Chapitre 1

Introduction à l’intelligence artificielle

Pr. Meftah Boudjelal 1

 1. Définitions générales de l'intelligence
L'intelligence peut être définie comme la capacité à comprendre, à apprendre et à
s'adapter à de nouvelles situations. Cela inclut la capacité à résoudre des problèmes,
à raisonner logiquement, à percevoir des relations et à utiliser des connaissances de
manière efficace. L'intelligence n'est pas seulement une question de connaissances
acquises, mais aussi de la manière dont ces connaissances sont appliquées dans
différentes situations. Elle peut également être perçue comme la faculté de traiter
l'information pour atteindre des objectifs spécifiques.

• selon A. Turing : ce qui rend difficile la distinction entre une tâche réalisée par
un être humain ou par une machine,
• selon C. Darwin : ce qui permet la survie de l'individu le plus apte, parfaitement
adapté à son environnement,
• selon Yam (1998) : Une définition exacte de l’intelligence est probablement
impossible; la plus vraisemblable: la capacité de gérer la complexité et à
résoudre des problèmes dans un contexte utile.
• selon Voss (2004) : La capacité d’une entité à atteindre des buts. Une intelligence
plus grande permet de gérer des situations plus complexes et imprévues.

2. Définition de l’intelligence artificielle

Définir de manière précise et définitive à quoi correspond l’intelligence artificielle (IA)
est une tâche ardue, voire impossible. On désigne généralement par ce terme
l’ensemble des techniques permettant d’intégrer des comportements intelligents dans
une machine. Les conditions nécessaires à la création d’une telle machine mobilisent
ainsi des domaines de connaissance aussi variés que la robotique, la biologie, le
traitement du signal, la logique, la statistique, ou encore l’optimisation sous
contraintes.

Le débat sur la définition d’un comportement intelligent et les moyens de le reproduire

sont vifs au sein de la communauté des chercheurs : Peut-on formaliser des principes
logiques simples expliquant les comportements intelligents ? L’intelligence peut-elle
être reproduite via des manipulations symboliques ? La connaissance de la biologie
humaine ou animale est-elle nécessaire à la compréhension de l’intelligence ? Autant
de questions à propos desquelles aucun consensus n’a émergé ces dernières décennies,
tant le sujet de l’intelligence est complexe.

L'intelligence artificielle (IA) est un ensemble de théories et de techniques visant à

réaliser des machines capables de simuler l'intelligence humaine. Elle inclut les
dispositifs imitant ou remplaçant l'homme dans certaines mises en œuvre de ses
fonctions cognitives. Le terme « intelligence artificielle » a été créé par John McCarthy,
qui l'a défini comme « la science et l'ingénierie de la fabrication de machines
intelligentes, en particulier de programmes informatiques intelligents ».

Pr. Meftah Boudjelal 2

L’intelligence artificielle (IA) produit des machines imitant les humains
• Simule les processus intelligents de l’humain
• Reproduit les méthodes ou les résultats du raisonnement ou de l’intuition
humaine

Selon Marvin Minsky : « ... the science of making machines do things that would
require intelligence if done by humans»
Selon E. Feigenbaum : «AI is the part of computer science concerned with designing
intelligent computer systems»

2.1. IA : Définitions selon quatre orientations

L'IA est une discipline qui systématise et automatise les tâches intellectuelles pour
créer des machines capables de :

PENSER comme un humain Penser RATIONNELLEMENT

(science cognitivemodélisation (approche logique)
cognitive)
“The automation activities that we “The study of mental faculties through the
associate with human thinking, activities use of computational models”
such as decision-making, problem-solving, (Charniak and McDermott, 1985)
learning..”
(Bellman, 1978)
AGIR comme un humain Agir RATIONNELLEMENT
(test de turing) (atteindre un but)
“The art of creating machines that perform “Computational Intelligence is the study
functions that require intelligence when of the design on intelligent agents”
performed by people” (Pool, 1998)
(Kurzweil, 1990)

3. Domaines d’Applications de l’Intelligence Artificielle

L'intelligence artificielle est une technologie polyvalente qui trouve des applications
dans presque tous les secteurs de notre société. Son potentiel pour améliorer
l'efficacité, réduire les coûts, et offrir des solutions innovantes est immense, et son
adoption continue de croître à un rythme rapide.

