3.2 Les domaines de l'intelligence artificielle
Il faut distinguer 2 formes d'intelligence artificielle,
« l'intelligence artificielle forte » (Artificial General
Intelligence) et « l'intelligence artificielle faible » (en anglais
Artificial Narrow Intelligence) (Gonenc, et al., 2016) :
· L'intelligence artificielle « forte » se
rapproche du raisonnement humain. Ce type d'intelligence artificielle est
capable d'appliquer l'intelligence à tout problème contrairement
à l'intelligence artificielle faible. A ce jour il n'existe aucune AGI
opérationnelle, ce domaine se cantonne (pour l'instant) à la
recherche. Le grand public a tendance à penser que c'est ce type
d'intelligence artificielle qui est appliqué alors qu'il relève
de la science-fiction tout comme une troisième forme nommée ASI
(Artificial Super Intelligence) et qui prévoit le sur-classement de
l'homme par la machine dans 30 ans.
· L'intelligence artificielle « faible »
beaucoup plus « terre à terre » vise à imiter
l'intelligence pour répondre à un problème
spécifique, la machine ne fait que donner une impression d'intelligence.
Toutes les applications actuelles sont basées sur des solutions
d'intelligence artificielle faible !
23
3.2.1 Les approches
Depuis les débuts de l'intelligence artificielle dans
les années 1950, deux approches ont été employées
:
Dans la première approche dite symbolique, on
programme des règles et résout un problème à
travers une série d'étapes (les pionniers de l'intelligence
artificielle, pour la plupart logiciens, appréciaient beaucoup cette
méthode). Elle a culminé dans les années 1980 avec le
développement des systèmes experts, programmes dont le but
était d'intégrer une base de connaissances et un moteur de
décision venant de spécialistes de domaines pointus. Cette
approche souffre d'un manque de souplesse, par exemple il faut repartir de
zéro lorsque l'on développe un nouveau modèle.
Dans la deuxième approche dite numérique, on se
concentre sur les données. Les solutions vont rechercher des
corrélations au sein d'ensemble de données de différentes
formes. Cette approche connait depuis une vingtaine d'années une
évolution croissante grâce à l'augmentation de la puissance
de calcul avec notamment l'utilisation des GPU et l'explosion de la
quantité de données disponibles. La plupart des systèmes
actuels utilise le Machine Learning 11, une méthode
fondée sur une représentation mathématique, stochastique
et informatique.
3.2.2 Les sous-domaines de l'intelligence artificielle
Dans certains articles on peut trouver une
représentation classique de l'intelligence artificielle (figure 8) mais
il est difficile de parler d'un domaine avec ses sous branches, l'intelligence
artificielle est plus un concept qui rassemble d'elle-même une multitude
de disciplines scientifiques, d'applications et de méthodes. Toutes plus
ou moins interconnectées. Il est donc difficile de présenter une
liste exhaustive des domaines, cependant voici une présentation des
principaux « sous-domaines » (INRIA, 2016) (Russell & Norvig,
2010) :
Figure 8 - Champs de l'IA (Villanueva & Salenga,
2018)
11 Apprentissage automatique
· Représentation des connaissances :
Cette branche traite de la formalisation des connaissances, le but est
d'implémenter dans les systèmes les représentations
symboliques du savoir humain. C'est là un des secteurs les plus
importants de la recherche en intelligence artificielle.
· Traitement du langage naturel : Cette
discipline vise à étudier la compréhension et
l'utilisation du langage naturel des humains par les machines, on parle de
langage naturel par opposition au langage codé de l'informatique.
· Vision artificielle : Le but de cette
discipline est de permettre aux ordinateurs de comprendre les images et la
vidéo.
· Robotique : Ce sous-domaine vise
à fabriquer des machines physiques, ce qu'on appelle habituellement un
robot. Les robots industriels sont utilisés depuis longtemps, mais ici
on vise à créer des robots avec une certaine autonomie et
capables de percevoir et d'interagir avec leur environnement.
· Machine Learning : Le Machine
Learning vise à automatiser l'analyse de grands ensembles de
données en utilisant des méthodes stochastiques,
mathématiques et d'optimisation. Le but est de trouver des
corrélations dans les données de façon autonome ou non.
Les applications sont diverses.
· Moteurs de règle et système
experts : un système expert est un programme configuré
par un spécialiste qui effectue des tâches précises afin de
simuler le comportement humain.
Ces sous-domaines ne fonctionnent pas en silos, il y a des
interactions fortes entre eux (Russell & Norvig, 2010) (Cambrai, 2017). Par
exemple on peut en NLP utiliser le Machine Learning (Machine
Figure 9 - L'IA : une interconnexion d'applications, de
domaines et de méthodes (See, 2016)
24
25
Learning), les langages développés dans la
représentation des connaissances peuvent servir de base à des
systèmes experts. La figure 9 illustre bien les liens complexes qu'il y
a entre les applications (à gauche), les sous-domaines et les
méthodes d'intelligence artificielle.
Notre étude porte sur la recherche d'une solution qui
permet de classer des données au format texte, c'est
précisément le but d'une tâche qui est au croisement de
deux sous-domaines du TALN12 (en anglais NLP13) et du
Machine Learning : La classification de documents (document classification en
anglais).
| 
