Principaux enseignements :
- L’intelligence artificielle (IA) fait référence à la simulation de l’intelligence humaine dans les ordinateurs qui sont programmés pour effectuer des tâches semblables à celles de l’homme.
- L’apprentissage automatique est un sous-ensemble de l’IA qui se concentre sur la construction de modèles capables d’apprendre à utiliser des données pour améliorer les performances dans un ensemble de tâches spécifiques.
- L’apprentissage profond est un sous-ensemble de l’apprentissage automatique et repose sur des réseaux neuronaux artificiels vaguement modélisés sur les réseaux neuronaux biologiques du cerveau.
- Le stockage limité des données et la vitesse de traitement, qui constituaient auparavant les principaux inconvénients de l’IA, ne sont désormais plus un problème majeur.
- L’IA a une grande variété d’applications dans divers domaines. Deux projets d’IA qui ont récemment attiré l’attention des médias sont ChatGPT et DALL-E.
- À mesure que la quantité de données d’entraînement et la puissance de calcul augmentent, il sera possible d’entraîner des modèles d’IA plus puissants qui pourront déboucher sur des applications plus efficaces.
IA, apprentissage automatique et apprentissage profond : Ce qu’ils sont
L’intelligence artificielle (IA) a récemment pris d’assaut le monde, tout comme d’autres termes similaires tels que l’apprentissage machine (ML), l’apprentissage profond (deep learning) et la science des données. Voici une brève description de ces termes pour ceux qui ne s’y retrouveraient pas.
L’intelligence artificielle désigne la simulation de l’intelligence humaine dans des ordinateurs programmés pour effectuer des tâches semblables à celles de l’homme, telles que la synthèse et la déduction d’informations.
L’apprentissage automatique est un sous-ensemble de l’IA qui se concentre sur la construction de modèles qui “apprennent”, dans le sens de l’utilisation de données pour améliorer les performances sur un ensemble spécifique de tâches. L’apprentissage automatique peut être divisé en trois catégories :
- Apprentissage supervisé : L’ordinateur est formé sur des données constituées d’exemples étiquetés – entrée(s) connue(s) X avec la sortie de vérité terrain Y – et l’objectif est d’apprendre une règle générale ou une fonction (F) qui peut faire correspondre les entrées aux sorties dans de nouveaux exemples (c.-à-d. Y = F(X)). Un exemple d’apprentissage supervisé est la reconnaissance de chiffres manuscrits, où la machine apprend à reconnaître les chiffres manuscrits de 0 à 9.
- Apprentissage non supervisé : Ces types d’algorithmes analysent des données non étiquetées afin de découvrir des modèles sous-jacents (uniquement si l’on dispose de X mais pas de Y). Un exemple d’apprentissage non supervisé est la classification, qui vise à regrouper les données non étiquetées en différents groupes sur la base de leurs similitudes ou de leurs différences.
- Apprentissage par renforcement : L’apprentissage par renforcement étudie la manière dont les agents intelligents doivent agir dans un environnement donné pour maximiser une certaine fonction de récompense. L’apprentissage par renforcement peut être appliqué aux voitures autonomes et à la robotique, ainsi qu’à l’apprentissage de machines à jouer à des jeux de société et à des jeux informatiques.
L’apprentissage en profondeur est un sous-ensemble de l’apprentissage automatique et repose sur les réseaux neuronaux artificiels, qui sont des systèmes informatiques librement inspirés des réseaux neuronaux biologiques présents dans le cerveau. Les neurones artificiels d’un réseau, semblables aux neurones biologiques du cerveau, peuvent recevoir et transmettre des signaux à d’autres neurones qui leur sont connectés.
La science des données fait référence à l’étude des données pour en extraire des informations significatives. Il s’agit d’un domaine hautement interdisciplinaire qui fait appel aux statistiques, aux mathématiques et à l’informatique pour analyser différents types de données. La science des données recoupe l’IA, l’apprentissage automatique et l’apprentissage profond, car les modèles d’intelligence artificielle ont généralement besoin de données pour s’entraîner.
Le tableau ci-dessous présente les différents axes et applications de l’IA, de l’apprentissage automatique et de la science des données.
Histoire et développement de l’IA
L’état actuel de l’IA est principalement le résultat de plusieurs percées dans la puissance de calcul au fil du temps. Le stockage limité des données et la vitesse de traitement, qui constituaient auparavant les principaux goulets d’étranglement de l’IA, ne sont plus un problème majeur, la puissance de calcul ayant connu une croissance exponentielle au cours de la dernière décennie. Le matériel (comme les CPU et les GPU) est également devenu moins cher et plus accessible au fil des ans, ce qui a permis de créer de nouveaux modèles et d’accroître le financement et la recherche dans le domaine de l’IA.
