Introduction

L’objectif de cet ouvrage étant de découvrir comment appliquer des algorithmes d’intelligence artificielle en langage PHP, il semble important de débuter par une présentation rapide des notions que nous allons utiliser. Notre parcours suivra les étapes suivantes :

définition de l’intelligence artificielle ;
évolution de l’intelligence artificielle ;
présentation des applications concrètes de l’intelligence artificielle.

À la fin de ce premier chapitre, nous saurons ce qu’est l’intelligence artificielle, l’originalité de ses algorithmes par rapport à nos développements habituels et nous connaîtrons des cas concrets d’utilisation.

Définition de l’intelligence artificielle

L’intelligence artificielle est un sous-domaine de l’informatique ayant pour vocation de créer des programmes capables de résoudre des tâches qui nécessitent normalement une intelligence humaine. Si la plupart des algorithmes d’IA permettent de visualiser et de prévoir leur comportement, certains modèles dits « boîte noire » ne permettent pas de prévoir réellement leur comportement, du fait de la grande quantité de paramètres qui les composent.

L’IA est un domaine immense qu’il convient de diviser en sous-domaines.

1. Systèmes basés sur des règles

Ce sont les algorithmes standards que nous utilisons tous, basés sur des conditions if-then-else, ou autres boucles. À cela près que dans le cadre de l’IA ils sont utilisés pour effectuer des tâches normalement humaines.

Exemple : Allocation de prêt bancaire

Si : demandeur est en CDI : 
  Alors :  
    Si : taux endettement < 30% 
    Alors : OK pour le prêt  
    Sinon : KO pour le prêt 
Sinon : Renvoyer vers le responsable de l'agence bancaire

2. Le Machine Learning - apprentissage automatique

L’apprentissage machine est le « champ d’études qui donne aux ordinateurs la capacité d’apprendre sans être explicitement programmés à apprendre » (Arthur Samuel).

En se basant sur des indicateurs statistiques d’un ensemble de données de départ, ces algorithmes permettent de résoudre des tâches de classification, de régression ou de segmentation (clustering, en anglais). Comme vous l’aurez compris, ce sont des algorithmes qui ne sont pas basés sur une structure conditionnelle classique. Cet apprentissage automatique peut fasciner étant donné ses fortes homologies avec l’apprentissage humain, basé sur une éducation.

Au même titre qu’un enfant éduqué...

Évolution de l’intelligence artificielle

Si l’intelligence artificielle fascine et devient accessible au plus grand nombre, elle existe depuis bien plus longtemps qu’on ne pourrait l’imaginer.

Sa croissance est étroitement liée à celle de la capacité de calcul informatique ainsi qu’à la santé économique et industrielle.

Les tout premiers réseaux de neurones et leur développement débutent dans les années 1950 avec, en point d’orgue, la conférence de Dartmouth en 1956 qui marque la naissance du terme « intelligence artificielle ». Cela ouvre des espérances fortes dans la communauté ; c’est l’âge d’or de l’IA qui commence. Toutefois, entre 1974 et 1980, les développements sont figés à cause de coupes budgétaires des institutions scientifiques et militaires. C’est le premier hiver de l’IA. À la fin des années 1980, l’enthousiasme revient momentanément avec la montée des systèmes experts mais retombe vite entre 1987 et 1993, le deuxième hiver de l’IA.

Même si pendant cette période l’IA intéresse peu, c’est bien là que la théorie évolue et que les chercheurs découvrent les méthodes fondatrices dans l’éducation...

Applications concrètes de l’IA

Pour nous faire une idée précise des utilisations concrètes des modèles d’IA dans notre quotidien, voici dix exemples de domaines d’application :

Reconnaissance d’images et de vidéos : les systèmes de sécurité utilisent des réseaux de neurones pour la reconnaissance faciale afin de vérifier l’identité des individus. Les domaines d’application incluent la surveillance, le déverrouillage de smartphones ou l’identification de criminels.
Traitement du langage naturel ou en anglais Natural Language Processing (NLP) : les assistants virtuels comme Siri, Alexa et Google Assistant utilisent le Machine Learning pour comprendre et répondre aux commandes vocales. Ces modèles peuvent trouver une utilité particulière dans le service client automatisé, la traduction automatique ou bien l’analyse des sentiments sur les réseaux sociaux.
Diagnostic médical : nous pouvons utiliser les réseaux de neurones pour analyser des images médicales (radiographies, IRM) afin de pré-détecter des maladies comme le cancer. Cela aide au diagnostic des radiologues et permet la détection précoce de maladies.
Conduite autonome : les véhicules autonomes utilisent des réseaux de neurones pour interpréter les données des capteurs et prendre des décisions de conduite. Cela ouvre des possibilités pour la conception de véhicules sans conducteur et de systèmes d’aide à la conduite.
Recommandation de contenu : Netflix et Spotify utilisent des algorithmes de Machine Learning pour recommander des films, des séries et des musiques en fonction des préférences...