3.1. Santé
L'IA révolutionne le domaine de la santé en améliorant le diagnostic, le traitement et
la gestion des patients. Les algorithmes de machine learning sont utilisés pour analyser
des images médicales, prédire des maladies, et personnaliser les traitements. Par

Pr. Meftah Boudjelal 3

exemple, l'IA aide à détecter des anomalies dans les radiographies et à prévoir les
épidémies.

3.2. Finance
Dans le secteur financier, l'IA est utilisée pour automatiser les tâches, améliorer la prise
de décision et réduire les risques. Les applications incluent la détection de fraude, la
gestion de portefeuille, et l'analyse prédictive des marchés financiers. Les algorithmes
d'IA permettent également une meilleure gestion des comptes et la génération de
rapports financiers.

3.3. Transport
L'IA joue un rôle crucial dans le développement des véhicules autonomes et
l'optimisation des systèmes de transport. Les technologies d'IA sont utilisées pour la
navigation, la gestion du trafic, et la maintenance prédictive des véhicules. Les
systèmes de transport intelligents améliorent l'efficacité et la sécurité des
déplacements.

3.4. Commerce et Service Client

Les agents conversationnels (chatbots) et les systèmes de recommandation
personnalisés sont des exemples d'IA dans le commerce. Ces technologies améliorent
l'expérience client en rendant le service plus accessible et personnalisé. L'IA aide
également à analyser les comportements d'achat et à optimiser les stratégies de
marketing.

3.5. Agriculture
L'IA est utilisée pour optimiser les rendements agricoles, gérer les ressources et
surveiller la santé des cultures. Les drones équipés de capteurs et les systèmes
d'analyse de données permettent une agriculture de précision, réduisant ainsi les coûts
et augmentant la productivité.

3.6. Sécurité
Dans le domaine de la sécurité, l'IA est utilisée pour la reconnaissance faciale, la
surveillance vidéo, et la détection des cybermenaces. Les systèmes d'IA peuvent
analyser des flux de données en temps réel pour identifier des comportements
suspects et prévenir les incidents de sécurité.

3.7. Éducation
L'IA transforme l'éducation en personnalisant les parcours d'apprentissage et en
fournissant des outils d'évaluation automatisés. Les plateformes d'apprentissage en
ligne utilisent des algorithmes pour adapter le contenu aux besoins individuels des
étudiants, améliorant ainsi l'efficacité de l'enseignement.

Pr. Meftah Boudjelal 4

3.8. Industrie
Dans le secteur industriel, l'IA est utilisée pour l'automatisation des processus, la
maintenance prédictive, et l'optimisation de la chaîne d'approvisionnement. Les robots
industriels équipés d'IA peuvent effectuer des tâches complexes avec une grande
précision, augmentant ainsi la productivité et réduisant les erreurs.

3.9. Justice et Sécurité Publique

L'IA est utilisée pour analyser les données criminelles, prédire les crimes, et améliorer
l'efficacité des forces de l'ordre. Les systèmes d'IA peuvent aider à identifier des
schémas criminels et à optimiser les ressources pour la prévention et la résolution des
crimes.

3.10. Environnement
L'IA contribue à la lutte contre le changement climatique en optimisant la gestion des
ressources naturelles et en prédisant les phénomènes météorologiques extrêmes. Les
technologies d'IA sont également utilisées pour surveiller la biodiversité et gérer les
écosystèmes.

4. Importance de l’IA
l'IA a le potentiel de transformer de nombreux aspects de la société et de l'économie,
en améliorant l'efficacité, en stimulant l'innovation et en résolvant des problèmes
complexes.

4.1. Amélioration de l'efficacité et de la productivité :

- Automatisation : L'IA peut automatiser des tâches répétitives et fastidieuses,
libérant ainsi du temps pour les humains afin qu'ils se concentrent sur des activités
plus créatives et stratégiques.
- Optimisation : Les algorithmes d'IA peuvent optimiser les processus de production,
de logistique et de gestion, réduisant les coûts et augmentant l'efficacité.

4.2. Prise de décision améliorée :

- Analyse de données : L'IA peut traiter et analyser de grandes quantités de données
rapidement et avec précision, fournissant des insights précieux pour la prise de
décision.
- Prédictions : Les modèles d'IA peuvent faire des prédictions basées sur des données
historiques et des tendances, aidant les entreprises à anticiper les besoins futurs et à
planifier en conséquence.

4.3. Innovation et créativité :

- Nouveaux produits et services : L'IA peut aider à développer de nouveaux produits
et services en identifiant des opportunités de marché et en testant des idées
rapidement.
- Personnalisation : Les systèmes d'IA peuvent offrir des expériences personnalisées
aux clients, améliorant ainsi la satisfaction et la fidélité.

