IA

L’intelligence artificielle (IA) désigne des programmes ou machines capables d’imiter certaines fonctions de l’intelligence humaine, comme réfléchir, apprendre, comprendre du texte, reconnaître des images ou prendre des décisions.
Elle repose sur des algorithmes, c’est-à-dire des instructions mathématiques qui permettent aux machines d’analyser des informations et de s’améliorer avec le temps.

📌 Principe : L’ordinateur suit des règles logiques et des instructions précises définies par des humains.

• Exemple : Dans le cadre de l'intelligence artificielle symbolique, qui repose sur la manipulation de symboles et de règles logiques pour reproduire le raisonnement humain , l'étude de trois algorithmes de recherche appliqués au jeu "Trouver le nombre" est particulièrement instructive :

• Algorithme de recherche aléatoire : Cet algorithme sélectionne des nombres au hasard sans se baser sur les tentatives précédentes. Bien que simple, il est généralement inefficace en raison de son absence de stratégie structurée.

• Algorithme de recherche aléatoire avec retour d'information : Ici, l'algorithme ajuste ses futures propositions en fonction des indications "plus grand" ou "plus petit" obtenues après chaque essai. Cette méthode améliore l'efficacité en réduisant progressivement l'intervalle de recherche.

• Algorithme de recherche dichotomique (ou par dichotomie) : Basé sur une approche systématique, cet algorithme divise l'intervalle de recherche en deux à chaque étape, en se basant sur les retours "plus grand" ou "plus petit". Cette méthode est particulièrement performante, car elle réduit exponentiellement le nombre de possibilités à chaque itération.

L'analyse comparative de ces algorithmes met en évidence l'efficacité supérieure de larecherche dichotomique dans des contextes où les règles et les structures logiques peuvent être clairement définies, illustrantainsi la puissance des approches symboliques en intelligence artificielle.

Programme en Python

🔹 Limite : Ce type d’IA ne peut pas apprendretout seul, il doit être programmé à l’avance.

• Exemple : YouTube propose des vidéos en fonction de ce que vous avez regardé auparavant.
• Limite : L’IA peut faire des erreurs si les données qu’elle analyse sont biaisées ou incomplètes.

👉 Deux sous-catégories du Machine Learning :

• Apprentissage non supervisé 🕵️‍♂️ : L’IA cherche elle-même des modèles dans les données (ex : regrouper des clients ayant des goûts similaires).
• Apprentissage supervisé 🏫 : L’IA apprend à partir d’exemples donnés par un humain (ex : reconnaître des chiffres manuscrits).

Pierre-Feuille-Ciseau

Le jeu "Pierre-Feuille-Ciseau" est un jeu de mains très simple qui se joue généralement à deux. Voici comment il fonctionne :

• Choix simultané : Chaque joueur choisit secrètement l'un des trois gestes :
  • Pierre (un poing fermé)
  • Feuille (la main ouverte)
  • Ciseau (le poing avec l'index et le majeur étendus, formant une sorte de "V")
• Règles de victoire :
  • La pierre bat les ciseaux (la pierre écrase les ciseaux)
  • Les ciseaux battent la feuille (les ciseaux coupent la feuille)
  • La feuille bat la pierre (la feuille enveloppe la pierre)
• Déroulement : Les deux joueurs dévoilent leur geste en même temps. Si les deux choisissent le même geste, c'est une égalité ; sinon, la victoire est déterminée par les règles ci-dessus.

On écrit un programme ou l'utilisateur jour contre l'ordinateur. Le code lance une partie dans laquelle, à chaque coup du joueur, deux algorithmes sont testés en parallèle :

• Algorithme aléatoire : qui choisit simplement un coup au hasard.
• Algorithme prédictif : qui utilise une table d’occurrences (n‑grams sur jusqu’à 10 niveaux) pour prédire le prochain coup du joueur (en se basant sur l’historique précédent) et joue le coup qui bat cette prédiction.

