Qu'est-ce que l'intelligence artificielle (IA) ?

Dans son article précurseur de 1950, « Computing Machinery and Intelligence », Alan Turing s'est demandé si les machines pouvaient penser. Dans cet article, Turing a d'abord inventé le terme intelligence artificielle et l'a présenté comme un concept théorique et philosophique. 

Entre 1957 et 1974, les développements informatiques ont permis aux ordinateurs de stocker davantage de données et de traiter plus rapidement. Au cours de cette période, les scientifiques ont poursuivi le développement d'algorithmes de machine learning (ML). Les progrès réalisés dans ce domaine ont conduit des agences comme l'Agence pour la recherche avancée des projets intéressant la défense (DARPA pour Defense Advanced Research Projects Agency) à créer un fonds pour la recherche sur l'IA. Dans un premier temps, l'objectif principal de cette recherche était de découvrir si les ordinateurs pouvaient transcrire et traduire le langage parlé.

Au cours des années 1980, l'augmentation du financement disponible et l'expansion de la boîte à outils algorithmique utilisée par les scientifiques dans le domaine de l'IA ont rationalisé le développement. David Rumelhart et John Hopfield ont publié des articles sur les techniques de deep learning, qui ont montré que les ordinateurs pouvaient tirer des leçons de l'expérience. 

De 1990 au début des années 2000, les scientifiques ont atteint de nombreux objectifs fondamentaux de l'IA, comme battre le champion du monde d'échecs en titre. Avec plus de données informatiques et de puissance de traitement à l'ère moderne qu'au cours des décennies précédentes, la recherche sur l'IA est désormais plus courante et plus accessible. Elle évolue rapidement vers l'intelligence générale artificielle, ce qui permet aux logiciels d'effectuer des tâches complexes. Les logiciels peuvent créer, prendre des décisions et apprendre par eux-mêmes des tâches auparavant réservées aux humains.

L'intelligence artificielle dispose d'un large éventail d'applications. Bien qu'il ne s'agisse pas d'une liste exhaustive, voici une sélection d'exemples qui mettent en lumière différentes utilisations de l'IA.

Traitement intelligent des documents

Le traitement intelligent des documents (IDP) traduit les formats de documents non structurés en données utilisables. Par exemple, il convertit des documents commerciaux tels que des e-mails, des images et des PDF en informations structurées. IDP utilise des technologies d'intelligence artificielle telles que le traitement du langage naturel (NLP), le deep learning et la vision par ordinateur pour extraire, classer et valider les données. 

Par exemple, HM Land Registry (HMLR) gère les titres de propriété pour plus de 87 % de l'Angleterre et du pays de Galles. Les responsables de dossiers du HMLR comparent et examinent des documents juridiques complexes liés aux transactions immobilières. L'organisation a déployé une application d'intelligence artificielle pour automatiser la comparaison des documents, ce qui a permis de réduire de moitié le temps de révision et de booster le processus d'approbation des transferts de propriété. Pour plus d'informations, découvrez comment HMLR utilise Amazon Textract.

Surveillance des performances de l'application

La surveillance de la performance des applications (APM) est le processus qui consiste à utiliser des outils logiciels et des données de télémétrie pour surveiller la performance des applications critiques pour l'entreprise. Les outils APM basés sur l'IA utilisent des données historiques pour prévoir les problèmes avant qu'ils ne surviennent. Ils peuvent également régler les problèmes en temps réel en proposant des solutions efficaces à vos développeurs. Cette stratégie permet de résoudre les problèmes de blocage et aux applications de bien fonctionner.

Par exemple, Atlassian fabrique des produits destinés à rationaliser le travail d'équipe et l'organisation. Atlassian utilise des outils d'IA APM pour surveiller en permanence les applications, détecter les problèmes potentiels et hiérarchiser leur gravité. Grâce à cette fonction, les équipes peuvent répondre rapidement aux recommandations issues du machine learning et corriger les baisses de performances. 

En savoir plus sur APM »

Maintenance prévisionnelle

La maintenance prédictive améliorée par l'IA est le processus qui consiste à utiliser d'importants volumes de données pour identifier les problèmes susceptibles d'interrompre des opérations, des systèmes ou des services. La maintenance prédictive permet aux entreprises de résoudre les problèmes potentiels avant qu'ils ne surviennent, ce qui réduit les temps d'arrêt et prévient les perturbations.

Par exemple, Baxter utilise 70 sites de fabrication dans le monde entier et fonctionne 24 heures sur 24 et 7 jours sur 7 pour fournir des technologies médicales. Baxter utilise la maintenance prédictive pour détecter automatiquement les conditions anormales des équipements industriels. Les utilisateurs peuvent mettre en œuvre des solutions efficaces à l'avance afin de réduire les temps d'arrêt et d'améliorer l'efficacité opérationnelle. Pour en savoir plus, découvrez comment Baxter utilise Amazon Monitron.

Recherche médicale

La recherche médicale utilise l'IA pour rationaliser les processus, automatiser les tâches répétitives et traiter de grandes quantités de données. Vous pouvez utiliser la technologie de l'IA dans la recherche médicale pour faciliter la découverte et le développement de produits pharmaceutiques de bout en bout, transcrire des dossiers médicaux et améliorer les délais de commercialisation de nouveaux produits.

À titre d'exemple concret, C2i Genomics utilise l'intelligence artificielle pour exécuter des pipelines génomiques et des examens cliniques personnalisables à grande échelle. En couvrant les solutions informatiques, les chercheurs peuvent se concentrer sur les performances cliniques et le développement de méthodes. Les équipes d'ingénierie utilisent également l'IA pour réduire les demandes de ressources, la maintenance technique et les coûts liés aux NRE. Pour plus de détails, découvrez comment C2i Genomics utilise AWS HealthOmics.