Pr. Meftah Boudjelal 5

4.4. Santé et bien-être :
- Diagnostic médical : L'IA peut aider à diagnostiquer des maladies plus rapidement
et avec plus de précision, en analysant des images médicales et des données de
patients.
- Recherche médicale : Les algorithmes d'IA peuvent accélérer la recherche médicale
en identifiant des modèles et des corrélations dans les données de santé.

4.5. Sécurité et surveillance :

- Cybersécurité : L'IA peut détecter et répondre aux menaces de cybersécurité en
temps réel, protégeant ainsi les systèmes et les données sensibles.
- Surveillance : Les systèmes d'IA peuvent surveiller les infrastructures critiques, les
réseaux de transport et les environnements publics pour assurer la sécurité.

4.6. Éducation et apprentissage :

- Personnalisation de l'apprentissage : Les systèmes d'IA peuvent adapter les
programmes d'apprentissage aux besoins individuels des étudiants, améliorant ainsi
l'efficacité de l'enseignement.
- Tutorat intelligent : Les assistants virtuels basés sur l'IA peuvent fournir un soutien
pédagogique en temps réel, aidant les étudiants à mieux comprendre les concepts.

4.7. Développement durable :

- Gestion des ressources : L'IA peut aider à optimiser l'utilisation des ressources
naturelles, réduisant ainsi l'impact environnemental.
- Énergie renouvelable : Les algorithmes d'IA peuvent améliorer l'efficacité des
systèmes d'énergie renouvelable, contribuant à la transition vers une économie plus
durable.

5. Historique

Pr. Meftah Boudjelal 6

Maturation of Artificial Intelligence (1943-1952)
• Year 1943: The first work which is now recognized as AI was done by Warren
McCulloch and Walter pits in 1943. They proposed a model of artificial neurons.
• Year 1949: Donald Hebb demonstrated an updating rule for modifying the
connection strength between neurons. His rule is now called Hebbian learning.
• Year 1950: The Alan Turing who was an English mathematician and pioneered
Machine learning in 1950. Alan Turing publishes "Computing Machinery and
Intelligence" in which he proposed a test. The test can check the machine's
ability to exhibit intelligent behavior equivalent to human intelligence, called a
Turing test.

The birth of Artificial Intelligence (1952-1956)

• Year 1955: An Allen Newell and Herbert A. Simon created the "first artificial
intelligence program" Which was named as "Logic Theorist". This program had
proved 38 of 52 Mathematics theorems, and find new and more elegant proofs
for some theorems.
• Year 1956: The word "Artificial Intelligence" first adopted by American
Computer scientist John McCarthy at the Dartmouth Conference. For the first
time, AI coined as an academic field.
• At that time high-level computer languages such as FORTRAN, LISP, or
COBOL were invented. And the enthusiasm for AI was very high at that time.

The golden years-Early enthusiasm (1956-1974)

• Year 1966: The researchers emphasized developing algorithms which can solve
mathematical problems. Joseph Weizenbaum created the first chatbot in 1966,
which was named as ELIZA.
• Year 1972: The first intelligent humanoid robot was built in Japan which was
named as WABOT-1.

The first AI winter (1974-1980)

• The duration between years 1974 to 1980 was the first AI winter duration. AI
winter refers to the time period where computer scientist dealt with a severe
shortage of funding from government for AI researches.
• During AI winters, an interest of publicity on artificial intelligence was
decreased.

A boom of AI (1980-1987)
• Year 1980: After AI winter duration, AI came back with "Expert System". Expert
systems were programmed that emulate the decision-making ability of a
human expert.
• In the Year 1980, the first national conference of the American Association of
Artificial Intelligence was held at Stanford University.

Pr. Meftah Boudjelal 7

The second AI winter (1987-1993)
• The duration between the years 1987 to 1993 was the second AI Winter
duration.
• Again Investors and government stopped in funding for AI research as due to
high cost but not efficient result. The expert system such as XCON was very
cost effective.

The emergence of intelligent agents (1993-2011)

• Year 1997: In the year 1997, IBM Deep Blue beats world chess champion, Gary
Kasparov, and became the first computer to beat a world chess champion.
• Year 2002: for the first time, AI entered the home in the form of Roomba, a
vacuum cleaner.
• Year 2006: AI came in the Business world till the year 2006. Companies like
Facebook, Twitter, and Netflix also started using AI.

