Qu'est-ce que l'intelligence artificielle ? — Introduction à l'intelligence artificielle

Table des matières

Bienvenue

L'expression « intelligence artificielle » est employée aujourd'hui pour désigner des choses radicalement différentes : un filtre anti-spam, un correcteur orthographique, une voiture qui se gare seule, un programme qui rédige un contrat. Ces systèmes n'ont ni les mêmes principes, ni les mêmes limites, ni les mêmes risques.

Ce premier chapitre pose le vocabulaire. À l'issue, vous saurez situer précisément de quoi l'on parle quand un fournisseur annonce « une solution basée sur l'IA ».

Une définition utilisable

Il n'existe pas de définition unique et universellement admise. Celle qui rend le plus service en pratique est la suivante :

Un système d'intelligence artificielle est un programme capable d'accomplir une tâche qui, réalisée par un humain, demanderait de l'intelligence — et qui améliore son comportement à partir de l'expérience plutôt que par une réécriture de son code.

Le second membre de la phrase est le plus important. Un logiciel de paie applique des règles écrites par un développeur : chaque cas particulier a été prévu et codé. Un détecteur de fraude bancaire, lui, a été entraîné sur des millions de transactions ; personne n'a écrit la règle « si le montant dépasse X et le pays est Y, alors alerte ». Le système l'a dégagée seul.

C'est ce déplacement — des règles écrites vers les régularités apprises — qui distingue l'IA moderne de l'informatique classique.

Les trois cercles concentriques

On confond souvent trois termes qui s'emboîtent :

Terme	Portée	Exemple
Intelligence artificielle	l'ensemble du domaine, y compris les systèmes à base de règles	un moteur d'échecs des années 1980
Apprentissage automatique (machine learning)	les systèmes qui apprennent à partir de données	un filtre anti-spam
Apprentissage profond (deep learning)	l'apprentissage automatique fondé sur des réseaux de neurones à nombreuses couches	la reconnaissance d'images, les modèles de langage

Trois cercles emboîtés : tout apprentissage profond est de l'apprentissage automatique, tout apprentissage automatique relève de l'IA.

Tout apprentissage profond est de l'apprentissage automatique ; tout apprentissage automatique relève de l'IA ; l'inverse est faux dans les deux cas.

Quand un éditeur annonce « de l'IA », demandez systématiquement de quel cercle il s'agit. Un système à base de règles est prévisible et auditable ligne à ligne. Un modèle appris est statistique : il se trompe parfois, et l'on ne peut pas toujours dire pourquoi. Les garanties contractuelles ne peuvent pas être les mêmes.

IA faible et IA générale

Tous les systèmes en production aujourd'hui relèvent de l'IA faible — dite aussi étroite. Ils excellent sur une tâche délimitée et sont incapables d'en sortir. Un modèle qui bat les meilleurs joueurs de go ne sait pas jouer aux dames, et ne sait même pas qu'il joue.

L'IA générale, capable de transférer ses compétences d'un domaine à un autre comme le fait un humain, reste un objectif de recherche. Les modèles de langage récents brouillent la frontière en traitant des tâches très variées, mais ils demeurent des systèmes entraînés à prédire du texte, sans compréhension ni intention propre.

Un système qui produit des phrases justes sur un sujet ne le « comprend » pas pour autant. Cette confusion entre performance verbale et compréhension est la source de la plupart des déceptions et des mauvais usages en entreprise.

Repères historiques

1950 — Alan Turing publie Computing Machinery and Intelligence et propose le test qui porte son nom : évaluer une machine à sa capacité de se faire passer pour un humain dans une conversation.

1956 — La conférence de Dartmouth fonde la discipline et lui donne son nom.

1957-1970 — Le perceptron, premier neurone artificiel, suscite un immense enthousiasme. Ses limites théoriques, démontrées en 1969, provoquent le premier « hiver de l'IA » : financements coupés, recherche ralentie.

Années 1980 — Les systèmes experts, à base de règles écrites par des spécialistes, connaissent un succès industriel puis s'effondrent : trop coûteux à maintenir, incapables de sortir de leur domaine. Second hiver.

