Intelligence artificielle
L’intelligence artificielle (IA) est un domaine d'étude qui permet de concevoir des systèmes ou des machines capables de simuler les facultés cognitives humaines telles que l’apprentissage, l’analyse, la compréhension, la résolution de problèmes ou la prise de décisions. Sous certaines conditions, certaines méthodes d’IA permettent même d'égaler ou de dépasser les capacités humaines dans des domaines très précis.
L’IA se distingue par deux caractéristiques qui lui sont propres : l’autonomie et l’adaptabilité.
En effet, l’IA permet à des systèmes ou à des machines d’exécuter des tâches précises dans des environnements complexes de manière autonome, sans le guidage constant d’un humain. Aussi, grâce à l’apprentissage par l’expérience, l’IA est capable d’améliorer ses performances et de s’adapter à de nouvelles situations pour résoudre des problèmes variés de plus en plus complexes.
|
On distingue l’IA générale (IAG) et l’IA étroite. L’IA générale fait référence à une intelligence polyvalente qui, comme l’humain, serait capable de traiter n’importe quelle tâche cognitive dans une variété de domaines. L’IA étroite, quant à elle, n’est conçue que pour traiter des tâches spécifiques.
Toutes les méthodes d’IA utilisées aujourd’hui relèvent de l’IA étroite. L’IAG, bien qu’encore théorique, fait l’objet de nombreuses recherches et les avancées dans ce domaine sont significatives et soutenues. Cependant, elles ne permettent pas encore de reproduire une polyvalence comparable à celle de l’intelligence humaine.
|
L’IA comprend une série de concepts imbriqués et dérivés les uns des autres qui sont apparus au cours des 70 dernières années, notamment : l’apprentissage automatique, l’apprentissage profond et l’IA générative. Elle s’appuie également sur la science des données, un domaine multidisciplinaire faisant appel aux mathématiques, à l’informatique et aux statistiques, qui permet d’extraire et d’extrapoler des connaissances à partir de grandes quantités de données.
Agent d'intelligence artificielle
L’entité physique ou virtuelle capable de percevoir son environnement, de prendre des décisions et d’agir de manière autonome grâce à l’IA est appelée un agent. Les 3 principales fonctions d’un agent sont les suivantes:
- Percevoir : en collectant les informations sur son environnement via des capteurs (caméra, thermostat, etc.) ou des données
- Décider : en analysant les informations perçues et en prenant des décisions basées sur des algorithmes et des modèles prédéfinis
- Agir : en exécutant des actions afin d’atteindre les objectifs pour lesquels il a été conçu
| Exemple
Un robot de fabrication sur une chaîne de production, un logiciel de reconnaissance vocale, un système domotique, un véhicule autonome ou encore les assistants virtuels et les robots conversationnels (chatbot) sont des agents d’IA.
|
Un agent d’IA fonctionne en exécutant un modèle d’IA plus ou moins complexe. Un modèle est le résultat d’un programme conçu pour faire des prédictions ou prendre des décisions. Le modèle repose sur un ou plusieurs algorithmes d’apprentissage. Pour apprendre à accomplir une tâche, le modèle est entraîné sur des ensembles de données afin de reconnaître certains schémas et d’effectuer ces tâches, parfois de manière autonome, selon le contexte d’utilisation.
Il existe différentes catégories d’agent d’IA, selon leur degré d’autonomie et le niveau de complexité des technologies impliquées, dont les principales sont présentées dans le tableau suivant. Un même agent peut appartenir à plusieurs catégories à la fois.
