L’intelligence artificielle concerne la résolution de problèmes, le raisonnement et l’apprentissage en général tandis que l’apprentissage automatique concerne spécifiquement l’apprentissage à partir d’exemples, de définitions, d’informations et de comportements.
Apprendre à jouer à des jeux vidéo peut nécessiter des centaines d’heures de formation et/ou une puissance de calcul très coûteuse. En revanche, écrire un algorithme d’IA qui couvre toutes les éventualités d’une tâche pour résoudre ne nécessite pas autant de dépenses en tout genre.
La complexité de la relation entre ml et ia
La façon la plus simple de penser à leur relation est de les visualiser comme des cercles concentriques avec l’IA en premier et le ML assis à l’intérieur (avec DL à l’intérieur des deux), car le ML nécessite également l’écriture d’algorithmes qui couvrent toutes les éventualités, à savoir le processus d’apprentissage. Le point crucial est qu’ils partagent l’idée d’utiliser le calcul comme langage pour un comportement intelligent.
En d’autres termes, l’IA doit couvrir les connaissances, le raisonnement et l’apprentissage, en utilisant de manière combinée des modèles programmés et basés sur l’apprentissage.
Voici une vidéo qui parle de l’intelligence artificielle :
La quête conjointe pour identifier le comportement intelligent dans les machines
En utilisant le calcul comme langage commun, nous avons parcouru un long chemin, mais le chemin à parcourir est encore long. Aucune des machines intelligentes d’aujourd’hui ne se rapproche de l’étendue et de la profondeur de l’intelligence humaine.
De même, les connaissances et le raisonnement programmés peuvent aider les apprenants à combler leurs lacunes. Il existe une différence symétrique entre l’IA et le ML, et le comportement intelligent dans les machines est une quête commune.
Des calculs entièrement programmés, ainsi que des calculs programmés basés sur l’apprentissage, aideront à mieux généraliser, au-delà des données spécifiques que nous avons vues, si une nouvelle prononciation d’un mot ou d’une image sera significativement différente de celles que nous avons vues auparavant. Ils permettent d’aller nettement au-delà de l’apprentissage supervisé, vers un apprentissage incident et non supervisé, qui ne dépend pas tant des données d’apprentissage étiquetées.