Découvrez les mots-clé indispensables pour s’y retrouver dans l’univers des machines intelligentes.
Glossaire rédigé par Marie-Madeleine Sève, journaliste, avec l’aide d’EURODECISION, pour le magazine Management Magazine (n°282, février 2020).
Algorithme
Ensemble d’instructions données à une machine ou à un programme informatique pour résoudre méthodiquement un problème. L’algorithme exécute des processus répétitifs, décomposés en étapes ou en tâches. Un algorithme adaptatif est capable de modifier ses réponses ou les données qu’il traite en fonction de l’évolution de son environnement.
Bot
Logiciel qui effectue automatiquement une tâche spécifique. A distinguer du robot, qui suppose une enveloppe « physique », avec des contraintes mécaniques.
Chatbot/cobot
Le chatbot est un bot conversationnel (de l’anglais chat, « bavarder »), donc un logiciel capable de comprendre les questions d’un utilisateur et de lui apporter des réponses en langage écrit ou oral. Le cobot est un bot collaboratif, et parfois un robot, qui assiste un humain dans une tâche précise.
Machine learning (apprentissage automatique)
Discipline de l’informatique qui rassemble les techniques d’apprentissage des machines à partir de données diverses (texte, images…). A l’aide de méthodes mathématiques et statistiques, il s’agit pour la machine de réaliser des corrélations entre les données fournies afin de lui permettre d’établir des règles de classification, de perception et de prévision. Par exemple, pour différencier un panneau de signalisation d’un piéton.
IA faible/ IA forte
L’IA faible désigne une machine capable de résoudre des problèmes dans un domaine précis, comme les échecs ou la cuisine, à l’exclusion des autres. L’IA forte, dite aussi généraliste, pourrait, elle, s’adapter à n’importe quel environnement, induisant l’idée d’une conscience artificielle, voire d’une intentionnalité dans le choix de ses options. Cela relève de la science-fiction pour la plupart des experts, mais pas tous !
Deep learning (apprentissage profond)
Branche de l’apprentissage automatique fondée sur des réseaux de neurones artificiels. Le deep learning utilise le calcul de probabilités pour analyser et catégoriser d’importantes masses de données. Cette approche est dite connexionniste par opposition à l’approche symbolique des systèmes experts (voir plus bas). Le deep learning est à l’origine des progrès fulgurants de l’IA dans la reconnaissance de la parole et des images. Mais l’usage des probabilités dans l’analyse des données ne permet pas « d’expliquer » à 100% les choix de la machine.
Cette discipline dans le domaine des mathématiques explore la façon de déterminer la décision la plus adaptée face à une problématique complexe. Par exemple, pour choisir l’itinéraire le plus court entre deux points, avec des contraintes de budget et des encombrements mouvants. L’IA apprécie ce type de méthodes et modèles mathématiques.
Réseau de neurones
Succession de micro-calculs mathématiques ou statistiques qui s’ « alimentent » les uns les autres, tel un réseau de neurones biologiques dans le cerveau humain. Lorsqu’ils sont dotés d’une base suffisante d’exemples et « coachés » par un algorithme d’apprentissage, ces réseaux de neurones peuvent comparer et rapprocher un nouveau cas d’un autre qui figure dans leur base de données. Par exemple, pour reconnaître un chien dans une boule de poils avec des pattes.
Système expert (ou système à base de règles)
Ce logiciel donne des recommandations à partir de règles fournies par des experts humains : procédures métier, normes, etc. Cette IA est dite symbolique, car elle travaille selon des principes et un raisonnement formels. Elle sait par exemple calculer des primes d’assurance ou signaler une anomalie dans une grille horaire de trains ou d’avions.