| Catégorie d'agent |
Caractéristiques |
Exemples |
| Agent simple |
- Réagit directement à ce qu’il perçoit de son environnement, selon des règles conditionnelles
- Pas de mémoire ni de capacité d’apprentissage
|
- Un thermostat qui allume le chauffage si la température descend sous 18 °C
|
| Agent réactif basé sur un modèle |
- Prend des décisions basées sur les données actuelles et sur un modèle interne du monde
- Met à jour son modèle interne
|
- Un assistant de navigation qui anticipe les embouteillages en fonction d’un historique stable des embouteillages
- Un aspirateur robot qui se souvient de la disposition d’une pièce et se souvient des zones nettoyées
- La reconnaissance vocale
|
| Agent apprenant (ou adaptatif) |
- Améliore ses performances au fil des nouvelles expériences en utilisant des techniques d’apprentissage
- S’adapte à un environnement dynamique
|
- Un moteur de recommandation qui améliore ses suggestions selon le comportement de l'utilisateur en fonction d’un historique de recherche
- Un thermostat qui apprend les préférences de l’utilisateur en fonction d’un historique d’ajustements manuels
|
| Agent basé sur des objectifs |
- Sélectionne et planifie les actions nécessaires pour atteindre un but donné
|
- Un système de navigation qui recommande l’itinéraire le plus rapide
|
| Agent basé sur l’utilité |
- Sélectionne et planifie les actions nécessaires pour atteindre un but et maximiser une fonction d’utilité définie
|
- Un système de navigation qui recommande l’itinéraire le plus rapide et le plus optimal pour la consommation de carburant et le coût des péages
|
| Système multi-agents |
- Système composé de plusieurs agents fonctionnant de manière indépendante, qui interagissent afin d'atteindre des objectifs individuels ou collectifs
- Chaque agent dans le système peut appartenir à l’une des catégories précédentes
|
- Un système de chaîne d’approvisionnement dans une usine de fabrication qui coordonne différentes machines, pour optimiser la production en fonction des stocks disponibles et de la demande
- Un réseau de drones collaboratifs
|
Selon les données disponibles, le problème à résoudre et le contexte d’utilisation, différents types d’algorithmes peuvent être utilisés et le modèle peut être entraîné selon divers types d’apprentissage.
Apprentissage automatique (machine learning)
|
L'apprentissage automatique est un entraînement qui permet aux modèles d’extraire des connaissances à partir de données, puis de générer une prédiction ou de prendre une décision sur la base de ces données.
Le modèle apprend et s’améliore pour une tâche déterminée à mesure qu’on lui soumet des données ou qu’il acquiert de l’expérience. Les données sur lesquelles les modèles d’IA sont entraînés sont appelées données d’apprentissage. Plus ces données sont importantes et propres, plus le modèle devient performant et plus ses prédictions ou ses décisions sont précises.
|
 |
| Exemple
Pour optimiser le tri optique de ses pommes de terre, un producteur met en place un système de contrôle optique géré par IA. Pour que ce système puisse distinguer les différentes caractéristiques des pommes de terre et écarter celles qui sont non conformes, le modèle d’IA est entraîné avec des données contenant des milliers de photos étiquetées.
|
En apprentissage automatique, on distingue l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement.
Apprentissage supervisé
En mode supervisé, l’apprentissage est basé sur des données étiquetées par l’humain ou autogénérées (ex. : historique de ventes). Chaque exemple d’entraînement est associé à une étiquette de sortie. Le modèle doit apprendre à reconnaître les correspondances entre les entrées et les sorties des données d’entraînement afin qu’il puisse prédire les étiquettes des nouvelles données qu’il n’a pas encore rencontrées.
| Exemple
L’apprentissage supervisé peut être utilisé pour des applications dont l’objectif est de:
- reconnaître les pièces non conformes sur une chaîne de production
- filtrer les pourriels des courriels légitimes
- prédire le nombre d’accidents de la circulation sur la base des conditions routières et de la limitation de vitesse
|
Plusieurs types d’algorithmes sont utilisés pour entraîner les modèles en apprentissage supervisé. Parmi les plus simples, on retrouve ce qui suit:
- La régression linéaire permet de comprendre comment un facteur est influencé par une autre variable et de faire des prédictions pour des variables continues.
