Dossier Intelligence Artificielle

Ce dossier thématique est une co-publication avec la Revue 3EI, N°108 [13] d’avril 2022, N°109 [14] de juillet 2022 et N°110 [15] d'octobre 2022.

L'intelligence artificielle (IA), comme la robotique, est une discipline aux contours peu précis. Si on laisse de côté l’intelligence artificielle forte, encore lointaine, qui vise à simuler un comportement humain dans l’ensemble des champs de la connaissance et des interactions, l’intelligence artificielle dite faible est une famille de méthodes utilisées pour résoudre des problèmes.

Le terme intelligence vient de la ressemblance avec le raisonnement humain. Avant les années 2010, les systèmes dit intelligents calculaient rapidement des solutions aux problèmes à partir de lois comportementales codées par des ingénieurs spécialistes du problème en question. Cela allait du jeu d’échec électronique pour débutant au système de délestage du réseau électrique.

Depuis l’apparition des premiers neurones artificiels inspirés de nos neurones biologiques, la ressemblance avec l’intelligence humaine est descendue au niveau de l’apprentissage. Avec des algorithmes complexes pour optimiser l’apprentissage de centaines de couches composées de milliers de nœuds, les réseaux de neurones modernes se sont éloignés de leur modèle biologique et offrent aujourd’hui des perspectives de progrès dont on peine à envisager les limites.

Chaque avancée de l’IA, ses victoires aux échecs puis au jeu de go, ses créations musicales ou picturales, ses traductions instantanées, ses diagnostics médicaux interrogent sur les métiers qui lui seraient inaccessibles et sur la nature de l’intelligence humaine.

En permettant de traiter des systèmes complexes difficilement descriptibles par des équations ou des arbres (images, voix humaines, ...), les réseaux de neurones sont un outil très prometteur également pour les sciences de l’ingénieur, que ce soit en les utilisant dans leurs champs de prédilection (le traitement d’images, de la voix, du langage) ou directement pour le contrôle de machines ou la modélisation de matériaux. Cela explique leur apparition dans les formations d’ingénieur, notamment dans le programme de sciences de l’ingénieur de CPGE.

L’objectif de ces ressources est de donner les bases nécessaires pour mettre en œuvre les algorithmes de l’IA développés dans les laboratoires d’IA. Cela comprend des ressources de présentation des concepts, des travaux pratiques et des exemples d’applications de l’IA dans l’industrie et dans la recherche.

Contenu du dossier :

Bases théoriques de l'IA :

• Introduction à l'apprentissage automatique [16]
• Introduction à l'apprentissage profond [17]
• Introduction à l'apprentissage par renforcement [18]
• Séries temporelles et réseaux de neurones récurrents [19]

Exemples de TP et de projet :

• Stabilisation d'un pendule inversé à l'aide d'un apprentissage par renforcement [20]
• Apprentissage supervisé - Comportement aérien d'un drone [21]
• Apprentissage par renforcement de la conduite d'un véhicule sur AirSim [22]
• Introduction aux bibliothèques Gym et Stable-Baselines pour l'apprentissage par renforcement [23]
• Word Embedding - Les mots et le Learning Machine [24]
• Apprentissage par renforcement et transfert simulation vers réalité pour la conduite de voitures autonomes [25]

Applications industrielles ou de recherche :

• Suivi cellulaire par traitement d'images et apprentissage [26]
• L'intelligence artificielle au service de la mobilité urbaine à Rennes par Lacroix Group [27]
• Détection et classification automatique des documents pour l'application KYC [28]
• Introduction aux méthodes d'accélération de réseaux de neurones [29]
• Intégrer les connaissances physiques dans les réseaux de neurones : Application à l’apprentissage de lois de comportement de matériaux à partir de mesures de déformation par fibres optiques [30]
• Imagerie du sein par réseaux de neurones convolutionnels en cascade à partir de données conjointes micro-ondes et ultrasons [31]