À propos de cette page
Ce cours de enseignement scientifique en terminale sur « L'intelligence artificielle » suit le programme officiel de enseignement scientifique de terminale. Il présente les définitions, les propriétés et les méthodes essentielles, accompagnées d'exemples résolus pour bien comprendre. Au programme : Qu'est-ce que l'intelligence artificielle ?, IA symbolique et IA par apprentissage, L'apprentissage automatique (machine learning), L'apprentissage supervisé : entraînement et test. Chaque notion est expliquée pas à pas, puis mise en pratique grâce à des exercices interactifs, un QCM et une évaluation corrigée. Idéal pour réviser à son rythme, combler ses lacunes et progresser, en autonomie ou avec un professeur. Cours rédigé par un professeur particulier à Marseille pour aider les élèves de terminale à réussir en enseignement scientifique.
Au programme
1 · Qu'est-ce que l'intelligence artificielle ?
2 · IA symbolique et IA par apprentissage
3 · L'apprentissage automatique (machine learning)
4 · L'apprentissage supervisé : entraînement et test
5 · Les réseaux de neurones artificiels
6 · Les données : carburant et talon d'Achille de l'IA
7 · Biais, limites et enjeux de l'IA
1Qu'est-ce que l'intelligence artificielle ?
L'intelligence artificielle (IA) désigne l'ensemble des techniques permettant à une machine de réaliser des tâches que l'on associe habituellement à l'intelligence humaine : reconnaître une image, comprendre un texte, jouer à un jeu, prendre une décision.
Définition — Intelligence artificielle. Ensemble de méthodes et de programmes informatiques visant à faire accomplir par une machine des tâches nécessitant a priori de l'« intelligence » (perception, raisonnement, décision, langage).
Le terme apparaît en 1956 (conférence de Dartmouth). Après plusieurs cycles d'enthousiasme et de déceptions (les « hivers de l'IA »), le domaine connaît depuis les années 2010 un essor spectaculaire grâce à trois facteurs conjoints :
- l'explosion des données disponibles (big data) ;
- la puissance de calcul (processeurs graphiques, GPU) ;
- le perfectionnement des algorithmes d'apprentissage.
Attention ! L'IA actuelle est une IA « faible » (ou spécialisée) : elle excelle sur une tâche précise pour laquelle elle a été conçue, mais ne possède ni conscience ni compréhension générale. L'« IA forte » (intelligence générale comparable à l'humain) reste hypothétique.
2IA symbolique et IA par apprentissage
On distingue deux grandes approches historiques de l'IA, fondamentalement différentes dans leur principe.
| Approche | Principe | Exemple |
|---|
| IA symbolique (à base de règles) | Des experts humains écrivent explicitement des règles logiques « si… alors… » | Systèmes experts médicaux, premiers programmes d'échecs |
| IA par apprentissage (machine learning) | La machine apprend seule à partir d'un grand nombre d'exemples, sans règles écrites une à une | Reconnaissance d'images, traduction automatique, IA générative |
Définition — IA symbolique. Approche où le comportement de la machine résulte de règles logiques formulées explicitement par des humains. Elle est efficace quand les règles sont connues et peu nombreuses, mais devient ingérable pour des tâches floues (reconnaître un chat sur une photo).
Exemple. Pour reconnaître un chat, il est impossible d'écrire toutes les règles décrivant un chat. On donne donc à la machine des milliers de photos étiquetées « chat / pas chat » et on la laisse apprendre les régularités : c'est l'approche par apprentissage qui domine aujourd'hui.
3L'apprentissage automatique (machine learning)
L'apprentissage automatique est le cœur de l'IA moderne. Plutôt que de programmer la solution, on programme la capacité à apprendre la solution à partir de données.
Définition — Apprentissage automatique (machine learning). Méthode par laquelle un algorithme ajuste automatiquement ses paramètres internes à partir d'un jeu de données d'entraînement, afin de minimiser ses erreurs et de généraliser à de nouvelles situations.
On distingue principalement :
- Apprentissage supervisé : les exemples sont étiquetés (on connaît la bonne réponse).
- Apprentissage non supervisé : les données ne sont pas étiquetées ; l'algorithme cherche lui-même des regroupements (clustering).
- Apprentissage par renforcement : l'agent apprend par essais-erreurs en recevant des récompenses (ex. jeux, robotique).
Astuce. Retenir la formule clé : en IA classique, le programmeur fournit les règles ; en machine learning, il fournit des données et des réponses, et la machine en déduit les règles.
4L'apprentissage supervisé : entraînement et test
L'apprentissage supervisé est la méthode la plus répandue. On dispose d'exemples constitués d'une entrée et de la bonne réponse attendue (l'étiquette).
