← Retour à l’index Table de correspondance

11. Les méthodes de l’IA, et le « cerveau » qui les porte

DIAPOSITIVES 29 à 32

La partie technique — annoncée par l’orateur lui-même comme « chapitre difficile ».

Cinq familles de méthodes

Apprentissage symbolique — par règles et symboles prédéfinis. C’est la programmation « classique » de l’IA : les systèmes experts des années 1970-1980.

Apprentissage automatique ou statistique (machine learning) — par analyse de données et inférence probabiliste : reconnaître une image, produire un mot… Quatre variantes :

Supervisée : par étiquettes collées aux résultats — retour fourni par l’humain.
Par renforcement : par définition d’objectifs et de « récompenses » — retour humain.
Non supervisée : par extraction de caractéristiques à partir des données (auto-apprentissage), au moyen de modèles prédictifs qui minimisent l’écart entre résultats attendus et observés.
Hybrides : la plupart des modèles combinent plusieurs approches.

Apprentissage profond (deep learning) — extension du machine learning avec des réseaux neuronaux de plus en plus complexes.

Apprentissage génératif — une fois entraînée à la reconnaissance, l’IA est entraînée à générer sur base stochastique : côté image, « débruiter » un ensemble aléatoire de pixels jusqu’à obtenir une image qui ressemble à… ; côté langage, deviner le prochain token dans une suite de mots à partir de corrélations — le modèle transformer.

Méthodes hybrides symbolique / statistique — une voie nouvelle, que l’orateur désigne comme le problème de « l’inné et de l’acquis » en IA.

« L’hallucination » est par principe au cœur de toutes les méthodes génératives.

La phrase mérite d’être isolée, parce qu’elle contredit une croyance répandue : l’hallucination n’est pas un défaut de fabrication qu’on finira par corriger, c’est le mode de fonctionnement lui-même. Un modèle qui n’hallucinerait jamais ne générerait rien.

La carte des méthodes

Diapositive 30 — Les méthodes de l’apprentissage automatique en une carte : le **non supervisé** (réduction de dimension, *clustering*, K-means, K-plus-proches-voisins), le **supervisé** (classification, régression, forêts aléatoires, machines à vecteurs de support) et le **renforcement** (Q-learning, Monte-Carlo, SARSA, différence temporelle).

L’orateur prévient en note : « chapitre difficile ». Il renvoie à une sélection de vidéos expliquant le fonctionnement de l’apprentissage automatique, des réseaux neuronaux, du deep learning et des LLM — « la plupart en anglais ».

Les réseaux de neurones artificiels : le « cerveau » de l’IA

Diapositive 31 — La planche des architectures de réseaux neuronaux : perceptron, *feed forward*, récurrent, LSTM, auto-encodeurs, chaîne de Markov, réseau de Hopfield, machine de Boltzmann, réseaux convolutifs profonds, réseaux antagonistes génératifs… Une trentaine de familles, chacune un schéma de conception distinct.

Différentes architectures de réseaux neuronaux soutiennent les méthodes du machine learning et du deep learning.
Une architecture informatique est une combinaison de matériel et de logiciel dont les spécifications techniques sont indépendantes : ce sont des schémas de conception.
Les architectures illustrent la conception d’un modèle en vue d’une solution ; elles sont couplées à des algorithmes logico-mathématiques.
Un « modèle » d’IA est une combinaison d’architecture et d’algorithmes de résolution de problèmes. C’est la partie interne de l’IA, le moteur sous le capot.
Les grandes avancées de l’IA résultent de l’innovation dans la conception des algorithmes et des architectures.

Le dernier point est une prise de position, et elle sera décisive : si les avancées viennent de la conception et non de la taille, alors DeepSeek n’est pas une anomalie mais une confirmation — et le pari des lois d’échelle de la fiche 2 est mal orienté.

Le neurone, biologique et artificiel

Diapositive 32 — À gauche le neurone biologique — dendrites, noyau, corps cellulaire, axone, terminaisons ; à droite le modèle artificiel — des entrées, une sommation, une fonction d’activation, un biais, une sortie.

Le second n’imite pas le premier : il en emprunte le schéma de principe. Le calcul complet, déroulé jusque dans un tableur, figure en fiche 13.

← 10. Une brève histoire de l’IA 12. Table d’orientation →