Qu’est-ce que l’Intelligence Artificielle ?

Le même mot sert aujourd’hui à désigner un correcteur orthographique, un moteur de recommandation, un système de diagnostic médical et un générateur de texte. Ces quatre programmes n’ont presque aucune technique en commun. Quand une expression recouvre des objets aussi différents, elle finit par ne plus rien dire — et c’est exactement le problème auquel se heurte quiconque essaie d’évaluer une annonce, un produit ou une offre d’emploi qui contient les lettres « IA ».

Cette confusion a un coût concret. Sans vocabulaire précis, impossible de distinguer un système qui applique des règles écrites par un humain d’un système qui a déduit ses règles de milliers d’exemples. Or les deux ne se trompent pas de la même manière, ne se corrigent pas de la même manière, et n’engagent pas la même responsabilité. On ne débogue pas une statistique comme on débogue une condition if.

Cette leçon installe ce vocabulaire. Nous verrons d’où vient le terme, pourquoi deux traditions de recherche se sont opposées pendant trente ans avant qu’une seule ne prenne le dessus, comment s’emboîtent les trois expressions que l’on confond le plus souvent — intelligence artificielle, apprentissage automatique, apprentissage profond — et surtout où se situent aujourd’hui les limites réelles de ces systèmes.

Ce dernier point est le plus utile. Savoir ce qu’une technique ne sait pas faire est ce qui distingue un praticien d’un spectateur.

Une définition qui tient debout

Il n’existe pas de définition unique et consensuelle de l’intelligence artificielle. Celle qui résiste le mieux à l’usage est fonctionnelle : on parle d’IA quand un programme accomplit une tâche pour laquelle personne n’a su écrire la règle à appliquer, ou pour laquelle cette règle serait trop longue à énumérer.

Le terme naît en 1956, lors d’un atelier de recherche d’été organisé à Dartmouth College. C’est John McCarthy qui forge l’expression artificial intelligence dans la proposition de financement rédigée l’année précédente. Six ans plus tôt, en 1950, Alan Turing avait publié dans la revue Mind l’article « Computing Machinery and Intelligence », qui contourne la question « une machine peut-elle penser ? » en la remplaçant par un protocole observable : un interlocuteur humain peut-il distinguer, par écrit, une machine d’une personne ?

Ce déplacement est astucieux mais il a un effet secondaire : il assimile l’intelligence à la production de réponses plausibles. Or produire du plausible est parfaitement réalisable sans rien comprendre.

# Un « agent conversationnel » de 1966 tient en quelques lignes.
REGLES = {
    "bonjour": "Bonjour. De quoi voulez-vous parler ?",
    "je suis triste": "Depuis quand vous sentez-vous triste ?",
}

def repondre(phrase):
    return REGLES.get(phrase.lower().strip(), "Pouvez-vous reformuler ?")

print(repondre("Bonjour"))          # Bonjour. De quoi voulez-vous parler ?
print(repondre("je suis épuisé"))   # Pouvez-vous reformuler ?

Le premier échange paraît crédible. Le second révèle la mécanique : « je suis épuisé » est pourtant très proche de « je suis triste », mais le dictionnaire ne contient pas cette clé exacte, donc le programme se rabat sur sa phrase passe-partout. Il n’a aucune notion de proximité de sens. C’est le principe de ELIZA, le programme écrit par Joseph Weizenbaum au MIT en 1966, dont les utilisateurs prêtaient spontanément une compréhension qu’il n’avait pas.

Cette définition fonctionnelle a une conséquence amusante, connue sous le nom d’effet IA : dès qu’un problème est résolu de façon fiable, on cesse de l’appeler intelligence artificielle. La reconnaissance de caractères, le calcul d’itinéraire, la détection de fraude bancaire ou le jeu d’échecs étaient des sujets d’IA. Ce sont aujourd’hui des logiciels. L’expression désigne toujours la frontière mouvante de ce que l’on ne sait pas encore bien faire.

Deux traditions : écrire les règles ou apprendre des exemples

Pendant les trente premières années, la voie dominante consiste à écrire explicitement la connaissance. On appelle cela l’IA symbolique : le savoir d’un domaine est encodé sous forme de faits et de règles logiques, et un moteur d’inférence les enchaîne.

Cette approche a produit des résultats réels. Les systèmes experts des années 1970 et 1980, comme MYCIN à Stanford pour le diagnostic d’infections bactériennes, atteignaient sur leur domaine restreint une qualité comparable à celle de spécialistes humains. En 1997, le programme Deep Blue battait le champion du monde Garry Kasparov aux échecs, essentiellement par exploration d’arbre de jeu et fonction d’évaluation écrite à la main : aucun apprentissage.