1997 — Deep Blue bat Garry Kasparov aux échecs. La victoire repose sur la puissance de calcul et l'exploration d'arbres, pas sur l'apprentissage.

2012 — Le réseau AlexNet écrase la concurrence au concours de reconnaissance d'images ImageNet. La conjonction de trois facteurs — données massives, cartes graphiques, algorithmes de rétropropagation — relance définitivement le domaine.

2017 — L'article Attention Is All You Need introduit l'architecture Transformer, qui sert de fondation à tous les grands modèles de langage actuels.

Depuis 2022 — Les modèles de langage conversationnels rendent la technologie accessible au grand public et déclenchent une adoption sans précédent en entreprise.

Les deux hivers de l'IA ont suivi des périodes de promesses excessives. C'est un cycle bien documenté : la technologie déçoit lorsqu'on lui prête des capacités qu'elle n'a pas. Savoir ce qu'un système ne sait pas faire est donc aussi utile que connaître ses performances.

Où l'IA est réellement utilisée

Vous en croisez quotidiennement sans y prêter attention :

Filtrage — courrier indésirable, détection de fraude bancaire, modération de contenus
Recommandation — commerce en ligne, plateformes de streaming, fils d'actualité
Perception — reconnaissance vocale, lecture automatique de documents, imagerie médicale
Prévision — maintenance industrielle, gestion de stocks, consommation énergétique
Génération — rédaction, traduction, synthèse d'images, assistance au développement

Ce que vous allez apprendre

Les chapitres suivants abordent successivement : comment une machine apprend, ce qu'est un réseau de neurones, le rôle décisif des données, le fonctionnement des grands modèles de langage, les limites réelles de ces systèmes, et le cadre réglementaire européen qui s'applique depuis 2024.

Aucune formule mathématique n'est requise. L'objectif est de vous rendre capable de poser les bonnes questions face à un projet d'IA.

Trois questions pour situer un système

Face à une solution présentée comme « dotée d'IA », trois questions suffisent à en cerner la nature réelle.

« Le comportement a-t-il été appris ou écrit ? » Un système à règles est prévisible et auditable ligne à ligne ; un modèle appris est statistique. Les engagements contractuels ne peuvent pas être formulés de la même façon.

« Sur quelles données a-t-il appris ? » La réponse détermine ce que le système sait faire et où il échouera. Un fournisseur incapable de décrire ses données d'entraînement ne peut garantir aucune performance sur votre contexte.

« Que se passe-t-il quand il se trompe ? » L'existence d'une détection, d'un recours et d'une trace distingue un système exploitable d'un système dangereux.

Demandez systématiquement une démonstration sur vos données, pas sur celles du fournisseur. Un écart important entre les deux résultats est la règle, pas l'exception — et c'est précisément ce que mesure cette démonstration.

Le vocabulaire à ne pas confondre

Quelques distinctions dont la confusion produit des malentendus coûteux :

À ne pas confondre	Différence
Automatisation et IA	l'automatisation applique des règles écrites, l'IA les dégage de données
Algorithme et modèle	l'algorithme est la méthode, le modèle le résultat de son application
Entraînement et inférence	l'un construit le modèle, l'autre l'utilise
Précision et exactitude	la précision porte sur les alertes justes, l'exactitude sur l'ensemble des décisions
Prédiction et prévision	la prédiction porte sur un cas, la prévision sur une évolution temporelle

Pourquoi cette formation compte maintenant

L'intelligence artificielle n'est plus un sujet de laboratoire. Elle rédige des brouillons, classe des tickets, résume des contrats, génère du code et oriente des décisions marketing. Comprendre ce qu'elle fait réellement — et ce qu'elle invente — est devenu une compétence de base pour tout professionnel du numérique.

Cette introduction ne vise pas à vous transformer en chercheur. Elle vise trois résultats concrets : savoir nommer les familles de techniques, repérer les limites avant de déployer, et poser les bonnes questions à un fournisseur ou à une équipe data.

