Comprendre l'intelligence artificielle : concepts, usages et enjeux

Depuis près de 70 ans, l'intelligence artificielle a suscité de nombreux fantasmes, des craintes et des attentes, souvent influencés par la science-fiction, mais en décalage avec la réalité technique. Ce livre examine le périmètre de l'intelligence artificielle, les évolutions majeures qu'elle a connues, ses succès retentissants et ses échecs flagrants.

Cet ouvrage vise à démystifier l'IA pour discuter objectivement de ses forces et de ses faiblesses. Il permet au lecteur de mieux comprendre les usages modernes de cet outil. En mêlant volontairement usages, technique, éthique, réglementation et régulation, les questions posées mettent en avant les avancées majeures du domaine au long de ces dernières années, les usages positifs et ceux qui interrogent : quelles sont les conditions d'acceptabilité de ces algorithmes et leur impact sur la société, mais aussi dans votre entreprise ?

Ce livre est organisé en 6 parties qui suivent les étapes du développement d'un système d'IA : une introduction générale, l'éthique et les risques, la conception et des cas d'usage, la modélisation et l'entraînement des modèles neuronaux, l'évaluation de ces modèles et, enfin, le déploiement, l'exploitation et l'explicabilité de ces modèles.

Si nous attendons aujourd'hui de l'IA qu'elle nous apporte des réponses, c'est toujours à l'humain de choisir les bonnes questions... et de vérifier les résultats souvent imparfaits de ces machines. Chef·fe·s d'entreprise, juristes, data scientists, développeur·se·s ou utilisateur·rice·s d'applications mobiles, spécialistes en informatique ou expert·e·s métier, ce livre est une occasion de construire un langage commun autour de l'IA et de permettre à tous les corps de métiers de communiquer... sans artifice !

Nicolas Thome est professeur à Sorbonne Université au sein de l'Institut des Systèmes Intelligents et de Robotique (ISIR), et membre senior de l'Institut universitaire de France (IUF). Ses recherches portent sur l'apprentissage statistique et ses applications en robotique. Il dirige l'équipe transverse « Machine learning pour la robotique » (MLR) du laboratoire. Ses axes de recherche actuels couvrent l'apprentissage multimodal, le contrôle hybride informé par la physique, et la robustesse des modèles d'apprentissage (incertitude, explicabilité, stabilité).