L’IA pour prédire
Prédire, ce n’est pas comprendre. L’intelligence artificielle apprend à partir des données pour anticiper des événements, des choix ou des comportements, en s’appuyant sur des corrélations plutôt que sur des causes. Des usages du quotidien aux systèmes de recommandation, ce pôle explore comment ces prédictions façonnent nos décisions, entre promesses d’efficacité, limites techniques et enjeux éthiques.
L’apprentissage
L’apprentissage
L’apprentissage automatique (machine learning) est un sous-domaine de l’IA explorant la construction et l’étude d’algorithmes qui permettent à la machine d’apprendre et d’acquérir de la connaissance à partir de données passées au travers d’exemples ou de l’expérience.
Pour faire des prédictions, la méthode privilégiée est l’apprentissage supervisé.
Les données fournies à la machine comportent une partie descriptive : par exemple, sur des images de chiens, on appose l'étiquette “chien”.
La machine va faire correspondre toutes les données d’un même ensemble et généraliser ce qu’elle a appris pour reconnaître des chiens sur de nouvelles images qu'elle n'a jamais vues.
Pour qu’un modèle d’IA soit le plus robuste possible, plusieurs types d’apprentissage sont combinés, comme l’apprentissage par renforcement qui vise à “punir” ou “récompenser” le modèle d’IA en fonction de la pertinence de sa réponse.
Ces modèles prédictifs touchent notre quotidien. Que ce soit sur les réseaux sociaux, dans le secteur médical ou bancaire, pour les prédictions météorologiques ou encore pour la navigation autonome, ils sont désormais de plus en plus répandus.
L'une des plus grandes prouesses de prédiction est AlphaFold 2 (Google DeepMind).
En 2020, ce modèle d’IA a réussi à prédire la forme 3D de plus de 200 millions de protéines, un problème qui résistait aux biologistes depuis 50 ans et qui a obtenu le prix Nobel de Chimie en 2024 ! Cette avancée est utile pour concevoir des traitements efficaces contre certaines maladies.