Une carte mentale en trois couches

On peut ranger presque tous les systèmes d'IA modernes en trois strates :

Données — ce que le système a vu, annoté, filtré ou oublié.
Modèle — l'architecture et les poids qui compressent des régularités statistiques.
Usage — prompts, outils, garde-fous, évaluation et gouvernance.

Ignorer une strate produit des échecs typiques : un modèle excellent sur un jeu de test biaisé, une démo brillante sans mesure de dérive, ou une politique « IA » sans responsable nommé.

Une démo persuasive n'est pas une mise en production. Exigez données, métriques, limites et plan d'escalade humaine.

Boucle données, entraînement, évaluation et déploiement d'un système d'IA — La boucle données → modèle → évaluation → usage : chaque maillon peut faire échouer le projet.

Ce que vous saurez faire à la fin

Distinguer apprentissage supervisé, non supervisé, renforcement et approches génératives.
Expliquer à un non-spécialiste ce qu'est un LLM, un embedding et un pipeline RAG.
Identifier hallucinations, biais, fuites de données et risques d'agent mal outillé.
Relier le discours produit aux exigences du règlement européen sur l'IA (AI Act) sans jargon inutile.

Gardez un carnet de « questions à poser » : d'où viennent les données ? Qui valide les sorties ? Que se passe-t-il en cas d'échec silencieux ?

Idées reçues à désamorcer tout de suite

« L'IA comprend. » Elle prédit des tokens ou des labels à partir de statistiques. La compréhension humaine reste une métaphore utile, pas une description technique.

« Plus le modèle est grand, mieux c'est. » Un petit modèle spécialisé, bien évalué, bat souvent un géant mal cadré sur un processus métier précis.

« On pourra corriger plus tard. » Les dettes de données et d'évaluation coûtent plus cher après l'intégration dans les outils du quotidien.

Comment lire la suite du parcours

Chaque chapitre ajoute une brique : apprentissage automatique, réseaux de neurones, données, LLM, vision, génération, agents, sécurité, métiers, limites, cadre réglementaire, puis mise en pratique. Les quiz et FAQ ne sont pas décoratifs : ils reprennent les formulations que l'on retrouve dans les entretiens et les comités projet.

Ce que « intelligence » ne veut pas dire

Dans le langage courant, intelligence évoque la compréhension, l’intention, parfois la conscience. En ingénierie, un système d’IA n’a aucune de ces propriétés au sens humain. Il transforme des entrées en sorties selon des paramètres appris. Il peut être extrêmement performant sur une tâche et complètement incompétent dès que le contexte change.

Cette distinction n’est pas philosophique : elle évite deux erreurs coûteuses. La première consiste à surestimer le système (« il a compris mon métier »). La seconde consiste à le sous-estimer (« ce n’est qu’un gadget ») alors qu’il peut déjà automatiser une fraction réelle du travail.

Jugez une IA sur la tâche, la distribution de données et le coût d’une erreur — pas sur le vocabulaire marketing.

Une brève chronologie utile

Trois vagues aident à situer les outils d’aujourd’hui. Les années 1950–1980 posent les formalismes : recherche, logique, systèmes experts. Les années 1990–2010 démocratise l’apprentissage statistique classique (régression, forêts, SVM) grâce aux données et au calcul. Depuis 2012 environ, l’apprentissage profond domine la perception et le langage, puis l’IA générative grand public après 2022.

Vous n’avez pas besoin de mémoriser les dates. Vous devez reconnaître qu’un filtre anti-spam, un classifieur de fraude et un LLM ne relèvent pas de la même génération technique, même s’ils portent tous l’étiquette « IA ».

Critères pour lire une fiche produit

Quand un fournisseur annonce une « solution IA », posez cinq questions concrètes. Quelle tâche exacte est automatisée ? Sur quelles données le modèle a-t-il été entraîné ou évalué ? Quel est le taux d’erreur acceptable métier ? Qui valide les cas limites ? Que se passe-t-il en cas de dérive des données après le déploiement ?

Si ces réponses restent floues, vous n’achetez pas de l’IA : vous achetez une promesse. Le reste de la formation vous donne le vocabulaire pour exiger ces réponses sans devenir data scientist.

