- Comme l’expliquent les experts du Cetim, l’intelligence artificielle (IA) comprend toute technique qui vise à reproduire le comportement d’êtres vivants par des machines, sans que ce comportement soit explicitement programmé.
- L’apprentissage se fait de manière empirique, en nourrissant la machine d’une multitude d’exemples, à l’aide d’algorithmes qui permettent, via des calculs sur des données, de prendre ou aider à prendre des décisions.
- L’intelligence artificielle est la transposition vers la machine de la notion de raisonnement et de choix en autonomie.
Plusieurs techniques peuvent être mises en œuvre : pour une grande partie des offres sur le marché, il s’agit avant tout de méthodes statistiques de réduction de dimensions, fusion de l’information et de visualisation. Ces techniques sont primordiales pour extraire d’une base de données massive des paramètres pertinents. Cette catégorie reprend notamment les méthodes reposant sur la préservation de la distance ou la similarité entre les données, ainsi que des méthodes telles que ACP, ANOVA, ACM…
L’approche supervisée est basée sur la bonne connaissance du phénomène analysé et sur l’intégration d’autres facteurs pour optimiser la performance de l’IA. L’IA utilise alors des modèles éprouvés ou non, à partir desquels elle sera capable de décider, pour affecter les données à des classes connues à l’avance, souvent en collaboration avec l’être humain. L’apprentissage (Machine Learning) supervisé consiste donc à apprendre et à fournir une réponse correcte à partir d’un ensemble de données d’entrées. Pour une réponse catégorielle (à spectre discret), on parle de classification. Pour une réponse numérique (à spectre continu), on parle de régression.
L’approche non supervisée se base sur un volume de données souvent considérable pour identifier des situations en autonomie, grouper et interpréter des données d’entrées en tant que telles. Elle est utilisée lorsque les phénomènes ne sont plus modélisables, ou trop mal connus. L’être humain a peu ou pas d’influence sur le raisonnement et les décisions de la machine.
Les outils associés aux trois principales composantes de l’IA (analyse statistique, apprentissage, exploration de données) comprennent notamment : l’analyse discriminante linéaire et régression, plus proches voisins, arbres de décision, réseaux de neurones et de Deep learning, Support Vector Machines (SVM) ainsi que le couplage de plusieurs méthodes.
Les méthodes adaptatives par dictionnaire ou appelées aussi mono-classe sont particulièrement intéressantes dans l’industrie car elles permettent de détecter les instants de rupture de l’état de fonctionnement normal d’un système.
