Dans le dernier article, nous avons essayé de comprendre ce qu’est exactement l’intelligence artificielle. Puisque l’IA est une technologie dont le but est d’imiter le comportement humain, nous pouvons dire sans risque que les branches de l’IA comprendront les entités qui nous rendent différents des machines. Donc, brièvement sur les branches de l’intelligence artificielle et essayons de les corréler avec les activités humaines!
1.Machine Learning : Il s’agit de la technique qui permet à un ordinateur d’apprendre par lui-même en lui fournissant suffisamment de données. Tout comme les humains, l’apprentissage automatique entraîne un système à prédire un résultat à l’aide d’expériences passées. Un algorithme d’apprentissage automatique reconnaît des modèles dans les données données, forme un modèle et prédit le résultat sans avoir à le programmer explicitement pour la même chose.
Un de mes professeurs a donné un exemple remarquable pour corroborer comment l’apprentissage automatique est juste comme la formation d’un bébé pour faire face au monde. Un bébé s’approche d’une bougie, se brûle le doigt et est maintenant blessé ! Il ne pouvait pas simplement raisonner ce qui venait de se passer. Associons cela à la formation d’un algorithme. Lorsque la bougie lui brûle le doigt pour la deuxième fois, le bébé est maintenant averti et sait ce qui a pu causer la brûlure. Cela peut durer un certain temps, jusqu’à ce que le bébé comprenne enfin que la flamme de la bougie est la cause de la brûlure de son doigt. Maintenant que notre « modèle » est construit, nous allons le tester. La prochaine fois qu’un bébé s’approche d’une bougie, il sait que la flamme peut lui faire du mal et l’évite totalement. On peut dire que notre modèle a été entraîné avec succès ! C’est exactement comme cela que se déroule l’apprentissage automatique.
2.Réseaux neuronaux : Compte tenu du fait qu’il s’agit d’un mot à la mode depuis un certain temps maintenant, un réseau neuronal pourrait sembler être un terme complexe pour certains d’entre nous. Croyez-moi, si vous mettez de côté les mathématiques d’un réseau neuronal, il est assez simple à comprendre. Tout ce que vous devez faire est d’alimenter votre modèle avec des entrées dans la première couche, de spécifier les couches cachées et la sortie serait votre dernière couche. Le rôle des couches cachées est d’extraire des informations importantes de l’entrée fournie, afin de prédire le résultat. Nous pouvons choisir le nombre de couches cachées pour être autant que nous voulons, mais nous devons être prudents car cela peut conduire à un surajustement et à l’inverse altérer la précision de notre modèle.
Si vous êtes familier avec la biologie d’un neurone, les réseaux neuronaux pourraient être plus faciles à comprendre pour vous. La couche d’entrée, comme la dendrite, est le récepteur qui prend l’entrée, le neurone traite l’information comme les couches cachées, et l’axone transfère les signaux traités et agit comme la couche de sortie.
3.La robotique : Ce qui rend la robotique intéressante, c’est qu’elle est l’amalgame du génie mécanique, du génie électrique, de l’informatique et de plusieurs autres domaines scientifiques. Elle traite de la conception, de la production et du fonctionnement des robots, pour effectuer les tâches pour lesquelles il a été construit.
Les robots sont le « corps » d’un système intelligent, il se coordonne avec le programme et ses résultats pour effectuer une fonction spécifique, assez similaire au système squelettique et musculaire du corps humain, non ? C’est étonnant de voir comment les robots peuvent être construits pour être si proches de la vie, un peu comme Sofia, le jour n’est pas loin où nous, les humains, pourrions enfin avoir un robot pour ami !
4.Système expert : Nous savons maintenant comment nous pouvons programmer une machine pour apprendre comme un humain, mais vous vous êtes déjà demandé comment faire pour qu’une machine pense comme un humain ? Eh bien, c’est là que les systèmes experts entrent en jeu. Le système expert est une application qui permet à l’ordinateur d’imiter la capacité de décision des humains. Les trois composants d’un système expert sont l’interface utilisateur, le moteur d’inférence et la base de connaissances.
Comme nos yeux, l’interface utilisateur prend la requête de l’utilisateur et la transmet au moteur d’inférence. Le moteur d’inférence est comme notre cerveau, il a une séquence spécifique de règles pour résoudre un problème et il se réfère à la base de connaissances pour fournir un raisonnement. La base de connaissances est comme notre mémoire, c’est un énorme dépôt d’informations obtenues auprès d’experts du domaine. Par conséquent, le succès d’un système expert dépend fortement de l’exactitude de ses connaissances.
5.La logique floue : Nous, les humains, sommes hautement soumis à avoir un dilemme, il serait donc juste que les systèmes que nous concevons soient formés pour faire face à de telles situations aussi. La logique floue est une technique qui permet de résoudre des problèmes comportant des incertitudes. Imaginez que vous regardez le ciel et que vous voyez quelques nuages gris foncé par une belle journée ensoleillée. C’est déroutant, non ?
Pourriez-vous déterminer s’il va pleuvoir ou non ? Pourriez-vous dire un » oui catégorique » ou un » non catégorique » ? C’est ici que la logique floue vous aidera ! Contrairement à l’algèbre de Boole, la logique floue ne requiert pas les valeurs absolues » Vrai » ou » Faux « . En fait, vous pouvez avoir des valeurs intermédiaires comme » partiellement vrai » ou » partiellement faux » lorsque vous utilisez la logique floue. Une architecture floue comprend quatre composants : la base de règles, la fuzzification, le moteur d’inférence et la défuzzification. La base de règles est constituée d’un ensemble de règles et de conditions « si-alors » fournies par les experts pour régir la prise de décision. La fuzzification est utilisée pour convertir les entrées claires (les valeurs transmises au système pour traitement) en ensembles flous. Le système d’inférence détermine alors le degré de correspondance de chaque règle et décide quelles règles doivent être activées en conséquence. Les entrées déclenchées sont ensuite combinées pour former des actions de contrôle. La défuzzification convertit les ensembles flous obtenus à partir du moteur d’inférence en valeurs claires et les transmet ensuite comme sortie.
6.Traitement du langage naturel : Avez-vous déjà essayé de communiquer avec quelqu’un qui ne parlait pas votre langue et qui ne pouvait pas vous comprendre ? Un défi de taille, non ? Imaginez maintenant que vous essayez de communiquer avec un ordinateur, n’est-ce pas encore plus difficile ? Que signifient les mots et les phrases pour un ordinateur qui ne comprend que le langage des zéros et des uns ? Apprendre aux machines à comprendre notre communication ne semble peut-être pas être une tâche facile. Eh bien, oui et non.
Le processus consistant à faire en sorte qu’une machine lise, déchiffre, comprenne et donne du sens à l’interaction humaine est appelé traitement du langage naturel. En bref, le système de langage naturel fonctionne de la manière suivante : une personne dit quelque chose à la machine, la machine enregistre le son et transforme l’audio en texte. Le système NLP analyse ensuite le texte en composants, comprend le contexte de la conversation et l’intention de la personne. En fonction des résultats, la machine détermine quelle commande doit être exécutée. C’est exactement comme cela que les humains communiquent, nous écoutons ce que l’autre personne dit, nous essayons de comprendre le sens de son discours, puis nous donnons une réponse appropriée dans le même contexte. Pas vrai ?
Je crois qu’on peut dire que l’intelligence artificielle est encore plus amusante quand on essaie de la corréler avec les activités humaines. N’êtes-vous pas d’accord ? Eh bien, c’est tout pour cet article. Dans le prochain, je vous parlerai de certaines applications de l’IA, restez à l’écoute!