{"id":17337,"date":"2023-04-14T15:05:54","date_gmt":"2023-04-14T13:05:54","guid":{"rendered":"https:\/\/golem.ai\/?p=17337"},"modified":"2023-09-13T10:57:26","modified_gmt":"2023-09-13T08:57:26","slug":"ia-symbolique-machinelearning-nlp","status":"publish","type":"post","link":"https:\/\/miralia.ai\/fr\/blog\/technologie\/ia-symbolique-machinelearning-nlp","title":{"rendered":"Intelligence artificielle symbolique et machine learning, l’essor des technologies disruptives"},"content":{"rendered":"\n

D\u00e9finie par le parlement Europ\u00e9en comme la \u201creproduction des comportements li\u00e9s aux humains, tels que le raisonnement, la planification et la cr\u00e9ativit\u00e9\u201d, l\u2019intelligence artificielle s\u2019initie de fa\u00e7on spectaculaire dans nos vies. Th\u00e9oris\u00e9e au milieu des ann\u00e9es 50, plusieurs approches technologiques coexistent telles que l\u2019approche machine learning dite statistique bas\u00e9e sur l\u2019apprentissage automatique, ou l\u2019approche symbolique bas\u00e9e sur l\u2019interpr\u00e9tation et la manipulation des symboles. Mais comment se diff\u00e9rencient ces approches ? Et pour quels usages ?<\/em><\/strong><\/p>\n\n\n\n

L\u2019intelligence artificielle, une histoire ancienne<\/h2>\n\n\n\n

Entre les ann\u00e9es 1948 et 1966, l’Intelligence Artificielle a connu un essor rapide, stimul\u00e9 par des financements importants du gouvernement am\u00e9ricain<\/strong> pour des projets de recherche sur l’IA, notamment en linguistique. Des progr\u00e8s significatifs ont \u00e9t\u00e9 r\u00e9alis\u00e9s dans la r\u00e9solution de probl\u00e8mes de logique symbolique<\/strong>, mais la capacit\u00e9 de l’IA \u00e0 traiter des donn\u00e9es complexes et impr\u00e9cises \u00e9tait encore limit\u00e9e.<\/p>\n\n\n\n

A la fin des ann\u00e9es 70<\/strong>, plus pr\u00e9cis\u00e9ment lors du deuxi\u00e8me \u201c\u00e9t\u00e9 de l\u2019IA\u201d entre 1978 et 1987,  l\u2019IA conna\u00eet un regain d’int\u00e9r\u00eat. Les chercheurs ont commenc\u00e9 \u00e0 explorer de nouvelles approches, notamment l’utilisation de r\u00e9seaux neuronaux et de syst\u00e8mes experts. Les r\u00e9seaux neuronaux sont des mod\u00e8les de traitement de l’information inspir\u00e9s par le fonctionnement du cerveau humain, tandis que les syst\u00e8mes experts sont des programmes informatiques qui simulent l’expertise humaine dans un domaine sp\u00e9cifique.<\/p>\n\n\n\n

Il faudra attendre la fin des ann\u00e9es 90<\/strong> pour voir un renouveau de ces domaines scientifiques, stimul\u00e9 par des avanc\u00e9es majeures dans le traitement des donn\u00e9es et les progr\u00e8s de l’apprentissage automatique. C\u2019est d\u2019ailleurs dans cette p\u00e9riode qu\u2019une IA, Deepblue, gagne contre le champion mondial Garry Kasparov aux \u00e9checs. <\/p>\n\n\n\n

Au cours des derni\u00e8res ann\u00e9es<\/strong>, cette technologie a connu une croissance exponentielle, stimul\u00e9e par des progr\u00e8s majeurs dans le deep learning, la robotique ou la compr\u00e9hension du langage naturel (NLU). L’IA est maintenant utilis\u00e9e dans un large \u00e9ventail de domaines, notamment la m\u00e9decine, l’agriculture, l’industrie et les services. C\u2019est aujourd\u2019hui un moteur cl\u00e9 de l’innovation et de la transformation de notre monde, accentu\u00e9 par l\u2019essor des IA g\u00e9n\u00e9ratives<\/a>. <\/p>\n\n\n\n

Parmi ces innovations, deux grandes approches en intelligence artificielle sont aujourd\u2019hui utilis\u00e9es : <\/p>\n\n\n\n

    \n
  1. Le Machine Learning <\/strong>: qui est un syst\u00e8me d\u2019apprentissage automatique bas\u00e9 sur l’exploitation de donn\u00e9es, imitant un r\u00e9seau neuronal<\/li>\n\n\n\n
  2. L\u2019IA Symbolique <\/strong>: qui se base sur un syst\u00e8me d\u2019exploitation de \u201csymboles\u201d, ce qui inspire des technologies comme le \u201csyst\u00e8me expert\u201d bas\u00e9 sur une suite de r\u00e8gles par exemple.<\/li>\n<\/ol>\n\n\n\n

