IA - Comprendre ses avancées récentes
À propos de ce cours
Voici la synthèse et la structure de ce document :
- Sémantique et questions clés : qu’est-ce que l’IA ? Comment est-elle segmentée ? Quelles sont les grandes questions qui se posent à son sujet ?
- Histoire et technologies de l’intelligence artificielle : comment l’IA a-t-elle progressé depuis les années 1950 ? Quelles sont ses principales briques technologiques, surtout algorithmiques ? Les progrès récents viennent-ils du logiciel, du matériel ou des données ?
- IBM Watson et le marketing de l’intelligence artificielle : qu’est-ce qui se cache derrière IBM Watson ? Comment interpréter sa performance dans sa victoire au Jeopardy en 2011 ? Quelles sont ses autres applications, notamment dans la santé ? Remplace-t-il les experts ? Quelle est la stratégie d’IBM ? Comment les startups de l’IA s’y prennent-elles dans leur marketing ?
- Les startups US de l’intelligence artificielle : quelles sont les principales startups américaines de l’IA ? Lesquelles sont les mieux financées ? Quelles plateformes ont le vent en poupe ? Les startups acquises par les grands du numérique : comment les grands acteurs américains du numérique investissent-ils dans l’IA et quelles startups ont-ils acquis ?
- Les startups françaises de l’intelligence artificielle : comment fonctionne la recherche française dans l’IA ? Quelles sont les principales startups du secteur ? Où sont les opportunités ? Quelle stratégie bâtir dans l’IA ?
- La modélisation et la copie du cerveau : quelle est notre compréhension actuelle de la structure du cerveau ? Est-ce que les prévisions de la singularité visant à copier le contenu d’un cerveau dans un ordinateur sont réalistes ?
- Les évolutions de la loi de Moore : comment évolue la loi de Moore dans la pratique, à la fois dans les supercalculateurs et dans les produits grand public ? Comment va évoluer le logiciel et le matériel pour faire évoluer les applications à l’intelligence artificielle ?
- La robotisation en marche des métiers : comment l’IA et la robotique vont transformer les métiers dans le futur ? Est-ce un tsunami qui se prépare ? Que disent les experts sur le sujet ? Quelles sont les limites des prédictions ? Comment éviter de se faire robotiser ? Qu’en est-il de l’IA dans la politique ?
- Epilogue : synthèse d’impressions et que penser de tout cela ?
Programme du cours
Objectifs d'apprentissage
- Comprendre les fondements théoriques et pratiques de l'intelligence artificielle, y compris ses différentes branches (machine learning, deep learning, traitement du langage naturel, etc.).
- Analyser l'évolution historique de l'IA depuis ses origines dans les années 1950 jusqu'aux avancées récentes comme les modèles génératifs (GPT, MidJourney).
- Évaluer l'impact des technologies d'IA comme IBM Watson dans des domaines clés (santé, finance, marketing) et comprendre leur fonctionnement sous-jacent.
- Comparer les écosystèmes des startups d'IA aux États-Unis et en France, en identifiant les tendances de financement et les opportunités sectorielles.
- Explorer les défis éthiques et légaux liés à l'IA, notamment la robotisation des métiers et les questions de singularité technologique.
Public cible
Ce cours s'adresse aux professionnels du numérique (développeurs, chefs de projet tech), aux étudiants en informatique ou sciences cognitives, ainsi qu'aux décideurs souhaitant comprendre les enjeux stratégiques de l'IA. Aucun prérequis technique avancé n'est nécessaire, mais une familiarité avec les concepts informatiques de base est recommandée.
Contenu détaillé
Sémantique et segmentation de l'IA
L'intelligence artificielle se divise en trois catégories : l'IA faible (exécutant des tâches spécifiques comme les chatbots), l'IA forte (théoriquement capable de raisonnement humain) et l'IA superintelligente (dépassant l'intellect humain). Les questions clés incluent la transparence des algorithmes (boîte noire vs IA explicable) et les biais dans les datasets d'entraînement.
Histoire et percées technologiques
Depuis le test de Turing (1950) jusqu'à AlphaFold (2020), l'IA a connu plusieurs hivers et renaissances. Les progrès récents reposent sur trois piliers : 1) l'explosion des données (Big Data), 2) la puissance de calcul (GPU/TPU), et 3) les avancées algorithmiques (réseaux neuronaux convolutifs, transformers).
Cas d'étude : IBM Watson
La victoire de Watson à Jeopardy! en 2011 a démontré sa capacité à traiter le langage naturel, mais ses applications médicales (comme en oncologie) révèlent aussi des limites. IBM utilise une stratégie hybride combinant cloud computing (Watson Studio) et partenariats sectoriels.
Écosystèmes startups
Les startups US (OpenAI, Scale AI) dominent en financement, tandis que la France mise sur des niches comme l'IA industrielle (Darktrace) ou l'éthique (Mistral AI). Les acquisitions par les GAFAM (comme DeepMind par Google) posent des questions de souveraineté technologique.
Neurosciences et IA
Malgré les progrès en neuromorphique (puces inspirées du cerveau), la singularité reste spéculative. Des projets comme Human Brain Project montrent que la modélisation complète du cerveau humain nécessiterait des exaflops de puissance inaccessibles avant 2040.
Impact sociétal
D'après le McKinsey Global Institute, 30% des tâches actuelles pourraient être automatisées d'ici 2030. Les métiers créatifs ne sont pas épargnés (ex : génération d'images par DALL-E). Les politiques commencent à réguler ces enjeux (AI Act européen).
Perspectives futures
L'évolution de l'IA dépendra de facteurs technologiques (loi de Moore, algorithmes quantiques) mais aussi de choix sociétaux : faut-il privilégier l'efficacité économique ou la préservation des emplois ? Les prochaines décennies verront émerger des hybrides homme-machine.