À chaque round, les deux coups calculés sont comparés avec le coup réel du joueur. Des scores distincts sont mis à jour pour chacun des algorithmes. Un tableau (issu des n‑grams) affiche aussi, pour chaque niveau de contexte disponible, la distribution observée et la prédiction (avec sa « confiance »).

On peut considérer cet algorithme comme une approche rudimentaire d'apprentissage non supervisé dans la mesure où il "apprend" à partir des données brutes (les séquences de coups) sans disposer d'étiquettes explicites. En effet, il se contente de compter les occurrences et de calculer des distributions de probabilités pour prédire le prochain coup.

Cependant, il est important de noter que cet algorithme reste très basique par rapport aux techniques de machine learning modernes. Il n'utilise pas de modèles paramétriques complexes ni d'optimisation par gradient, et il ne généralise pas de la même manière que des méthodes telles que les réseaux de neurones ou les modèles de Markov cachés. En ce sens, même si on peut l'assimiler à une forme d'apprentissage non supervisé, il ne représente qu'une implémentation élémentaire d'une stratégie statistique basée sur des n-grams.

Programme en Python

Principe : Utilise des réseaux de neurones artificiels, inspirés ducerveau humain, pour analyser de grandes quantités de données.

Apprentissage supervisé

L’IA apprend à partir d’exemples annotés, c’est-à-dire de données accompagnées de la bonne réponse (appelée label).
Exemple: reconnaître des chiffres manuscrits lorsque l’on fournit à l’IA de nombreuses images de chiffres avec leur valeur correcte indiquéeà côté.

Apprentissage non supervisé

L’IA apprend seule, sans correction préalable,en cherchant à repérer des ressemblances, des structures cachées ou des regroupements dans les données.

Exemple : regrouper automatiquement des patients atteints de diabète selon leur âge, leur poids, leur tension artérielle, leur glycémie, leur cholestérol, etc., afin de dégager différents profils de risque.

Apprentissage par renforcement

L’IA apprend par essais et erreurs, en recevant des récompenses lorsqu’elle agit correctement et des pénalités lorsqu’elle fait une erreur.

Principe général : Un agent (IA, robot,programme) agit dans un environnement.

• Chaque action entraîne une nouvelle situation (état).

• L’agent reçoit un signal numérique appelé récompense (reward).
  Ce signal peut être positif (l’action va dans la bonne direction) ou négatif (l’action est mauvaise).

L’IA cherche à maximiser la somme des récompenses sur le long terme, pas seulement le gain immédiat.

Exemple : un robot qui apprend à se déplacer dans un hôpital, en évitant les obstacles et en trouvant le meilleur chemin pour livrer des médicaments.

En théorie, il peut fonctionner seul : l’agent(IA) agit dans un environnement, reçoit des récompenses/pénalités,et ajuste progressivement sa stratégie.
Mais en pratique :

On utilise parfois l’apprentissage supervisé pour donner un “coup de pouce” initial à l’IA, afin qu’elle ne parte pas complètement au hasard (on appelle ça de l’apprentissage par imitation).

On peut aussi combiner les approches :apprentissage non supervisé pour analyser l’environnement, puis renforcement pour optimiser les actions.

Exemple concret :
Un robot peut apprendre à marcher uniquement par renforcement (comme l’expérience des quadrupèdes virtuels d’OpenAI). Mais si on lui montre d’abord des exemples de marche (supervisé), il apprendra beaucoup plus vite.

La « méthode CRAFT » appliquée à l’IA (ou plus précisément au prompting / prompt engineering) est une manière structurée de concevoir des requêtes (prompts) pour que l’IA (comme ChatGPT) produise des réponses pertinentes, précises et utiles.

L’acronyme CRAFT signifie :

• C pour Contexte

• R pour Rôle

• A pour Action

• F pour Format

• T pour Ton / Target (cible / style)