    Mais comment fonctionnent ces deux approches et quels sont leurs avantages et leurs inconv\u00e9nients ? Quels sont leurs champs d\u2019application ? Peuvent-ils \u00eatre compl\u00e9mentaires ?<\/p>\n\n\n\n

    Le machine learning<\/strong><\/h2>\n\n\n\n

    Qu\u2019est-ce que le Machine Learning ?  <\/h3>\n\n\n\n

    Le Machine Learning est le courant le plus populaire ces derni\u00e8res ann\u00e9es, il est notamment \u00e0 l’origine de ChatGPT ou bien MidJourney, qui font beaucoup parler d\u2019eux ces derniers temps. Le Machine Learning (ML)<\/strong> est une famille de m\u00e9thodes d’apprentissage automatique qui permet aux ordinateurs d’apprendre \u00e0 partir de donn\u00e9es, sans \u00eatre explicitement programm\u00e9s. En utilisant des algorithmes, le ML permet aux ordinateurs de comprendre les structures et les relations dans les donn\u00e9es et de les utiliser pour prendre des d\u00e9cisions.<\/strong><\/p>\n\n\n\n

    Le ML consiste \u00e0 entra\u00eener des mod\u00e8les informatiques sur de vastes ensembles de donn\u00e9es<\/strong>. Ces mod\u00e8les sont des algorithmes auto apprenant se basant sur des \u00e9chantillons de donn\u00e9es, tout en d\u00e9terminant des sch\u00e9mas et des relations\/corr\u00e9lations entre elles. Le processus d’entra\u00eenement consiste \u00e0 fournir \u00e0 l’algorithme des donn\u00e9es \u00e9tiquet\u00e9es<\/strong>, c’est-\u00e0-dire des donn\u00e9es qui ont d\u00e9j\u00e0 \u00e9t\u00e9 classifi\u00e9es ou \u00e9tiquet\u00e9es pour leur attribuer une signification. L’algorithme apprend ensuite \u00e0 associer les caract\u00e9ristiques des donn\u00e9es \u00e9tiquet\u00e9es aux cat\u00e9gories d\u00e9finies en amont. Il existe cependant une approche non-supervis\u00e9e qui consiste \u00e0 d\u00e9couvrir ce que sont les \u00e9tiquettes elles-m\u00eames (ex: t\u00e2che de clustering).<\/p>\n\n\n\n

    Traditionnellement, le machine learning se divise en 4 sous-cat\u00e9gories : <\/span><\/strong><\/p>\n\n\n\n

    Apprentissage supervis\u00e9 <\/strong>:\u00a0<\/span><\/p>\n\n\n\n

    Les ensembles de donn\u00e9es sont \u00e9tiquet\u00e9s, ce qui permet \u00e0 l’algorithme de trouver des corr\u00e9lations et des relations entre les caract\u00e9ristiques des donn\u00e9es et les \u00e9tiquettes correspondantes. <\/p>\n\n\n\n

    Apprentissage non supervis\u00e9 <\/strong>:\u00a0<\/span><\/p>\n\n\n\n

    Les ensembles de donn\u00e9es ne sont pas \u00e9tiquet\u00e9s et l’algorithme doit d\u00e9couvrir les \u00e9tiquettes par lui-m\u00eame. <\/p>\n\n\n\n

    Apprentissage semi-supervis\u00e9<\/strong> :\u00a0<\/span><\/p>\n\n\n\n

    L’algorithme utilise un m\u00e9lange de donn\u00e9es \u00e9tiquet\u00e9es et non \u00e9tiquet\u00e9es pour l’entra\u00eenement.<\/p>\n\n\n\n

    Apprentissage par renforcement :\u00a0<\/span><\/strong><\/p>\n\n\n\n

    L\u2019algorithme apprend \u00e0 prendre des d\u00e9cisions en interagissant avec son environnement. Il re\u00e7oit des r\u00e9compenses ou des p\u00e9nalit\u00e9s pour chaque action, ce qui lui permet d’ajuster sa strat\u00e9gie pour maximiser sa r\u00e9compense globale.<\/p>\n\n\n\n

    Un exemple d’application du Machine Learning est la reconnaissance d’images. Des mod\u00e8les d’apprentissages profonds sont entra\u00een\u00e9s sur des millions d’images pour apprendre \u00e0 reconna\u00eetre des objets, des personnes, des animaux, etc. Un autre exemple est la pr\u00e9diction de la demande dans le commerce de d\u00e9tail, o\u00f9 des mod\u00e8les sont entra\u00een\u00e9s sur des donn\u00e9es de ventes pass\u00e9es pour pr\u00e9dire les ventes futures.<\/p>\n\n\n\n

    Quels sont les avantages ? <\/h3>\n\n\n\n

    \u00c9tant entra\u00een\u00e9 sur un vaste corpus de donn\u00e9es, le ML permet de pr\u00e9dire des tendances en fonction de donn\u00e9es.  <\/p>\n\n\n\n