- Les arbres de décisions permettent d’effectuer des tâches de classification et de régression tout en offrant une explicabilité des résultats.
|
 |
Apprentissage non supervisé (ou autosupervisé)
En mode non supervisé, il n’y a pas d’étiquetage et le modèle doit apprendre par lui-même, à partir de données brutes. Il doit analyser et découvrir la structure des données lui-même pour, par exemple, faire les regroupements d’éléments similaires qui n’ont pas été préalablement et explicitement étiquetés par l’humain.
| Exemple
L’apprentissage non supervisé peut être utilisé pour des applications dont l’objectif est de:
- générer des recommandations personnalisées sur la base des données de l’utilisateur
- détecter des anomalies dans les données de surveillance des réseaux électriques
|
Apprentissage par renforcement
Ce mode d’apprentissage consiste à indiquer au modèle si l’action ou la réponse qu’il propose est correcte ou non.
L'apprentissage par renforcement se distingue de l'apprentissage supervisé, dans lequel la proposition est suivie du résultat attendu, et de l'apprentissage non supervisé, qui ne comporte aucune rétroaction.
| Exemple
L’apprentissage par renforcement peut être utilisé pour améliorer les processus et les performances dans divers domaines de génie. Par exemple, cela peut permettre d’optimiser:
- les systèmes de gestion du trafic urbain
- le contrôle des mouvements et des actions de robots collaboratifs
- la capacité d’une voiture autonome à réagir en temps réel aux diverses situations routières
|
Apprentissage profond (deep learning)
| L'’apprentissage profond désigne une sous-catégorie de l’apprentissage automatique, qui utilise des réseaux de neurones artificiels inspirés de la structure et du fonctionnement du cerveau humain et qui simulent plus étroitement la complexité du pouvoir de décision du cerveau humain. L’apprentissage profond permet de résoudre des tâches d’une grande complexité ou basées sur une grande quantité de données (mégadonnées).
Les réseaux de neurones artificiels sont composés de nombreuses couches de neurones. Ces couches sont hiérarchisées et reliées entre elles, de sorte que les entrées qui alimentent le système passent tour à tour par chacune d’elles avant d’arriver à la couche de sortie.
|
 |
Ces couches visent l’extraction des caractéristiques d’une grande quantité de données non étiquetées et non structurées et permettent au modèle d’IA de faire ses propres prédictions à partir des représentations de ces données.
Il existe plusieurs types d’architectures de réseaux de neurones artificiels, notamment les suivants:
- Les réseaux de neurones convolutifs (Convolutive Neural Networks [CNN]), essentiels pour la vision par ordinateur et la reconnaissance d’images.
- Les réseaux de neurones récurrents (Recurring Neural Networks [RNN]) et les Mémoires à court et long terme (Long Short-Term Memory [LSTM]), capables de traiter des séquences de données en conservant des informations sur les états précédents.
- Les réseaux de neurones autoattentifs (ou transformeurs), qui ont révolutionné le traitement du langage naturel (TLN) et sont à la base de modèles comme GPT (Generative Pre-trained Transformer). Ils permettent de générer des séquences étendues de contenu comme des mots dans une phrase.
Les modèles d’apprentissage profond, capables de tâches complexes telles que la reconnaissance d’image, le traitement du langage naturel et la génération de contenu ont permis l’émergence de l’intelligence artificielle générative.
Intelligence artificielle générative (IAgen ou, en anglais, Gen-AI)
L’IA générative utilise les modèles d’apprentissage profond pour créer des contenus originaux et complexes. Il peut s’agir de textes, d’images, de vidéos ou de contenus audios qu’on appelle de manière générique artefacts. Ces artefacts sont générés à partir de données existantes en réponse aux requêtes (prompts) d’un utilisateur.
Il existe 3 catégories de modèles d’IA générative:
- Les grands modèles de langage (GML ou LLM en anglais pour Large Language Model), entraînés sur des données textuelles afin de comprendre et générer par eux-mêmes du langage naturel. Ils sont utilisés pour la rédaction, la traduction, la synthèse, l’analyse et la programmation.
- Les modèles de génération d’images, comme les modèles de diffusion (Diffusion Models).