Analyse d'activités

L'analyse d'activités utilise l'IA pour collecter, traiter et analyser des jeux de données complexes. Vous pouvez utiliser les analyses fondées sur l'IA pour prévoir les valeurs futures, comprendre la source des données et réduire les processus fastidieux. 

Par exemple, Foxconn utilise des analyses commerciales améliorées par l'IA pour améliorer la précision des prévisions. L'entreprise a augmenté de 8 % la précision des prévisions, ce qui s'est traduit par des économies de 533 000 dollars par an dans leurs usines. Elle utilise également l'analyse d'activités pour réduire le gaspillage de main-d'œuvre et améliorer la satisfaction des clients grâce à une prise de décision basée sur les données.

L'architecture de l'intelligence artificielle se compose de quatre couches principales. Chacune de ces couches utilise des technologies distinctes pour jouer un rôle particulier. Voici une explication du fonctionnement de chaque couche.

Couche 1 : couche de données

L'IA repose sur diverses technologies telles que le machine learning, le traitement du langage naturel et la reconnaissance d'images. Les données, qui constituent la couche fondamentale de l'IA, sont au cœur de ces technologies. Cette couche se concentre principalement sur la préparation des données pour les applications d'IA. Les algorithmes d'aujourd'hui, en particulier ceux du deep learning, nécessitent d'importantes ressources informatiques. Cette couche inclut donc du matériel qui se comporte comme une sous-couche et qui fournit une infrastructure essentielle pour la formation des modèles d'IA. Vous pouvez accéder à cette couche en tant que service entièrement géré auprès d'un fournisseur de cloud tiers.

En savoir plus sur le machine learning »

Couche 2 : frameworks de ML et couche d'algorithmes

Les frameworks de ML sont créés par des ingénieurs en collaboration avec des scientifiques des données pour répondre aux exigences de cas d'utilisation métier spécifiques. Les développeurs peuvent ensuite utiliser des fonctions et des classes prédéfinies pour créer et entraîner des modèles facilement. TensorFlow, PyTorch et scikit-learn sont des exemples de frameworks. Ces frameworks sont des composants importants de l'architecture des applications et offrent des fonctionnalités essentielles pour créer et entraîner facilement des modèles d'IA.

Couche 3 : couche du modèle

Au niveau de la couche du modèle, le développeur de l'application implémente le modèle d'IA et l'entraîne à l'aide des données et des algorithmes provenant de la couche précédente. Cette couche est essentielle pour les capacités décisionnelles du système d'IA.

Voici quelques-uns des principaux composants de cette couche.

Structure du modèle

Cette structure, comprenant des couches, des neurones et des fonctions d'activation, détermine la capacité d'un modèle. Selon le problème et les ressources, on peut choisir entre les réseaux neuronaux à action directe, les réseaux neuronaux convolutifs (CNN) ou d’autres systèmes.

Paramètres et fonctions du modèle

Les valeurs apprises au cours de l'entraînement, telles que les poids et les biais des réseaux neuronaux, sont essentielles pour les prédictions. Une fonction de perte évalue les performances du modèle et a pour objectif de minimiser l'écart entre les sorties prévues et les sorties réelles.

Optimiseur

Ce composant ajuste les paramètres du modèle afin de réduire la fonction de perte. Différents optimiseurs, tels que l'algorithme simple du gradient et l'algorithme adaptatif de gradient (AdaGrad), ont des objectifs distincts.

Couche 4 : couche d'application

La quatrième couche est la couche d'application, qui est la partie de l'architecture d'IA orientée vers le client. Vous pouvez demander aux systèmes d'intelligence artificielle d'effectuer certaines tâches, de générer des informations ou d’en fournir, ou de prendre des décisions fondées sur les données. La couche d'application permet aux utilisateurs finaux d'interagir avec les systèmes d'IA.

AWS rend l’IA accessible à un plus grand nombre de personnes, des créateurs et spécialistes des données, aux analystes commerciaux et étudiants. Avec l’ensemble le plus complet de services, d’outils et de ressources d’IA, AWS apporte une expertise approfondie à plus de 100 000 clients afin de répondre à leurs demandes professionnelles et de libérer la valeur de leurs données. Les clients peuvent développer et faire évoluer AWS sur la base de la confidentialité, de la sécurité de bout en bout et de la gouvernance de l’IA pour se transformer à un rythme sans précédent.

L’IA sur AWS inclut des services d’IA pré-entraînés pour une intelligence prête à l’emploi et une infrastructure d’IA afin d’optimiser les performances et de réduire les coûts.

Exemples de services pré-entraînés :

• Amazon Rekogniton permet d’automatiser, de rationaliser et de mettre à l’échelle la reconnaissance d’images et l’analyse vidéo.
• Amazon Textract permet d’extraire le texte imprimé, d’analyser l’écriture manuscrite et de collecter automatiquement les données de n’importe quel document.
• Amazon Transcribe permet de convertir le discours en texte, d’extraire des informations commerciales clés à partir de fichiers vidéo et d’améliorer les résultats commerciaux.

Exemples d’infrastructures d’IA :

• Amazon Bedrock offre un choix de modèles de fondation (FM) hautement performants et un large éventail de fonctionnalités. Vous pouvez expérimenter avec divers FM de premier plan et les personnaliser en privé avec vos données.
• Amazon SageMaker offre des outils pour le pré-entraînement des FM à partir de zéro afin de pouvoir les utiliser en interne.
• Les instances Amazon Elastic Compute Cloud (EC2) Trn1, optimisées par des puces AWS Trainium, sont spécialement conçues pour l’entraînement deep learning (DL) à hautes performances de modèles d’IA générative.

Commencez à utiliser l’IA sur AWS en créant un compte gratuit dès aujourd’hui !