En outre, les coûts de l’IA sont désormais moins élevés, mais les délais de formation sont plus courts. Depuis 2018, les coûts de formation ont diminué de 63,6 %, tandis que les temps de formation se sont améliorés de plus de 94 %, selon le rapport AI Index de Stanford. Tous ces développements, ainsi que les quantités massives de données facilement disponibles, ont permis de former de meilleurs modèles et d’obtenir les meilleurs résultats que l’on observe aujourd’hui. La progression graduelle de l’IA et quelques développements notables dans ce domaine sont présentés dans la brève chronologie ci-dessous.
L’IA n’est pas un terme nouveau, et les algorithmes d’IA tels que l’apprentissage profond et les réseaux neuronaux remontent aux années 1950. Ce n’est toutefois que ces dernières années que la puissance de calcul s’est améliorée pour rendre l’apprentissage profond efficace, et il y a également eu de nouveaux algorithmes et modèles d’IA, tels que les transformateurs, qui ont été introduits en 2017 par Google Brain et adoptés dans GPT-3, le modèle à l’origine de ChatGPT.
Le développement de l’IA et ses applications
L’IA a une grande variété d’applications dans divers domaines. Deux projets d’IA qui ont attiré l’attention du grand public sont les suivants ChatGPT et DALL-E. Depuis leur lancement, ces deux projets ont suscité un intérêt accru dans les recherches Google et ont été mis en avant dans les médias sociaux.
ChatGPT est un chatbot capable de donner des réponses détaillées et réalistes à des questions portant sur de vastes domaines de connaissances. Lancé par OpenAI en novembre 2022, il est formé à l’aide de techniques d’apprentissage supervisé et de renforcement. En plus de répondre aux questions, ChatGPT peut écrire du code dans différents langages de programmation et composer de la musique.
DALL-E et DALL-E 2 sont des modèles d’apprentissage profond qui peuvent générer des images à partir d’invites en langage naturel provenant d’utilisateurs. La dernière version de DALL-E est DALL-E 2, annoncée en avril 2022. Il peut générer des images de plus haute résolution que DALL-E, plus réalistes et combinant différents styles.
Parmi les autres cas d’utilisation de l’IA, on peut citer les jeux de société, tels que le jeu de Go. AlphaGo a été développé par DeepMind Technologies, une filiale de Google, et a réussi à vaincre Ke Jie, le joueur de go numéro 1 au monde à l’époque. Par la suite, AlphaGo s’est vu décerner le 9-dan professionnel par l’Association chinoise de Weiqi.
Une autre application prometteuse de l’IA est la conduite autonome, qui permet aux voitures de se déplacer en utilisant une quantité réduite de données humaines, grâce à des capteurs qui perçoivent leur environnement et à des systèmes informatiques qui contrôlent et dirigent la voiture. Il existe différents niveaux de conduite autonome, la technologie de pointe actuelle permettant d’atteindre des niveaux intermédiaires tels que le niveau 3 (“yeux éteints”), où le conducteur peut détourner son attention de la conduite.
En savoir plus sur Contenu et applications générés par l’IA dans le Web3.
Avantages et inconvénients de l’IA
Comme les machines peuvent travailler 24 heures sur 24 sans interruption, l’IA est capable d’effectuer des tâches fastidieuses et répétitives plus efficacement que les humains. Par exemple, les chatbots d’IA peuvent aider à répondre aux demandes de renseignements des clients 24 heures sur 24, 7 jours sur 7, 7 jours sur 7, 7 jours sur 7, 7 jours sur 7, etc.
En outre, les robots et les machines dotés d’IA sont capables d’effectuer des tâches risquées ou dangereuses pour les humains. Par exemple, les robots d’IA peuvent explorer les océans profonds, désamorcer des explosifs ou travailler dans des usines utilisant des produits chimiques dangereux.
L’IA est également capable de travailler efficacement avec des ensembles de données de grande taille et de haute dimension, qui peuvent être difficiles à analyser ou à visualiser pour les humains. Avec l’augmentation de la vitesse de calcul, l’IA est capable d’acquérir et d’extraire plus rapidement des données, puis de les transformer et de les interpréter.
L’un des inconvénients de l’IA est qu’elle manque parfois de créativité et d’innovation. Bien que l’IA s’améliore rapidement dans ce domaine, certains textes et images générés par l’IA manquent encore de touche humaine et peuvent sembler avoir un style rigide et robotique.