- Les modèles multimodaux combinent plusieurs types de réseaux neuronaux spécialisés pour analyser différents types de médias. Ils sont entraînés sur des données textuelles et audiovisuelles pour générer du texte à partir d’image et des images à partir de descriptions.
| Exemple
Pour les ingénieur.e.s, les outils d’IA générative, pratiques et polyvalents, constituent un soutien dans certaines de leurs tâches: aide à la rédaction, traduction, traitement de données, aide aux calculs, recherche de solutions, etc.
|
Si l’IA générative permet de générer des contenus intéressants et pertinents, il n’est toutefois pas toujours possible d’expliquer comment ces informations ont été obtenues et d’en garantir la fiabilité technique et informationnelle. Cet aspect soulève de nombreux enjeux au regard de la responsabilité et de l’imputabilité de l’ingénieur.e qui utilise l’IA.
La vie d’un modèle d’IA générative comporte 3 phases principales:
- L’entraînement du modèle (aussi appelé préentraînement ou pretraining) consiste à créer un modèle de fondation en utilisant généralement un énorme volume de données.
- L’ajustement vise à effectuer les réglages nécessaires pour aligner le modèle avec les préférences humaines en matière de résultats souhaités. Cette étape fait généralement appel à des méthodes d’apprentissage par renforcement à partir de rétroaction humaine (Reinforcement learning from human feedback [RLHF]) qui permettent d’orienter le modèle vers des réponses conformes aux attentes.
- Le déploiement et la surveillance en continu consistent à déployer le modèle dans des conditions réelles, à l’évaluer et à effectuer de nouveaux réglages pour maintenir ou améliorer sa performance.
À RETENIR : La fiabilité des résultats obtenus à partir d’un modèle d’IA générative dépend grandement de la qualité des données d’entraînement de ce modèle. Chacun doit donc avoir conscience que la fiabilité des réponses obtenues avec un outil d’IA générative est variable selon l’outil utilisé.
|
Le graphique ci-contre montre à quel point les méthodes d’IA ne cessent de progresser, laissant présager d’importantes avancées scientifiques pour une multitude de domaines.
Pour un certain nombre d’activités, l’IA dépasse maintenant les capacités humaines, et le temps requis pour dépasser de nouvelles tâches ne cesse d’accélérer.
|
 |
IA générative et IA agentique : quelle différence?
À la différence de l’IA générative qui fonctionne principalement à partir de directives et d’entrées humaines, un système d’IA agentique est conçu pour agir de manière autonome. Les technologies d’IA agentique intègrent souvent des capacités génératives, mais celles-ci sont utilisées dans un cadre orienté vers l’action et l’autonomie.
Un système d’IA agentique repose généralement sur un orchestrateur qui, avec un minimum de supervision, coordonne les étapes du raisonnement et détermine les actions à entreprendre par les différents agents d’IA spécialisés du système pour atteindre des objectifs prédéfinis.
Ce type de système s’appuie généralement sur une approche de chaîne de pensée (chain of thought, en anglais), consistant à organiser le raisonnement des agents en étapes logiques, ce qui améliore leur capacité à résoudre des problèmes complexes.
Les principales fonctions d’un système d’IA agentique sont : observer, décider, agir et s’adapter.
Exemples de systèmes d’IA agentiques
- Un agent agissant comme assistant personnel pouvant organiser des tâches complexes telles que l’organisation d’un déplacement, incluant l’identification des options de vol et d’hébergement en fonction de critères spécifiques.
- Un inhalateur intelligent qui recueille en temps réel les données du patient et de l’environnement (qualité de l’air) et alerte les professionnels de la santé lorsque cela est nécessaire.
- Un véhicule de livraison autonome qui distribue des commandes de manière rapide et sécuritaire.
|
Ressources
LIENS ET RÉFÉRENCES DE L'ORDRE
- Articles de la revue PLAN
AUTRES LIENS ET RÉFÉRENCES
- Vous avez dit IA? L’intelligence artificielle en français pour le monde des affaires, HEC Montréal, 2025
- Une intelligence artificielle bien réelle : les termes de l’IA, Vitrine linguistique, OQLF
- Qu’est-ce que l’intelligence artificielle (IA)? IBM, 2024
- What are AI agents? IBM (en anglais)
- IA agentique et IA générative, IBM, 2025
- Qu’est-ce que l’orchestration des agents?, IBM, 2025
- « 4 Charts That Show Why AI Progress Is Unlikely to Slow Down », TIME, 2023 (en anglais)
|
|
