Le futur s'annonce technologique, les ordinateurs permettent la collecte de données en masse. L' analyse de ces données et le paramétrage du constructeur autorisent un certains nombres de décisions automatiques suite à la création d'algorithmes. A travers un dispositif ludique interactif, les enfants découvriront les spécificités de l'intelligence artificielle par la pratique. Ils entraîneront leur propre IA, en l'enrichissant chacun de leur expériences personnelles avant de lui soumettre des problèmes nouveaux. Ils pourront ainsi comparer les résultats obtenus, initiant une discussion sur l'utilisation de l'IA, les responsabilités qui lui sont confiées et les problèmes éthiques que cela peut engendrer. Des exemples positifs d'utilisation de l'intelligence artificielle seront évoqués autour d'applications écologiques et d'autres plus susceptibles de poser des problèmes éthiques comme la sécurité des voitures sans conducteur …

Pour résoudre tout types de problèmes et exécuter une tâche, les ordinateurs ont recours à des recettes pré-écrites qu'elles appliquent à la lettre, très rapidement et avec une grande précision. Ces recettes -ou code- doivent décrire exactement chaque situation que l'ordinateur peut rencontrer en exécutant sa tâche. S'il rencontre une situation inédite, même très similaire à une situation connue, il ne pourra accomplir son travail.

Cette liste de recettes est fixe et ne peut être modifiée que par un développeur. Un ordinateur peut ainsi exécuter la même tâche tous les jours pendant dix ans, il l'accomplira toujours de la même manière. Il est donc très difficile aux ordinateurs de s'adapter aux situations complexes comportant trop de situations pour qu'on puisse écrire une recette pour chacune : conduite autonome, analyse de nombreuses données, déchiffrage d'images ou de son, conversation…

Pour leur permettre d'adapter eux-même les recettes aux situations réelles rencontrées, différentes méthodes sont développées sous le terme d'apprentissage machine ou intelligence artificielle. Pour que la machine puisse apprendre, il lui faut s’entraîner en expérimentant un grand nombre de situations réelles dans laquelle elle sera à même de réaliser sa tâche. Par exemple, une machine apprenant à reconnaître un feu tricolore devra regarder un grand nombre d'images de feux de toutes tailles et de tout type, de jour comme de nuit, de près comme de loin et sous tous les angles. Mais elle devra également observer beaucoup d'images d'objets pouvant ressembler à des feux pour en apprendre la différence. La machine essaieras alors de déterminer pour chaque image s'il agit d'un feu ou non et on la corrigera si elle se trompe. Comme beaucoup d'entre nous, la machine apprendra de ses erreurs : elle se trompera de moins en moins au fur et à mesure de l'apprentissage.

Il existe de nombreuses méthodes pour permettre à une machine d'apprendre, chacune possédant ses avantages et ses inconvénient. On les choisira selon la tâche à accomplir et il n'est pas rare d'en utiliser plusieurs conjointement pour réaliser une tâche complexe. Ces méthodes sont souvent classées en deux catégories :

1. l'apprentissage supervisé
2. l'apprentissage non-supervisé

L'apprentissage supervisé est celui décrit dans l'exemple du feu tricolore : à chaque étape de l'apprentissage, on dit à la machine si elle s'est trompée ou non, et elle se corrige automatiquement. Très utilisé dans la reconnaissance faciale par exemple, ce type d'apprentissage nécessite un grand nombre d'exemples connus (photos dont on sait si elles contiennent un feu tricolore ou non par exemple), ce qui demande beaucoup de travail humain en amont. (ex : reCaptcha)

L'apprentissage non-supervisé ne comporte pas de validation systématique du résultat à chaque étape de l'apprentissage. Ces méthodes permettent de réaliser des tris de données en plusieurs catégories par exemple. Elles peuvent être moins précises que le supervisé mais sont souvent beaucoup plus faciles à implémenter et maintenir et parfois plus rapide d’exécution. Par exemple, l’algorithme PageRank qui à permis au moteur de recherche google d'atteindre une telle pertinence est basé sur les chaines de Markov, un apprentissage non-supervisé.

• une IA peut-elle détecter la grossesse de quelqu'un avant même son entourage proche ?
• Big data et control social en chine
• L'IA rendra bientôt la justice en Estonie ?

• paleofuture
• effets pervers et dangers
• AI et proactivité
• AI et capitalisme
• intelligences surhumaines
• apprentissage profond