L'Intelligence Artificielle (IA) est partout autour de nous : dans nos smartphones, nos voitures, nos assistants vocaux, nos recommandations Netflix. Mais qu'est-ce que c'est vraiment ? Comment ça fonctionne ? Et surtout, comment les machines "apprennent" ?

Lors de notre récente présentation au club informatique, nous avons exploré les fondamentaux de l'IA à travers la théorie et des démonstrations pratiques dont des programmes en python générés par une AI. Cet article résume tout ce que vous devez savoir pour comprendre cette révolution technologique.

1. Les fondamentaux de l'intelligence artificielle

1.1. Qu'est-ce que l'intelligence artificielle ?

L'IA est la capacité d'une machine à imiter des comportements intelligents : apprendre, raisonner, résoudre des problèmes, comprendre le langage, reconnaître des images, et prendre des décisions.

Contrairement à la programmation classique où on donne des instructions précises ("si X alors Y"), l'IA apprend par l'expérience. On ne lui dit pas comment résoudre un problème, elle le découvre toute seule.

1.2. Les trois niveaux d'IA

IA faible (ou étroite)

• Spécialisée dans UNE tâche précise
• Exemples : reconnaissance faciale, traduction automatique, jeu d'échecs
• C'est ce qui existe aujourd'hui (ChatGPT, Siri, voitures autonomes...)

IA forte (ou générale)

• Capable de réaliser n’importe quelle tâche intellectuelle humaine
• Elle n'existe pas encore, c'est un objectif de recherche

Super-IA

• Surpasserait l'intelligence humaine dans tous les domaines
• C’est de la pure science-fiction pour l'instant

2. Les trois types d'apprentissage

Comment une IA apprend-elle ? Il existe trois approches principales :

2.1. Apprentissage supervisé

Principe : On montre des exemples à l'IA avec les bonnes réponses.

Analogie : C'est comme apprendre avec un professeur qui corrige vos exercices.

 Par exemple :

• Montrer 10,000 photos de chats étiquetées "chat"
• Montrer 10,000 photos de chiens étiquetées "chien"
• L'IA apprend à distinguer les deux

Applications :

• Reconnaissance d'images (photos, radiographies médicales)
• Filtres anti-spam (courriels marqués "spam" ou "non-spam")
• Traduction automatique (textes avec leurs traductions)
• Prédiction de prix (historique des prix → prédiction future)

2.2. Apprentissage non-supervisé

Principe : L'IA découvre des patterns sans qu'on lui donne les réponses.

Analogie : C'est comme un enfant qui classe ses jouets par couleur sans qu'on lui ait demandé.

Applications :

• Segmentation de clients (grouper les clients similaires)
• Détection d'anomalies (fraude bancaire, pannes machines)
• Compression de données
• Systèmes de recommandation ("les clients qui ont aimé X ont aussi aimé Y")

2.3. Apprentissage par renforcement

Principe : L'IA apprend par essais-erreurs avec un système de récompenses/punitions. C'est l'approche la plus proche de l'apprentissage humain !

Analogie : C'est comme dresser un chien, il essaie des choses, on le récompense quand c'est bien.

Applications :

• Jeux (AlphaGo qui bat le champion du monde de Go)
• Robotique (robot qui apprend à marcher)
• Voitures autonomes (apprendre à conduire en toute sécurité)
• Trading financier (optimiser les investissements)

3. Les réseaux de neurones, cerveau de l'IA

3.1. Comment ça fonctionne ?

Un réseau de neurones artificiel s'inspire du cerveau humain. Il est composé de :

1. Neurones Artificiels

• Reçoivent des informations (entrées)
• Les combinent avec des "poids" (importance de chaque info)
• Produisent une sortie

2. Couches de Neurones

• Couche d'entrée : reçoit les données brutes (pixels d'une image, mots d'un texte...)
• Couches cachées : extraient des caractéristiques de plus en plus abstraites. Il peut exister plusieurs couches cachées.
• Couche de sortie : donne la réponse finale (classification, prédiction...)

3.2. L'Entraînement : Comment l'IA Apprend

1. Forward Propagation (Propagation Avant)

• Les données traversent le réseau
• Le réseau donne une réponse (souvent fausse au début)

2. Calcul de l'Erreur

• Comparer la réponse du réseau avec la bonne répons
• Mesurer l'écart (erreur)

3. Backpropagation (Rétropropagation)

• L'erreur remonte dans le réseau
• Chaque poids est ajusté pour réduire l'erreur

4. Répétition

• Répéter des millions de fois
• L'erreur diminue progressivement
• Le réseau devient de plus en plus précis

C'est comme apprendre à lancer un ballon dans un panier : on rate, on ajuste, on recommence, jusqu'à réussir !

3.3 - Les Architectures de Réseaux

3.4. Métriques et Comparaisons des modèles IA

Un paramètre = un poids dans le réseau de neurones. Plus un modèle a de paramètres, plus il peut apprendre de choses complexes.

4. Les Algorithmes d'Apprentissage en Détail

4.1. Q-Learning : Apprendre par Essais-Erreurs

Principe de base : Le Q-Learning est une forme d'apprentissage par renforcement où l'IA apprend la "valeur" de chaque action dans chaque situation.

Le concept de Q-Value :

Q(état, action) = "Quelle est la qualité de cette action dans cette situation ?"

Formule de Bellman : Nouvelle Q-value = Ancienne + α × (Récompense + γ × Meilleure future - Ancienne) Où : • α (alpha) = taux d'apprentissage • γ (gamma) = facteur de discount (importance du futur) • ε (epsilon) = exploration vs exploitation

Les actions sont et leurs valeurs sont enregistrées dans une Q-Table qui sert de « mémoire de référence » à l’IA

Exemple : Jeu de Morpion

• État = configuration du plateau (9 cases)
• Actions possibles = placer son symbole dans une case vide
• Récompenses : Victoire +1, Défaite -1, Match nul +0.1

Après 1000 parties, la Q-Table contient un certain nombre de valeurs et l'IA sait exactement quel coup jouer dans chaque situation !

Article issu des notes de la réunion du 20/02/2026