Lexique : notions générales

---

Liste d’un certain nombre de notions clés à connaître pour suivre les questions liées à l’analyse de corpus visuels numériques en sciences humaines et sociales par le biais d’outils d’intelligence artificielle. Les définitions sont tirées de trois sources : Vocabulaire de l’intelligence artificielle, Commission d’enrichissement de la langue française, Bulletin officiel Ministère de l’Enseignement supérieur et de la Recherche, 2018 ; Glossaire de l’intelligence artificielle (IA), Commission Nationale de l’Informatique et des Libertés (CNIL) ; Vocabulaire de l’intelligence artificielle, Office québécois de la langue française.

---

---

Domaine

• Intelligence artificielle
  Champ interdisciplinaire théorique et pratique qui a pour objet la compréhension de mécanismes de la cognition et de la réflexion, et leur imitation par un dispositif matériel et logiciel, à des fins d’assistance ou de substitution à des activités humaines.
  

Branches

• Vision par ordinateur
  La vision par ordinateur est une branche de l’intelligence artificielle dont le principal but est de permettre à une machine d’analyser et traiter une ou plusieurs images ou vidéos prises par un système d’acquisition.
  
• Traitement automatique du langage naturel (anglais : natural language processing, NLP)
  Le traitement automatique du langage naturel est un domaine multidisciplinaire impliquant la linguistique, l’informatique et l’intelligence artificielle. Il vise à créer des outils de capable d’interpréter et de synthétiser du texte pour diverses applications.
  
• Traitement automatique de la parole
  Ensemble de disciplines dont l’objectif est la captation, la transmission, l’identification et la synthèse de la parole. Ces disciplines rassemblent notamment la reconnaissance de la parole, la synthèse de la parole, l’identification du locuteur ou encore la vérification du locuteur.
  
• Intelligence artificielle générative
  Sous-domaine de l’apprentissage profond où l’on entraîne des modèles à base de réseaux de neurones qui peuvent ensuite créer de nouveaux contenus, notamment des textes (grand modèle de langues), des images (Synthèse texte-à-image), de l’audio, de la vidéo et des données synthétiques.

Processus

• Apprentissage machine / Apprentissage automatique (en: machine learning, ML)
  Processus par lequel un algorithme évalue et améliore ses performances sans l’intervention d’un programmeur, en répétant son exécution sur des jeux de données jusqu’à obtenir, de manière régulière, des résultats pertinents.
  Un algorithme d’apprentissage automatique comporte un modèle dont il modifie les paramètres, de valeur initiale en général aléatoire, en fonction du résultat constaté.
  

Méthodes de traitement algorithmique

• Apprentissage supervisé (anglais : supervised learning, supervised training)
  Apprentissage automatique dans lequel l’algorithme s’entraîne à une tâche déterminée en utilisant un jeu de données assorties chacune d’une annotation indiquant le résultat attendu. L’apprentissage supervisé recourt le plus souvent aux réseaux de neurones artificiels. L’apprentissage supervisé est utilisé, par exemple, pour la reconnaissance d’images.
  
• Apprentissage non supervisé (anglais : unsupervised learning, unsupervised training)
  Apprentissage automatique dans lequel l’algorithme utilise un jeu de données brutes et obtient un résultat en se fondant sur la détection de similarités entre certaines de ces données.
  
• Apprentissage par renforcement (anglais : reinforcement learning)
  Apprentissage automatique dans lequel un programme extérieur évalue positivement ou négativement les résultats successifs de l’algorithme, l’accumulation des résultats permettant à l’algorithme d’améliorer ses performances jusqu’à ce qu’il atteigne un objectif préalablement fixé. L’apprentissage par renforcement est fréquemment utilisé dans la robotique. L’efficacité de l’apprentissage par renforcement a été attestée dans certains jeux stratégiques comme le jeu de go.
  
• Apprentissage profond (anglais : deep learning)
  Apprentissage automatique qui utilise un réseau de neurones artificiels composé d’un grand nombre de couches dont chacune correspond à un niveau croissant de complexité dans le traitement et l’interprétation des données. L’apprentissage profond est notamment utilisé dans la détection automatique d’objets au sein d’images.
  

Composants d’architecture logicielle

• Neurone artificiel
  Un neurone artificiel fonctionne d’une manière inspirée de celle d’un neurone biologique : un nœud d’un réseau de plusieurs neurones reçoit généralement plusieurs valeurs d’entrée et génère une valeur de sortie. Le neurone calcule la valeur de sortie en appliquant une fonction d’activation à une somme pondérée des valeurs d’entrée.
  
• Couches de neurones artificiels
  Organisation des neurones dans un réseau. Il n’y a pas de connexion entre les neurones d’une même couche : les connexions ne se font qu’avec les neurones de la couche suivante. Généralement, chaque neurone d’une couche est lié avec tous les neurones de la couche en aval et celle-ci uniquement. On appelle couche d’entrée l’ensemble des neurones d’entrée et couche de sortie l’ensemble des neurones de sortie. Les couches intermédiaires n’ont pas de contact avec l’extérieur et sont donc nommées couches cachées.
  
