L’IA est un domaine, pas une technologie unique
Elle réunit règles, recherche, planification, optimisation, probabilités, apprentissage automatique et hybrides. La méthode suffisante la plus simple est souvent la plus fiable.
Académie Aura
Section 1 · Fondations
IA, machine learning et deep learning
L’intelligence artificielle est le domaine général. Le machine learning apprend des régularités à partir de données ; le deep learning emploie des réseaux de neurones profonds pour apprendre des représentations. Un produit utile est un système plus large autour du modèle.
Débutant20 minutes
À la fin, vous saurez
- Distinguer IA, machine learning, deep learning, modèle et système complet.
- Reconnaître les apprentissages supervisé, auto-supervisé et par renforcement.
- Choisir une baseline avant de recourir à un grand modèle.
Cinq fondations
Un modèle n’est pas le produit
Le modèle transforme des entrées en sorties. Le produit comprend aussi données, interfaces, permissions, supervision, solution de repli et décisions humaines.
Apprendre signifie ajuster à partir de preuves
Le supervisé utilise des exemples étiquetés ; l’auto-supervisé crée son signal depuis les données brutes ; le renforcement emploie des récompenses issues de l’interaction.
Le deep learning apprend des représentations
Des couches de neurones transforment l’entrée en caractéristiques internes utiles. L’entraînement ajuste les paramètres selon les gradients qui réduisent une fonction de perte.
La généralisation est le vrai test
Une faible erreur d’entraînement ne suffit pas. Le modèle doit réussir sur des cas pertinents et inédits, sans fuite de données ni raccourcis fragiles.
Une boucle d’apprentissage compacte
- 01
Définir la tâche
- 02
Réunir les preuves
- 03
Entraîner ou configurer
- 04
Tester l’inédit
- 05
Surveiller l’usage
Règles, ML classique et deep learning peuvent coexister. L’architecture suit la tâche, les données, le risque, la latence et le coût, pas la mode.
Confusions fréquentes
- Appeler toute automatisation « IA » masque si elle suit des règles, cherche, prédit ou apprend.
- Un score de benchmark ne garantit rien sur vos utilisateurs, langues, données ou modes de panne.
- AGI et ASI sont des objectifs de capacité débattus, pas des propriétés démontrées des modèles généralistes actuels.
Exercice : classer un système
Choisissez une fonction IA que vous utilisez et dessinez sa chaîne réelle.
- Nommer l’entrée, la sortie, le modèle ou la règle et les composants du produit.
- Identifier ce qui a été appris, à partir de quelles preuves, et ce qui reste codé.
- Formuler un test inédit et une baseline plus simple.
Vérification rapide
Tout système IA est-il un système de deep learning ?
Non. L’IA comprend aussi règles, recherche, planification, optimisation, ML classique et systèmes hybrides.
Pourquoi la performance de test compte-t-elle plus que celle d’entraînement ?
Parce qu’un système utile doit généraliser à des cas pertinents qu’il n’a pas mémorisés pendant l’entraînement.
Quelle différence entre un modèle et un produit IA ?
Le modèle produit une prédiction ; le produit ajoute flux de données, interface, permissions, contrôles, supervision et reprise.
Mots-clés à connaître
- IA
- algorithme
- modèle
- données
- paramètre
- entraînement
- perte
- gradient
- généralisation
- surapprentissage