AI and ML: Definitions and Relationship

Introduction

Dans le module précédent, nous avons terminé notre exploration des technologies Big Data en examinant les plateformes fondamentales comme Apache Hadoop et Apache Spark. Nous avons vu comment leur architecture permet de stocker et de traiter des volumes de données sans précédent, créant ainsi l'infrastructure nécessaire à l'analyse avancée.

Aujourd'hui, nous faisons un pas de plus et commençons notre voyage dans le monde de l'intelligence artificielle. Cette leçon constitue la première étape du module 4, "De la statistique au Machine Learning". L'objectif est simple mais fondamental : définir ce que sont l'intelligence artificielle (IA) et le Machine Learning (ML), et décrire précisément la relation qui les unit.

Votre solide bagage en économétrie et en analyse statistique vous offre une perspective unique pour aborder ces concepts. Vous découvrirez que le Machine Learning, bien que présenté comme une discipline nouvelle, partage de nombreuses racines avec les méthodes quantitatives que vous maîtrisez déjà. Cette leçon a pour but de construire un pont conceptuel entre votre expertise et ce nouveau domaine.

1. Qu'est-ce que l'Intelligence Artificielle (IA) ?

Le terme "Intelligence Artificielle" est souvent utilisé de manière très large. Commençons par établir une définition claire. L'IA est un vaste domaine de l'informatique dont l'objectif est de créer des machines ou des systèmes capables d'accomplir des tâches qui, si elles étaient réalisées par un être humain, nécessiteraient de l'intelligence.

Pour une première approche, regardez le début de cette conférence du MIT qui pose les bases de la définition de l'IA.

Comme vous l'avez vu, il est essentiel de distinguer deux concepts :

• L'IA Faible (ou Étroite) : C'est l'état actuel de la technologie. Il s'agit de systèmes conçus pour exceller dans une tâche spécifique. Par exemple, un programme qui joue aux échecs, un système qui détecte des transactions frauduleuses, ou un chatbot qui répond à des questions sur un produit financier. Ces systèmes peuvent surpasser les humains dans leur domaine de spécialité, mais n'ont aucune capacité en dehors de celui-ci.
• L'IA Forte (ou Générale) : C'est l'idée d'une machine possédant une intelligence comparable à celle de l'être humain, capable de comprendre, de raisonner et d'apprendre n'importe quelle tâche intellectuelle. Ce type d'IA relève encore largement de la science-fiction.

La vidéo d'IBM ci-dessous complète cette définition en décrivant l'IA comme la capacité à égaler ou dépasser les capacités humaines dans des domaines comme la découverte, l'inférence et le raisonnement.

En résumé, l'Intelligence Artificielle est le champ d'étude global qui cherche à créer des "machines intelligentes". La raison pour laquelle l'IA connaît une telle effervescence aujourd'hui est la convergence de trois facteurs, comme mentionné dans la vidéo du MIT : la disponibilité massive de données (Big Data), l'augmentation de la puissance de calcul (Computing), et les progrès des algorithmes de Machine Learning.

2. Qu'est-ce que le Machine Learning (ML) ?

Le Machine Learning, ou apprentissage automatique, est la principale raison des progrès spectaculaires de l'IA ces dernières années. Il ne s'agit pas d'un synonyme de l'IA, mais d'une de ses branches les plus importantes.

La définition fondamentale du Machine Learning est la suivante : c'est un domaine d'étude qui donne aux ordinateurs la capacité d'apprendre à partir de données, sans être explicitement programmés pour la tâche qu'ils accomplissent.

Au lieu d'écrire des règles précises (par exemple, SI le montant de la transaction est > 10 000 € ET le pays est inhabituel, ALORS marquer comme suspect), on fournit au système un grand nombre d'exemples de transactions passées, en lui indiquant lesquelles étaient frauduleuses et lesquelles ne l'étaient pas. L'algorithme "apprend" alors par lui-même à identifier les caractéristiques (les patterns) d'une transaction frauduleuse.

L'extrait suivant de la conférence du MIT explique très bien ce changement de paradigme par rapport à la programmation traditionnelle.

Pour vous, qui venez du monde de l'économétrie, le lien devient particulièrement intéressant. Le Machine Learning peut être vu comme une "forme sophistiquée d'analyse statistique", comme le mentionne la vidéo d'IBM.

Afin de faire le pont avec votre domaine d'expertise, je vous propose de lire l'introduction d'un chapitre rédigé par l'économiste Susan Athey, de l'Université de Stanford. Elle y propose une définition pratique du ML et le situe par rapport à l'économétrie.

Comme l'indique Susan Athey, alors que l'économétrie se concentre souvent sur l'estimation de paramètres pour l'inférence causale (par exemple, l'effet d'un changement de prix sur la demande), le Machine Learning se focalise principalement sur la prédiction. L'objectif est de construire un modèle qui prédit au mieux une variable de sortie (Y) à partir de variables d'entrée (X), en minimisant l'erreur de prédiction sur de nouvelles données. C'est une distinction cruciale que nous explorerons plus en détail dans une prochaine leçon.

3. La Relation entre IA, Machine Learning et autres concepts

Maintenant que nous avons défini les deux termes, clarifions leur relation. C'est une relation hiérarchique, souvent représentée par des cercles concentriques.

• L'Intelligence Artificielle est le concept le plus large. C'est le domaine entier, l'objectif ultime.
• Le Machine Learning est un sous-ensemble de l'IA. C'est une approche, une méthode pour atteindre l'IA. C'est de loin l'approche la plus fructueuse et la plus utilisée aujourd'hui.
• D'autres sous-ensembles de l'IA existent, comme la représentation des connaissances, la planification, la robotique, etc.

Le diagramme suivant illustre parfaitement cette hiérarchie.

En résumé : tout le Machine Learning est de l'IA, mais toute l'IA n'est pas du Machine Learning.

Le rapport de l'OCDE sur l'IA en finance fournit des définitions conformes à cette vision, soulignant que les systèmes d'IA utilisent souvent des modèles de ML alimentés par le Big Data pour faire des prédictions ou des recommandations.

Conclusion

Dans cette leçon, nous avons posé les fondations conceptuelles de notre exploration de l'IA en finance.

Les points clés à retenir sont :

• L'Intelligence Artificielle (IA) est le vaste champ scientifique visant à créer des machines capables de simuler l'intelligence humaine pour des tâches spécifiques (IA faible) ou de manière générale (IA forte).
• Le Machine Learning (ML) est un sous-ensemble de l'IA qui consiste à développer des algorithmes qui apprennent à partir de données, leur permettant de s'améliorer sur une tâche sans avoir été explicitement programmés pour celle-ci.
• La relation est hiérarchique : le ML est la principale méthode qui alimente les succès de l'IA moderne. La puissance de calcul et le Big Data sont les carburants qui rendent le ML si efficace aujourd'hui.

Maintenant que la distinction entre IA et ML est claire, nous pouvons explorer les différentes manières dont une machine peut "apprendre".

Dans la prochaine leçon, nous allons décomposer le Machine Learning en ses trois grands paradigmes : l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage par renforcement. Comprendre ces trois catégories est essentiel, car elles structurent la quasi-totalité des applications de l'IA en finance.