L’IA peut aussi parfois commettre des erreurs qu’un être humain ne commettrait pas, ce qui peut entraîner des problèmes de qualité. Par exemple, Andrew Ng, chercheur en IA et professeur à Stanford, a produit un exemple dans lequel ChatGPT expliquait à tort qu’un boulier était plus rapide qu’un GPU. C’est pourquoi, dans certains cas, même l’IA de pointe n’a pas encore atteint un niveau de précision suffisant.
L’avenir de l’IA
Les perspectives de l’IA sont prometteuses. Selon la loi de Moore en informatique, le nombre de transistors sur une puce électronique double environ tous les deux ans, alors que son coût est divisé par deux dans le même laps de temps. En bref, la vitesse et les capacités des ordinateurs devraient augmenter tous les deux ans tout en devenant plus abordables. Dans le même temps, la quantité de données dans le monde augmente de manière exponentielle et devrait atteindre 175 zétaoctets (175 trillions de gigaoctets) d’ici à 2025.
Ces tendances sont très favorables à l’IA, car ses algorithmes, tels que l’apprentissage profond, fonctionnent plus efficacement avec une puissance de calcul plus élevée et de grandes quantités de données. Par exemple, ChatGPT est classé comme une Grand modèle linguistique (LLM) parce qu’il est formé sur une grande quantité de données textuelles et qu’il a une bonne connaissance de l’environnement. 175 milliards d’euros paramètres. En général, à mesure que la quantité de données d’entraînement et la puissance de calcul augmentent, il serait possible d’entraîner des modèles d’IA plus puissants, ce qui pourrait déboucher sur des applications plus efficaces.
Certains s’inquiètent et débattent du fait que l’IA pourrait conduire au chômage, puisqu’elle pourrait automatiser certaines tâches et être plus performante que les humains. Bien que l’IA puisse remplacer les humains dans les tâches qui requièrent peu de compétences, comme la comptabilité et la saisie de données, la technologie doit être considérée comme un moyen d’aider les humains – en automatisant les tâches répétitives, l’IA peut stimuler la productivité des employés. Par exemple, les technologies d’IA existantes sont capables d’automatiser jusqu’à 40 % du travail effectué par les vendeurs au cours du processus de vente.
Le célèbre physicien Stephen Hawking a déclaré un jour : “…les ordinateurs peuvent, en théorie, émuler l’intelligence humaine – et la dépasser”. Dans le domaine de l’IA, ce phénomène commence à prendre forme, avec des ordinateurs qui commencent à produire des textes et des images équivalents, voire supérieurs, à ceux produits par l’homme moyen. Il sera passionnant d’observer les développements futurs de l’IA dans les années à venir.
Lisez le rapport complet sur l’IA et ses cas d’utilisation, y compris d’autres exemples et références, ici.
Suivre les tokens AI dans l’application Crypto.com
L’essor de la technologie de l’IA a conduit à l’émergence de nouveaux jetons d’IA qui gagnent rapidement en popularité. Pour répondre à cet intérêt, l’application Crypto.com a ajouté une nouvelle catégorie sur Track Coins afin que les utilisateurs puissent facilement suivre les meilleurs jetons d’IA. Pour découvrir AI et toutes les autres catégories , cliquez ici.
Diligence raisonnable et recherches personnelles
Tous les exemples cités dans cet article sont donnés à titre d’information uniquement. Vous ne devez pas considérer ces informations ou autres documents comme des conseils juridiques, fiscaux, d’investissement, financiers ou autres. Rien de ce qui est contenu dans le présent document ne constitue une sollicitation, une recommandation, une approbation ou une offre par Crypto.com d’investir, d’acheter ou de vendre des pièces de monnaie, des jetons ou d’autres actifs cryptographiques. Les revenus tirés de l’achat et de la vente de crypto-actifs peuvent être soumis à l’impôt, y compris l’impôt sur les plus-values, dans votre juridiction. Les descriptions des produits ou des caractéristiques de Crypto.com ne sont données qu’à titre d’exemple et ne constituent pas une approbation, une invitation ou une sollicitation.
Les performances passées ne constituent pas une garantie ou un prédicteur des performances futures. La valeur des crypto-actifs peut augmenter ou diminuer, et vous pourriez perdre la totalité ou une partie substantielle de votre prix d’achat. Lors de l’évaluation d’un actif cryptographique, il est essentiel que vous fassiez vos recherches et que vous exerciez une diligence raisonnable afin de prendre la meilleure décision possible, car tout achat relève de votre seule responsabilité.