Définition — Apprentissage supervisé. L'algorithme reçoit des couples (entrée, réponse correcte). Il ajuste ses paramètres pour réduire l'écart entre ses prédictions et les réponses correctes, puis on espère qu'il généralise à de nouvelles entrées.
Pour cela, on partage le jeu de données en deux parties indépendantes :
| Jeu | Rôle |
|---|
| Jeu d'entraînement | Sert à ajuster les paramètres du modèle (la machine « apprend » dessus) |
| Jeu de test | Données jamais vues, servant à mesurer la performance réelle (généralisation) |
Attention ! Surapprentissage (overfitting). Si le modèle « apprend par cœur » les exemples d'entraînement, il devient très bon sur ceux-ci mais médiocre sur des données nouvelles. C'est pourquoi on évalue toujours la performance sur un jeu de test indépendant.
5Les réseaux de neurones artificiels
Les performances actuelles de l'IA reposent largement sur les réseaux de neurones artificiels, inspirés (de façon très simplifiée) du cerveau.
Définition — Neurone artificiel. Unité de calcul qui reçoit plusieurs entrées $x_1, x_2, \dots, x_n$, les pondère par des poids $w_1, w_2, \dots, w_n$, en calcule la somme pondérée $s = w_1x_1 + w_2x_2 + \dots + w_nx_n + b$ (avec un biais $b$), puis applique une fonction d'activation pour produire une sortie.
Un réseau comporte de nombreuses couches de neurones connectés. Apprendre, pour le réseau, c'est ajuster automatiquement les poids de toutes les connexions pour réduire l'erreur globale.
Apprentissage profond (deep learning). Utilisation de réseaux comportant de nombreuses couches « cachées ». C'est cette technique qui a permis les progrès récents en reconnaissance d'images, traduction et IA générative.
Astuce. Un réseau de neurones n'est pas « câblé » à la main : ses millions de poids sont déterminés par l'apprentissage, ce qui rend souvent son fonctionnement difficile à interpréter (« boîte noire »).
6Les données : carburant et talon d'Achille de l'IA
Une IA par apprentissage ne vaut que par les données qui la nourrissent. La quantité, mais surtout la qualité et la représentativité des données sont déterminantes.
Donnée d'entraînement. Exemple fourni à l'algorithme pour qu'il apprenne. La performance d'un modèle dépend directement de la richesse et de la représentativité de son jeu de données.
Constituer un grand jeu de données étiqueté est coûteux : il faut collecter, nettoyer et souvent annoter à la main (étiqueter) chaque exemple. Cela soulève aussi des questions de vie privée et de propriété des données.
Exemple. Pour entraîner une IA de reconnaissance médicale, on a besoin de milliers d'images médicales annotées par des médecins. La rareté et la confidentialité de ces données limitent fortement les performances atteignables.
7Biais, limites et enjeux de l'IA
Parce qu'elle apprend des régularités de ses données, une IA en reproduit aussi les biais. C'est l'un des enjeux majeurs du thème « Les entreprises et l'intelligence artificielle ».
Définition — Biais d'une IA. Erreur systématique d'un modèle, qui défavorise certaines situations ou groupes. Il provient le plus souvent d'un jeu de données non représentatif ou porteur de préjugés humains.
Attention ! Une IA n'est pas « neutre » ou « objective » par nature : elle reflète les données qui l'ont entraînée. Une donnée biaisée produit un modèle biaisé (principe « garbage in, garbage out »).
Autres limites et enjeux importants :
- Effet « boîte noire » : on sait que le réseau fonctionne, mais on explique mal pourquoi il donne telle réponse (explicabilité).
- Responsabilité : qui est responsable en cas d'erreur (voiture autonome, diagnostic) ?
- Emploi et économie : automatisation de certaines tâches, transformation des métiers des entreprises.
- Coût énergétique et environnemental de l'entraînement des grands modèles.
- Protection des données personnelles (cadre du RGPD en Europe).
Astuce. Pour le Bac, sache nuancer : l'IA est un outil puissant pour les entreprises (productivité, nouveaux services) mais soulève des questions scientifiques, éthiques et sociétales qu'il faut savoir argumenter.
★À retenir
En bref :
• L'IA fait accomplir à une machine des tâches « intelligentes » ; l'IA actuelle est faible (spécialisée).
• On distingue l'IA symbolique (règles écrites par des humains) et l'IA par apprentissage (machine learning), qui domine aujourd'hui.
• En apprentissage supervisé, l'algorithme s'entraîne sur des exemples étiquetés puis est évalué sur un jeu de test indépendant ; gare au surapprentissage.
• Les réseaux de neurones (apprentissage profond) ajustent des millions de poids par l'apprentissage : très performants mais peu explicables (« boîte noire »).
• La qualité et la représentativité des données sont décisives : des données biaisées donnent une IA biaisée. L'IA soulève des enjeux éthiques, sociétaux, énergétiques et de vie privée.