Cartographie des familles, sans jargon inutile

Les systèmes à base de règles restent utiles quand le domaine est stable et auditables (conformité, calculs réglementaires). L’apprentissage supervisé brille quand vous disposez d’exemples labellisés. L’apprentissage non supervisé aide à explorer des structures (clusters, anomalies). Le renforcement sert surtout quand un agent agit dans un environnement avec récompense. Les modèles génératifs produisent du texte, de l’image, du code ou de l’audio à partir d’une distribution apprise.

En pratique, les produits modernes combinent plusieurs familles : un LLM pour dialoguer, un classifieur pour router, des règles pour bloquer les actions dangereuses. Comprendre la famille dominante d’un composant vous dit déjà où chercher ses faiblesses.

Pourquoi cette formation commence ici

Sans vocabulaire partagé, chaque chapitre suivant glisse. Les réseaux de neurones, les LLM, la vision ou l’AI Act n’ont de sens que si vous savez ce qui est appris, ce qui est codé, et ce qui reste de la responsabilité humaine. Ce chapitre index est donc volontairement conceptuel : il prépare le terrain pour des mécanismes plus précis.

Relisez ce chapitre après avoir terminé la formation. Les mêmes définitions paraîtront plus opérationnelles une fois les exemples métier vus.

L'essentiel à retenir

L'intelligence artificielle recouvre trois cercles emboîtés : l'IA au sens large, l'apprentissage automatique qui dégage ses règles des données, et l'apprentissage profond fondé sur les réseaux de neurones. Tous les systèmes en production relèvent de l'IA faible, spécialisée sur une tâche. Le domaine a connu deux hivers, chacun consécutif à des promesses excessives.

Questions fréquentes

Quelle est la différence entre intelligence artificielle et machine learning ?

Le machine learning est une branche de l'intelligence artificielle. L'IA désigne l'ensemble du domaine, y compris les systèmes fondés sur des règles écrites par des humains. Le machine learning ne couvre que les systèmes qui dégagent leurs règles à partir de données, sans qu'on les leur ait formulées.

Le deep learning est-il la même chose que le machine learning ?

Non. Le deep learning est un sous-ensemble du machine learning, fondé sur des réseaux de neurones à nombreuses couches. Tout deep learning est du machine learning, mais un filtre anti-spam statistique relève du machine learning sans être du deep learning.

Qu'est-ce qu'une IA faible ?

Une IA faible, dite aussi étroite, est spécialisée sur une tâche délimitée et incapable d'en sortir. Le terme ne qualifie pas la performance : un système d'IA faible peut dépasser largement l'humain sur sa tâche. Tous les systèmes en production aujourd'hui relèvent de cette catégorie.

L'intelligence artificielle générale existe-t-elle ?

Non. L'IA générale, capable de transférer ses compétences d'un domaine à un autre comme le fait un humain, reste un objectif de recherche. Les modèles de langage récents traitent des tâches variées mais restent des systèmes entraînés à prédire du texte, sans compréhension ni intention propre.

Qu'est-ce qu'un hiver de l'IA ?

Un hiver de l'IA est une période d'effondrement des financements et de la recherche, consécutive à des promesses non tenues. Le domaine en a connu deux : à la fin des années 1970 après l'échec du perceptron, et à la fin des années 1980 après celui des systèmes experts.

Qu'est-ce que le test de Turing ?

Proposé par Alan Turing en 1950, le test évalue une machine à sa capacité de se faire passer pour un humain lors d'une conversation écrite. Il mesure une performance conversationnelle, non une compréhension : le réussir ne prouve pas que la machine pense.

Depuis quand l'intelligence artificielle existe-t-elle ?

La discipline est fondée en 1956 lors de la conférence de Dartmouth, qui lui donne son nom. Les bases théoriques sont antérieures, avec l'article de Turing en 1950. Le domaine ne décolle véritablement qu'en 2012, avec la conjonction des données massives et des cartes graphiques.

Progression sauvegardée dans votre navigateur.

Quiz de validation

Quiz indisponible (données invalides).

Vos projets IA sont-ils sécurisés ? Audit LLM, conformité AI Act, red teaming — devis sous 48h.

Devis gratuit