentissage automatique.
Par exemple, si nous voulons catégoriser des images comme étant celles d'un chat domestique, nous entraînerons le modèle d'apprentissage automatique en utilisant des images de chats qui sont marquées comme des exemples positifs pour représenter ce que nous voulons apprendre. Ensuite, des images d'animaux apparentés, tels que des tigres et des lynx, seraient marquées comme exemples négatifs pour aider à restreindre la définition d'un chat.
De nombreux algorithmes peuvent être utilisés dans l'apprentissage automatique. Aucune discussion sur ce sujet ne serait complète si nous n'omettions pas deux des termes les plus courants : Réseaux neuronaux et Apprentissage profond. Sans plus attendre, nous vous présentons deux définitions bonus !
5A. Réseaux neuronaux
Les réseaux neuronaux, officiellement connus sous le nom de réseaux neuronaux artificiels, sont un ensemble d'algorithmes d'apprentissage automatique reposant sur une base commune. Le point commun entre les réseaux neuronaux est qu'ils s'inspirent du cerveau humain et de ses neurones biologiques. La structure de base d'un réseau neuronal comprend des nœuds connectés les uns aux autres pour former des couches entre l'entrée (données à inspecter) et la sortie (prédiction souhaitée).
Les chercheurs en apprentissage automatique ont découvert certaines structures de réseau qui permettent un apprentissage efficace pour certaines catégories de problèmes. Il existe de nombreuses structures possibles et, souvent, il n'est pas évident de déterminer laquelle est la plus efficace. La science des données, à l'aide d'expériences et d'analyses empiriques, peut aider à découvrir l'approche la plus efficace pour un problème donné.
5B. Apprentissage en profondeur
L'apprentissage en profondeur fait référence aux réseaux neuronaux d'une plus grande complexité, c'est-à-dire ceux qui comportent davantage de couches. Le degré plus élevé d'interconnexions entre les nœuds permet à l'apprentissage profond d'apprendre des problèmes plus complexes et de résoudre des questions prédictives qui dépassent les capacités des autres algorithmes d'apprentissage automatique.
Les réseaux neuronaux comprennent, au minimum, trois couches qui représentent l'entrée, la couche cachée de nœuds et la sortie. L'apprentissage profond désigne tout réseau neuronal comportant plus de trois couches, c'est-à-dire au moins deux couches cachées de nœuds.
Transformation de l'IA
J'espère que vous avez acquis une meilleure compréhension des termes les plus courants liés à l'intelligence artificielle. En vous engageant plus directement auprès de vos équipes techniques, vous pourrez repousser les limites des nouveaux développements pour votre organisation. J'aimerais connaître vos réussites et vos difficultés dans le développement d'initiatives en matière d'intelligence artificielle. Vous pouvez me joindre directement sur LinkedIn ou sur notre équipe à l'adresse Improving.