• Réseau de neurones artificiels (anglais : artificial neural network, neural network)
  Ensemble de neurones artificiels interconnectés qui constitue une architecture de calcul. Il existe de nombreux type de réseaux de neurones artificiels tels que les réseaux de neurones récurrents, les auto-encodeurs, les réseaux transformeurs ou encore les réseaux antagonistes génératifs (generative adversarial networks).
  
• Réseau de neurones convolutif (anglais : convolutional neural network, CNN)
  Type de réseau de neurones artificiels qui permet de détecter la présence de motifs simples à différentes échelles d’une image et d’identifier progressivement le contenu de celle-ci par association et recoupement.
  
• Modèle
  Le modèle d’IA est la construction mathématique générant une déduction ou une prédiction à partir de données d’entrée. Le modèle est estimé à partir de données annotées lors de la phase d’apprentissage (ou d’entraînement) du système d’IA.
  
• Modèle pré-entraîné
  Tout modèle ayant déjà été entraîné, souvent pour une tâche générale (on parle de modèles de fondation) ou pour une tâche ne correspondant pas exactement à celle visée, et utilisé comme base pour le paramétrage ou pour l’apprentissage par transfert. Le modèle pré-entraîné a vocation à être spécialisé à effectuer une tâche visée.
  
• Grand modèle de langage (anglais : large langage model, LLM)
  Modèle statistique de la distribution d’unité linguistiques (par exemple : lettres, phonèmes, mots) dans une langue naturelle. Un modèle de langage peut par exemple prédire le mot suivant dans une séquence de mots. On parle de modèles de langage de grande taille ou « Large Language Models » (LLM)…

Procédés, tâches et propriétés

• Annotation
  Dans le domaine de l’intelligence artificielle, l’annotation est le procédé par lequel les données sont décrites manuellement afin d’être caractérisées, par exemple en attribuant à une image de chien l’étiquette correspondante. On parle aussi de vérité terrain ou groundtruth.
  
• Classification
  La classification est une méthode de catégorisation qui consiste à attribuer une classe ou catégorie à une entrée qui lui est soumise en fonction de sa proximité à la classe en question selon des critères bien choisis. Exemple : un système d’IA entraîné pour la reconnaissance d’images d’animaux utilise des techniques de classification : oiseaux, chiens, poissons…
  
• Régression
  La régression est un ensemble de méthodes d’analyse statistique permettant d’approcher une variable à partir d’autres qui lui sont corrélées. En apprentissage automatique, on distingue les problèmes de régression des problèmes de classification. Ainsi, on considère que les problèmes de prédiction d’une variable quantitative sont des problèmes de régression tandis que les problèmes de prédiction d’une variable qualitative sont des problèmes de classification.
  
• Reconnaissance d’entités nommées
  En anglais « Named-entity recognition » (NER), sous-tâche d’extraction d’informations qui cherche à localiser et classifier les mentions d’entités nommées dans du texte non structuré en catégories prédéfinies, emplacements, codes médicaux, expressions de temps, quantités, valeurs monétaires, pourcentages, etc.
  
• Données d’entraînement/d’apprentissage (anglais : training dataset)
  Jeu de données (texte, sons, images, listes, etc.) utilisé lors de la phase d’entrainement / d’apprentissage : le système s’entraîne sur ces données pour effectuer la tâche attendue de lui.
  
• Caractéristique (anglais : feature)
  Dans le domaine de l’intelligence artificielle, la caractéristique est la variable utilisée pour représenter une propriété définie d’une entité ou d’un objet. Il peut s’agir d’informations relatives à la forme, la texture, ou encore à la couleur d’une image. Dans le cas d’un fichier audio, à la hauteur des sons, au timbre ou au tempo.
  
• Paramètre
  Dans le domaine de l’intelligence artificielle, le paramètre est la propriété apprise des données utilisées pour l’entraînement (par exemple le poids de chaque neurone d’un réseau).

Applications techniques

• Estimation de poses
  Technique de vision par ordinateur qui permet de détecter la posture d’une personne sur une image ou une vidéo, afin d’en extraire un modèle biomécanique.
  
• Reconnaissance des formes
  Technique permettant à l’ordinateur de détecter, à partir de données brutes, la présence de formes ou de régularités. Le système de reconnaissance des formes est mis au point par des techniques d’apprentissage automatique, notamment l’apprentissage supervisé et l’apprentissage non supervisé. Les domaines d’application de la reconnaissance des formes sont très variés, allant de la lecture optique de textes imprimés ou manuscrits à la programmation de robots qui fonctionnent dans des environnements changeants.
  
• Reconnaissance d’images
  La reconnaissance d’images permet, par exemple, d’identifier un visage ou un objet, de déterminer le nombre de personnes dans un groupe, la race d’un chien sur une photo. Pour ce faire, le système analyse au préalable des milliers d’images dans le but de se constituer une base de données.
  
• Reconnaissance de l’écriture manuscrite (en: handwritten text recognition, HTR)
  Technique reposant sur les méthodes appliquées en reconnaissance des formes, qui permet à un système informatique ou à un système d’intelligence artificielle de lire, de stocker et de traiter de façon automatique du texte écrit à la main.
  

---

---