De la machine de Turing à l'intelligence artificielle
Résumé de cours
De la machine de Turing à l'intelligence artificielle Enseignement scientifique · Tle · Les Génies des Sciences · geniesdessciences.com
Ce résumé condense l’exigible du chapitre. L’idée directrice : de la machine à tâche unique à la machine universelle de Turing, puis à des algorithmes qui apprennent de données massives — avec une vigilance à garder sur les biais et sur la confusion corrélation/causalité.
De la machine spécialisée à l’ordinateur universel
- Jusqu’au début du XXᵉ siècle, les machines traitant l’information étaient limitées à une ou quelques tâches prédéterminées (métiers à tisser à cartes perforées, machines à trier ou sommer des cartes).
- Turing a le premier proposé le concept de machine universelle — capable d’exécuter n’importe quel programme — matérialisé dix ans plus tard par les premiers ordinateurs, constitués au minimum d’un processeur et d’une mémoire vive.
- Un ordinateur manipule des données numérisées : textes, images, sons. Les programmes sont aussi des données : ils peuvent être stockés, transportés, traités. Un programme en langage de haut niveau (Python, Scratch) est traduit en instructions propres à chaque processeur.
- Un programme peut atteindre des centaines de millions de lignes : la présence de bogues est très probable, avec parfois des conséquences graves.
Taille d’un texte en ASCII non compressé
Une page d’environ 3 000 caractères pèse donc environ 3 ko. Ordres de grandeur à connaître : une image se compte en mégaoctets, un son en mégaoctets, une vidéo en gigaoctets.
L’intelligence artificielle et l’apprentissage automatique
- L’IA est née en 1956 : simuler sur ordinateur les facultés cognitives humaines. L’approche symbolique initiale (puis les systèmes experts des années 70-80) n’a pas tenu ses promesses.
- Aujourd’hui, « IA » désigne surtout l’un de ses sous-domaines : l’apprentissage automatique — un algorithme qui évalue et améliore ses propres performances en répétant son exécution sur des jeux de données (textes, sons, images, mesures), sans être reprogrammé par un humain.
- Il exploite des méthodes mathématiques qui repèrent des tendances (corrélations, similarités) dans des données massives pour faire des prédictions ou prendre des décisions — par exemple avec une courbe de tendance (régression) qui estime une valeur inconnue à partir des données d’entraînement.
- La qualité et la représentativité des données sont essentielles : le risque majeur est l’amplification des biais contenus dans les données. Autres points de vigilance éthiques : données personnelles, responsabilité, usages sensibles.
L’inférence bayésienne et le diagnostic
- L’inférence bayésienne calcule la probabilité des causes à partir des probabilités de leurs effets. Elle sert notamment au diagnostic : à partir d’un tableau de contingence, on compte vrais positifs (VP), faux positifs (FP), vrais négatifs (VN), faux négatifs (FN).
Que vaut un test positif ?
C’est la proportion de personnes réellement malades parmi les tests positifs. Si la maladie est rare, elle peut être étonnamment faible même pour un test fiable — d’où l’intérêt du tableau de contingence. Même démarche pour la reconnaissance d’images ou le filtrage des spams.
Les pièges classiques
Une corrélation n’est pas une causalité : deux grandeurs peuvent varier ensemble sans que l’une cause l’autre (facteur caché, hasard). Une IA n’est pas neutre : elle amplifie les biais de ses données d’entraînement. Et un test positif ne signifie pas « malade à coup sûr » : tout dépend de la fréquence de la maladie et des faux positifs.