Deux obstacles ont bloqué cette voie. D’abord l’explosion combinatoire : le nombre de règles nécessaires croît bien plus vite que la couverture obtenue. Ensuite le goulot d’acquisition de la connaissance : il faut un expert humain disponible, capable d’expliciter ce qu’il sait. Pour reconnaître un chat sur une photo, personne n’a jamais réussi à écrire ces règles — parce que personne ne sait comment il fait lui-même.

L’autre tradition renverse le problème : plutôt que d’écrire la règle, on fournit des exemples et on laisse un algorithme ajuster la règle.

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

messages = [
    "gagnez 1000 euros maintenant",
    "cliquez ici pour recevoir votre cadeau",
    "reunion projet demain 14h",
    "compte rendu de la reunion en piece jointe",
]
etiquettes = [1, 1, 0, 0]          # 1 = indésirable, 0 = légitime

# Chaque message devient un vecteur de comptages de mots.
vectoriseur = CountVectorizer()
X = vectoriseur.fit_transform(messages)

modele = MultinomialNB().fit(X, etiquettes)

# Une phrase jamais vue, composée de mots vus dans les indésirables.
nouveau = vectoriseur.transform(["gagnez votre cadeau maintenant"])
print(modele.predict(nouveau))     # [1]
print(len(vectoriseur.vocabulary_))  # 21

Personne n’a écrit la règle « si le message contient gagnez et cadeau, alors indésirable ». Elle a été déduite des comptages. Le chiffre à retenir est le dernier : quatre messages produisent déjà 21 mots de vocabulaire. Sur un corpus réaliste de dizaines de milliers de messages, le vocabulaire atteint des dizaines de milliers d’entrées, et le modèle pondère chacune. Écrire ces pondérations à la main n’est pas difficile : c’est impossible.

Il serait malhonnête d’en conclure que l’approche symbolique a été réfutée. Elle est très vivante là où la garantie compte plus que la souplesse : solveurs de contraintes, planification, vérification formelle de logiciels, moteurs de règles métier. Un système de production combine souvent les deux — un modèle appris pour la perception, des règles explicites pour les décisions à justifier.

IA, apprentissage automatique, apprentissage profond

Ces trois expressions ne sont pas synonymes. Elles s’emboîtent.

┌──────────────────────────────────────────────────────┐
│ INTELLIGENCE ARTIFICIELLE                            │
│ Faire accomplir à une machine une tâche dont la      │
│ règle n'est pas écrite. Inclut la logique, la        │
│ recherche dans un arbre, les systèmes experts.       │
│                                                      │
│   ┌──────────────────────────────────────────────┐   │
│   │ APPRENTISSAGE AUTOMATIQUE (machine learning) │   │
│   │ La règle est ajustée à partir de données.    │   │
│   │ Régression, arbres, forêts, SVM, bayésien.   │   │
│   │                                              │   │
│   │   ┌──────────────────────────────────────┐   │   │
│   │   │ APPRENTISSAGE PROFOND (deep learning)│   │   │
│   │   │ Réseaux de neurones à nombreuses     │   │   │
│   │   │ couches. Images, texte, son.         │   │   │
│   │   └──────────────────────────────────────┘   │   │
│   └──────────────────────────────────────────────┘   │
└──────────────────────────────────────────────────────┘

La lecture du schéma se vérifie sur des cas concrets :

La dernière ligne mérite attention : un programme peut être complexe, automatisé et utile sans relever de l’IA. Si la règle est écrite et connue, c’est du logiciel.

Le basculement vers l’apprentissage profond a une date de référence : en 2012, un réseau convolutif appelé AlexNet remporte le concours de reconnaissance d’images ImageNet avec un taux d’erreur top-5 d’environ 15 %, contre environ 26 % pour la meilleure méthode concurrente. Un écart de cette taille, sur un concours établi, a réorienté le domaine en quelques mois. Les idées n’étaient pourtant pas neuves : le perceptron de Frank Rosenblatt date de 1957, la rétropropagation est popularisée en 1986. Ce qui a changé, c’est la quantité de données annotées disponibles et la puissance de calcul des cartes graphiques.

Deux hivers, et ce qu’ils enseignent

L’histoire de l’IA n’est pas une progression continue. Elle alterne des phases d’enthousiasme, de financement abondant et de promesses publiques, avec des phases de désillusion appelées hivers de l’IA, où les budgets et l’intérêt s’effondrent.

