Nous pensons que l’IA peut être bénéfique si les avantages qu’une entreprise peut en retirer ne s’opposent pas aux intérêts des usagers et des salariés.
Cet équilibre entre intérêts privés et collectifs ne peut être atteint que si l’IA est comprise et bien gérée.
L’IA encyclopédie est dédiée principalement à des non techniciens : managers, décideurs ou salariés d’une entreprise qui souhaitent monter en compétence sur les sujets IA.
Cette encyclopédie n’a pas pour objectif de former des techniciens. Nous n’enseignons pas à programmer l’IA mais à la comprendre.
Il s’agit de donner une large vision des domaines couverts par l’IA, de présenter les problématiques qui nous concernent déjà ainsi que celles qui se poseront dans un futur proche.
Les non spécialistes de l’IA qui seront amenés à l’utiliser, pourront ainsi mieux communiquer entre eux, mieux fédérer des équipes techniques et mettre en œuvre les meilleures solutions.
Nous explorerons les composantes de l’IA, les aspects théoriques du Machine Learning, les algorithmes, le Big Data et le Deep Learning ainsi que les principales applications pratiques.
Aucun bagage technique n’est nécessaire pour appréhender chaque rubrique. Seule celle qui, consacrée aux mathématiques de l’IA, regroupe les formules les plus utilisées en IA implique un minimum de connaissance en mathématiques. Mais elle n’est pas un prérequis pour aborder l’ensemble.
Enfin, pour ceux qui souhaitent approfondir leurs connaissances, des formations (disponibles en présentiel ou en distanciel) sont proposées par l’IA ACADEMIE, en complément de cette encyclopédie.
Dans cette rubrique, nous passons en revue les définitions de l’IA, ses succès et ses échecs jusqu’à son explosion récente.
Cette rubrique relate les événements forts de l’IA, de l’année 2016 à l’année 2018.
Cette rubrique relate les événements forts de l’IA, de l’année 2019 à l’année 2021.
Cette rubrique passe en revue le test de Turing, la loi de Moore et les dernières avancées en matière de miniaturisation.
Cette rubrique décrit le fonctionnement du Big Data et ses avantages par rapport aux bases de données classiques.
Cette rubrique est une introduction aux algorithmes du Machine Learning. Chacun d’entre eux sera abordé dans une rubrique spécifique.
Les différents types d’apprentissage : supervisé, non supervisé et par renforcement sont définis et commentés dans cette rubrique.
Cette rubrique décrit le phénomène de surapprentissage et comment s’en prémunir.
Le plus simple des algorithmes, très utile lorsque les relations entre variables suivent une droite ou un hyperplan en dimension supérieure à 2.
Ce sont deux algorithmes de classification. L’un fait appel à la théorie des probabilités. L’autre utilise la géométrie et l’algèbre linéaire.
Cette rubrique présente le fonctionnement de la méthode des K-means qui identifie des groupes homogènes sans définition a priori.
La méthode de Bayes est un des principaux fondements de la théorie des probabilités.
Elle consiste à rechercher les individus les plus proches au vu de critères spécifiques.
L’algorithme des arbres de décision permet d’optimiser la lecture de tableaux complexes et est à l’origine de la création des forêts aléatoires et du boosting.
A partir de l’échantillon d’entraînement, on tire au sort des sous-échantillons sur lesquels on construit des modèles de prédiction appelés modèles faibles qui fonctionnent soit en parallèle, soit en séquentiel.
Lorsque les liens entre variables sont trop complexes, on change l’espace afin de se ramener à un hyperplan séparateur.
Cette rubrique détaille les caractéristiques des réseaux de neurones à une ou plusieurs couches, l’agrégation, les fonctions de transfert ou d’activation ainsi que le mécanisme de propagation avant.
Cette rubrique décrit le fonctionnement des réseaux de neurones convolutifs (en anglais CNN Convolutional Neural Network), les opérations de convolution, de pooling et de Relu.
Les bases mathématiques nécessaires aux algorithmes sont passées en revue, pour ceux qui veulent approfondir les concepts utilisés.
Il s’agit de la méthode de minimisation du gradient appliquée aux réseaux de neurones profonds.
Cette rubrique fait l’inventaire du matériel nécessaire à la mis en place de l’IA, à savoir les librairies de programme et les nouvelles générations de processeurs.
Les applications majeures du Machine Learning (hors Deep Learning) sont décrites dans cette rubrique.
Dans cette rubrique, nous décrivons les applications du Deep Learning aux phénomènes visuels.
Les applications majeures du Deep Learning au langage sont décrites dans cette rubrique.
On trouvera dans cette rubrique une présentation des réseaux de neurones génératifs, de conception récente et capables notamment de réaliser des créations artistiques.
Cette rubrique présente les différents types d’agents conversationnels : chatbots, conseillers virtuels et enceintes connectées.
Cette rubrique est consacrée à la robotique, aux différents types de robots et à leurs usages.
Cette rubrique décrit les composantes techniques des véhicules autonomes et leur fonctionnement.
Le marketing One to One peut enfin devenir une réalité avec l’IA. Cette rubrique explique comment y parvenir.
Cette rubrique pose les problématiques juridiques relatives à l’IA et présente les fondements de la justice prédictive.
L’étude du cerveau est un prérequis indispensable afin de faire évoluer l’IA. Cette rubrique fait part des premiers travaux sur une théorie du cerveau.
Les développements récents sur l’utilisation de la mécanique quantique en informatique sont décrits dans cette rubrique.
Dans cette rubrique, nous exposons les réflexions sur la singularité et le transhumanisme technologique.
Cette rubrique a pour objet de proposer une réflexion autour des sujets IA et de ses différents acteurs, que ce soit les entreprises ou les usagers, à partir de l’observation de l’état de l’art et des tendances actuelles.
Cette rubrique a pour objet d’examiner les effets de l’IA sur les usagers et le management.
Cette rubrique propose un panorama chiffré des géants du numérique utilisant l’IA.
La programmation des modèles prédictifs à la base du Machine et du Deep Learning s’est modernisée et simplifiée. Cette rubrique relate cette évolution à partir d’un exemple.
Cette rubrique a pour objet l’étude du concept de « ville intelligente », comprenant l’analyse des expériences déjà conduites afin d’en dégager des pistes de généralisation pour l’avenir.
Cette rubrique décrit le fonctionnement des neurones biologiques, comment le message nerveux circule d’un neurone à un autre, processus à la base des ordinateurs neuromorphiques.
On trouvera dans cette rubrique une synthèse des définitions des principaux termes récurrents de l’IA avec un focus particulier sur les algorithmes.
Cette rubrique présente la contribution de l’IA dans le secteur des assurances notamment dans la gestion de patrimoine et l’assurance vie. Elle permet également aux adhérents de l’ANACOFI de valider des heures de formation (voir conditions au sein de la rubrique).