Deep learning, big data and artificial general intelligence (2011-present)

• Year 2011: In the year 2011, IBM's Watson won jeopardy, a quiz show, where it
had to solve the complex questions as well as riddles. Watson had proved that
it could understand natural language and can solve tricky questions quickly.
• Year 2012: Google has launched an Android app feature "Google now", which
was able to provide information to the user as a prediction.
• Year 2014: In the year 2014, Chatbot "Eugene Goostman" won a competition in
the infamous "Turing test."
• Year 2018: The "Project Debater" from IBM debated on complex topics with two
master debaters and also performed extremely well.
• Google has demonstrated an AI program "Duplex" which was a virtual assistant
and which had taken hairdresser appointment on call, and lady on other side
didn't notice that she was talking with the machine. Now AI has developed to
a remarkable level. The concept of Deep learning, big data, and data science are
now trending like a boom. Nowadays companies like Google, Face book, IBM,
and Amazon are working with AI and creating amazing devices. The future of
Artificial Intelligence is inspiring and will come with high intelligence.

6. Approches de l’Intelligence Artificielle

L'intelligence artificielle est un domaine en constante évolution, avec une multitude

d'approches adaptées à différents types de problèmes. Chaque approche a ses propres
avantages et inconvénients, et le choix de l'approche dépend souvent du contexte et
des objectifs spécifiques de l'application.

6.1. Approche Symbolique

L'approche symbolique, également connue sous le nom d'IA symbolique, repose sur
la manipulation de symboles et de règles explicites pour représenter la connaissance

Pr. Meftah Boudjelal 8

et résoudre des problèmes. Cette approche est souvent associée aux systèmes experts,
qui utilisent des règles prédéfinies pour prendre des décisions.

Avantages :
• Transparence et explicabilité des décisions.
• Efficace pour des tâches bien définies avec des règles claires.

Inconvénients :
• Difficulté à gérer des situations imprévues ou des données non structurées.
• Nécessite une connaissance approfondie du domaine pour définir les règles.

6.2. Approche Statistique (Machine Learning)

Le machine learning (apprentissage automatique) est une approche statistique qui
permet aux systèmes d'apprendre à partir de données. Cette approche inclut des
techniques comme les réseaux neuronaux, les arbres de décision, et les méthodes
bayésiennes.

Avantages :
• Capacité à traiter de grandes quantités de données et à s'adapter à de nouvelles
informations.
• Utilisé dans divers domaines tels que la reconnaissance d'image, la détection de
fraude, et la prédiction de tendances.
Inconvénients :
• Opacité des modèles complexes (boîte noire).
• Nécessite de grandes quantités de données pour un apprentissage efficace.

6.3. Approche Cognitiviste

L'approche cognitiviste vise à reproduire les processus mentaux humains en utilisant
des modèles computationnels. Cette approche est influencée par les sciences
cognitives et cherche à expliquer le comportement intelligent par des processus
mentaux manipulant des représentations.

Avantages :
• Permet une meilleure compréhension des mécanismes de la pensée humaine.
• Utilisé pour des applications nécessitant une interaction humaine, comme les
assistants virtuels.
Inconvénients :
• Complexité des modèles et difficulté à les implémenter.
• Défis épistémologiques et philosophiques liés à la modélisation de la cognition
humaine.

Pr. Meftah Boudjelal 9

6.4. Approche Bioinspirée
Les approches bioinspirées s'inspirent des mécanismes biologiques pour développer
des algorithmes d'IA. Cela inclut des techniques comme les algorithmes génétiques,
les réseaux de neurones artificiels, et les systèmes d'essaims.

Avantages :
• Capacité à résoudre des problèmes complexes et non linéaires.
• Flexibilité et adaptabilité des algorithmes.
Inconvénients :
• Nécessite une compréhension approfondie des systèmes biologiques.
• Peut-être computationnellement coûteux.

6.5. Approche Générative

Les approches génératives, telles que les réseaux antagonistes génératifs (GANs), sont
utilisées pour créer de nouvelles données à partir de modèles existants. Ces techniques
sont particulièrement efficaces pour générer des images, des textes, et d'autres types
de données.

Avantages :
• Capacité à générer des données réalistes et diversifiées.
• Utilisé dans des domaines créatifs comme l'art, la musique, et la conception.
Inconvénients :
• Risques éthiques liés à la génération de contenus trompeurs.
• Complexité des modèles et besoin de ressources computationnelles
importantes.

Pr. Meftah Boudjelal 10