Deux enseignements se dégagent de ce cycle, et ils sont directement utiles aujourd’hui.

Le premier est que les hivers ont suivi des promesses datées et non tenues, pas des échecs techniques. Les travaux de recherche ont continué pendant les deux hivers ; ce qui s’est effondré, c’est la crédibilité d’annonces trop précises sur des calendriers. Une leçon d’hygiène intellectuelle : la prudence porte sur les dates et les échéances, rarement sur la direction.

Le second est que la difficulté ne se répartit pas comme l’intuition le suggère. Les tâches que les humains trouvent difficiles et prestigieuses — jouer aux échecs, intégrer une fonction, retenir une base de données — se sont révélées les plus faciles à automatiser. Les tâches que n’importe quel enfant maîtrise — reconnaître un objet partiellement caché, saisir un verre, comprendre une consigne implicite — ont résisté des décennies. Ce renversement, souvent appelé paradoxe de Moravec, prédit mieux la faisabilité d’un projet que n’importe quelle intuition sur la « complexité » apparente d’une tâche.

Ce que l’IA ne sait pas faire

Un modèle appris n’a pas de connaissance du monde : il a une régularité statistique extraite d’un échantillon. Tout ce qui sort de cet échantillon est hors de son domaine de validité, et rien dans le modèle ne signale ce franchissement.

import numpy as np
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression

iris = load_iris()   # 150 fleurs, 4 mesures, 3 espèces
modele = LogisticRegression(max_iter=200).fit(iris.data, iris.target)

# Des dimensions qui ne correspondent à aucun iris : plutôt un tournesol.
absurde = np.array([[40.0, 25.0, 60.0, 15.0]])
print(modele.predict(absurde))                 # [2]
print(modele.predict_proba(absurde).round(3))  # [[0. 0. 1.]]

Le modèle répond « virginica », avec une probabilité arrondie à 1. Il ne dispose d’aucun mécanisme pour répondre « cet objet ne ressemble à rien de ce que j’ai vu ». Il a appris à découper l’espace des mesures en trois régions, et tout point tombe nécessairement dans une région. Une probabilité élevée mesure la position dans ce découpage, pas la fiabilité de la réponse.

Trois autres limites, structurelles plutôt qu’anecdotiques :

• Pas de causalité. Un modèle capte des associations. S’il a appris que la présence de parapluies prédit la pluie, il prédira correctement sans jamais pouvoir dire que retirer les parapluies ne changera pas la météo. Distinguer corrélation et causalité demande soit une intervention expérimentale, soit des hypothèses ajoutées de l’extérieur.
• Pas d’objectif propre. Un modèle optimise la quantité qu’on lui a donnée à optimiser. Un système de recommandation entraîné à maximiser le temps passé maximisera le temps passé, y compris par des moyens que personne n’avait prévus.
• Aucune vérification de ce qui est produit. Un modèle de langue est entraîné à produire une suite plausible de mots, pas une suite vraie. C’est le mécanisme de ce que l’on appelle l’hallucination, que nous démonterons pièce par pièce dans la leçon sur le traitement du langage.

Enfin, l’écart le plus fréquent en pratique n’est pas technique mais de formulation :

Chaque ligne de ce tableau est un projet réel qui a échoué. Aucune n’est un défaut d’algorithme : ce sont des erreurs de cible, et elles se corrigent en amont du code.

À retenir

• On parle d’IA quand un programme accomplit une tâche dont la règle n’a pas été écrite explicitement. La frontière bouge : ce qui marche de façon fiable finit par s’appeler « logiciel ».
• Deux traditions coexistent : écrire les règles (IA symbolique, systèmes experts, solveurs) et les faire déduire de données (apprentissage automatique). La seconde domine depuis les années 1990, la première reste indispensable quand il faut garantir et justifier.
• Les trois termes s’emboîtent : l’apprentissage profond est une partie de l’apprentissage automatique, lui-même une partie de l’IA. Tout système d’IA n’apprend pas, et tout logiciel automatisé n’est pas de l’IA.
• Un modèle appris ne connaît que son échantillon. Il répond avec la même assurance dans son domaine de validité et en dehors, et une probabilité élevée n’est pas une garantie de justesse.
• L’échec le plus courant vient du choix de la quantité optimisée, pas de l’algorithme : la machine atteint exactement l’objectif qu’on lui a fixé, y compris quand ce n’était pas celui qu’on voulait.