Bibliographie & annexes
Quiz & test
Présentation
RÉSUMÉ
L’intelligence artificielle transforme en profondeur de nombreux domaines : recherche scientifique, ingénierie, médecine, agriculture, industrie, commerce ou encore environnement. Cette technologie, de plus en plus performante, rencontre cependant différentes limitations, notamment en matière de fiabilité. Cet article explore les différents défis principaux à relever dans ce sens : l’explicabilité des algorithmes, la qualité des données, la consommation énergétique, sans oublier les questions éthiques et impacts sociétaux à anticiper afin de bâtir la confiance dans cette technologie émergente.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
Jean-François SIGRIST : Ingénieur, journaliste scientifique - eye-π – Tours, France
INTRODUCTION
Technologie des plus prometteuses du XXIe siècle, l’intelligence artificielle (IA) s’impose comme une révolution technologique majeure, transformant des secteurs aussi divers que la recherche scientifique, la médecine et le secteur de la santé, l’industrie et l’agriculture, le commerce et le secteur de la finance, ou encore l’éducation… et la création artistique : le spectre quasi total des activités humaines peut faire appel à l’intelligence artificielle ! Dans les articles compagnons [AG 296] et [AG 297], nous avons respectivement présenté les principes de certaines techniques d’intelligence artificielle et évoqué des exemples qui illustrent la variété de ses applications.
Le développement rapide de l’IA soulève cependant des défis complexes, qui peuvent aujourd’hui limiter ses usages. Parmi les enjeux les plus importants figurent la compréhension des algorithmes que l’intelligence artificielle met en œuvre, l’impact environnemental des infrastructures qu’elle mobilise pour le stockage des données ou les opérations informatiques, la fiabilité et la sécurité des données, et les questions d’éthique que soulèvent ces nouveaux usages. Cet article, qui complète les deux articles cités précédemment, explore succinctement les principaux enjeux de fiabilisation liés aux usages de l’intelligence artificielle ainsi que quelques pistes de recherche actuelles pour dépasser certaines limitations.
Le lecteur trouvera ces références dans la rubrique « Pour en savoir plus » associée à cet article. Une bibliographie supplémentaire et des liens vers des sites internet lui proposent des ressources utiles afin d’approfondir ses connaissances sur le sujet.
L'expertise technique et scientifique de référence
DOI (Digital Object Identifier)
Cet article fait partie de l’offre
Management et ingénierie de l'innovation
(450 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Des modules pratiques
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Postface5. Glossaire
Apprentissage à faible nombre de données ; few-shot learning
Méthode d’intelligence artificielle qui permet à un modèle d’apprendre à résoudre une tâche en utilisant très peu d’exemples. Contrairement aux approches classiques qui nécessitent des milliers de données, l’apprentissage à faible nombre de données cherche à imiter la capacité humaine à généraliser une décision ou une prédiction, etc. à partir de quelques cas seulement : cela le rend utile dans les domaines où les données sont rares ou coûteuses à collecter.
Apprentissage par transfert ; transfer learning
L’apprentissage par transfert consiste à réutiliser un modèle entraîné sur une tâche pour l’adapter à une autre, avec peu de nouvelles données. Cela permet de gagner du temps et des ressources, car le modèle a déjà appris des représentations utiles. Par exemple, un réseau entraîné à reconnaître des animaux peut être ajusté pour identifier des plantes en changeant seulement les dernières couches.
Biais algorithmique ; algorithmic bias
Le biais algorithmique désigne les distorsions ou les préjugés introduits dans les résultats d’un modèle d’intelligence artificielle en raison des données utilisées pour son entraînement ou de la manière dont l’algorithme est conçu. Ces biais peuvent refléter ou amplifier des inégalités existantes dans les données, conduisant à des décisions discriminatoires ou inéquitables. Par exemple, un modèle entraîné sur des données non représentatives pourrait favoriser certains groupes au détriment d’autres.
Données synthétiques ; synthetic data
Les données synthétiques sont des données générées artificiellement par des algorithmes et non collectées dans le monde réel. Elles sont utilisées pour entraîner ou tester des modèles d’IA quand les données réelles sont difficiles à obtenir, sensibles ou insuffisantes. Bien conçues, elles imitent fidèlement les caractéristiques des vraies données tout en protégeant la vie privée ou en élargissant les cas d’usage.
Explicabilité algorithmique ; algorithmic explainability
L’explicabilité en IA fait référence à...
L'expertise technique et scientifique de référence
TEST DE VALIDATION ET CERTIFICATION CerT.I. :
Cet article vous permet de préparer une certification CerT.I.
Le test de validation des connaissances pour obtenir cette certification de Techniques de l’Ingénieur est disponible dans le module CerT.I.
de Techniques de l’Ingénieur ! Acheter le module
Cet article fait partie de l’offre
Management et ingénierie de l'innovation
(450 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Des modules pratiques
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Glossaire
BIBLIOGRAPHIE
-
(1) - GUNNING (D.) et al - XAI-Explainable artificial intelligence. - Science Robotics, 4, 7120 (2019).
-
(2) - DENIS (C.), VARENNE (F.) - Interprétabilité et explicabilité de phénomènes prédits par de l’apprentissage machine. - Revue Ouverte d’Intelligence Artificielle, 3, pp. 287-310 (2022).
-
(3) - GIOT (R.) - Un (petit) pas vers l’explicabilité de l’intelligence artificielle. - Habilitation à Diriger les Recherches, université de Bordeaux (2024).
-
(4) - LIN (Y.T.), HUNG (T.W.), HUANG (L.T.L.) - Engineering equity: How AI can help reduce the harm of implicit bias. - Philosophy & Technology, 34, pp. 65–90 (2021).
-
(5) - TILMES (N.) - Disability, fairness, and algorithmic bias in AI recruitment. - Ethics and Information Technology, 24, p. 21 (2022).
-
...
DANS NOS BASES DOCUMENTAIRES
-
Qualité des données
-
Comment protéger ses données et bases de données ?
-
Explicabilité en Intelligence Artificielle : vers une IA responsable
-
Intelligence artificielle et innovation. Exemples d’applications
Canva
Copy
Claude
DeepL
DeepSeek
DuckDuckGo
i-Ask
Leonardo AI
Midjourney
NotebookLM
OpenAI
Perplexity
SciSummary
Stable Diffusion
https://www.stable-diffusion-france.fr/
Sofa
https://www.sofa-framework.org
Social...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Management et ingénierie de l'innovation
(450 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Des modules pratiques
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
QUIZ ET TEST DE VALIDATION PRÉSENTS DANS CET ARTICLE
1/ Quiz d'entraînement
Entraînez vous autant que vous le voulez avec les quiz d'entraînement.
2/ Test de validation
Lorsque vous êtes prêt, vous passez le test de validation. Vous avez deux passages possibles dans un laps de temps de 30 jours.
Entre les deux essais, vous pouvez consulter l’article et réutiliser les quiz d'entraînement pour progresser. L’attestation vous est délivrée pour un score minimum de 70 %.
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Management et ingénierie de l'innovation
(450 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Des modules pratiques
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
