Les concepts clés de l'IA expliqués simplement
Une présentation claire et visuelle des principes utilisés par les intelligences artificielles
Un principe vraiment simple
Il y a deux approches pour faire des IA :
- Donner à la machine toutes les règles nécessaires pour effectuer les tâches demandées.
- Faire en sorte que la machine apprenne elle-même ces règles, en s’appuyant sur des données.
Cette deuxième approche est la plus utilisée aujourd'hui et on peut la synthétiser comme suit :
Pour que ce soit plus clair nous allons l'illustrer cette méthodologie avec un exemple simple : la prédiction du prix d'un appartement à partir de sa surface. Notre plan se passera en 3 phases.
Etape 1/3 : Collecte de données
Pour qu’une IA puisse apprendre, elle a besoin de données. Voici une liste fictive d’appartements avec leur surface et leur prix de vente passé :
| Donnée d'entrée Surface (m2) |
Donnée de sortie Prix de vente (€) |
|---|---|
| 50 | 105 000 |
| 62 | 130 000 |
| 74 | 190 000 |
| 102 | 290 000 |
Etape 2/3 : Entrainement du modèle
Vous l'avez déviné, le petit schéma plus haut repose sur le "modèle" qui est capable de transformer les données d'entrée en prédictions, classifications, génération de textes, etc. Mais comment crée-t-on ce "modèle" ?
Dans la phase d'entrainement, l'IA doit trouver de manière automatique dans les données que nous lui avons fournies les règles qui lui permettront de prédire le prix de vente d'un appartement à partir de sa surface. Ces règles seront consignées dans un modèle que nous pourrons utiliser par la suite pour faire des prédictions de prix à partir de la surface d'autres appartements.
Concrètement, comment cela fonctionne ?
Les IA réussisent cela par une méthode de test / erreur itérative. Voyons cela étape par étape :
(représentée ci-dessous par la ligne "prédictions")
- Appliquer ce prix à toutes les surfaces des données d'entranement
- Constater l'erreur total par rapport aux prix de vente des données d'entrainement
- Faire évoluer l'hypothèse de prix au m2 et recommencer
Exemple
- Initialement, l’hypothèse est que le prix au m² est de 1 000 €.
- En appliquant cette hypothèse, l’erreur totale (différence entre les prix réels et prédits) est de 427 000 €.
- L’IA ajuste l’hypothèse plusieurs fois jusqu’à minimiser cette erreur.
Ajustement itératif des paramètres
Légende
Appartements (y: prix, x: surface)
Prédictions avec le prix m2 en cours
Δ Delta entre le prix d'un appartement et l'estimation
Etape 3/3 : Utilisation du modèle
Le modèle contient les règles apprises lors du entrainement. Il peut être une chose aussi simple que la moyenne du prix au m2, ou aussi complèxe qu'un modèle de génération de vidéos à partir d'un texte.
Réprenons notre schéma de toute à l'heure :
Quelques exemples de modèles et son utilisation :
| Donnée d'entrée |
Modèle utilisé |
Donnée de sortie |
|---|---|---|
| 75 m2 | 2 600€/m2 Notre exemple avec un seul paramètre |
Prix de vente estimé : 150 000€ |
 |
Image à texte Milliards de paramètres |
Chat |
| "Liberté, égalité et " | Génération de texte Jusqu'à un trillion de paramètres |
fraternité |
 |
Son à texte Millions de paramètres |
Transcription et sous-titrage de vidéos |
Quelques enseignements
- Un exemple simple, un principe universel :
Notre exemple est volontairement simple et ne concerne qu'un paramètre ou dimmension, la surface. Le modèle ainsi calculé serait inutilisable en production car il ne tiendrai pas en compte le quartier, la ville, l'année, les taux d'intérêt, etc. Mais ce qui est intéressant est que le principe reste le même quel qu'il soit le nombre de paramètres pris en compte. - L’intelligence des IA est différente de la nôtre :
Même si ses prédictions sont justes à 100%, elle n'a pas la moindre idée de ce qui est un appartement et elle n'en a pas besoin. - Les IA ne travaillent qu’avec des nombres :
Pour fonctionner, tout doit être converti en données numériques : images, textes, sons, etc.
J'espère que cette courte introduction ait pu éclairer votre lanterne.