Domaine de l'intelligence artificielle basé sur le développement de systèmes informatiques qui apprennent à partir des données, de manière autonome, en s’appuyant sur les probabilités statistiques. Il est assimilé à un apprentissage, car les algorithmes tirent des informations des données qu’ils observent et améliorent leurs performances par eux-mêmes au cours du temps.
Exemples: la capacité de prédire la suite d’un texte sur la base de données textuelles de départ - les agents conversationnels ou chatbots (en anglais) comme ChatGPT, ainsi que de « reconnaître » une image et analyser le contenu d’une vidéo.
Sous-domaine du machine learning qui regroupe des techniques basées sur des réseaux de neurones artificiels permettant de résoudre des tâches complexes à partir de données brutes. Ces réseaux de neurones, inspirés des systèmes biologiques, sont composés de nœuds, ou neurones artificiels, connectés entre eux et organisés en couches. Le qualificatif de « profond » (deep) se réfère au grand nombre de couches neuronales de ces systèmes
Par rapport aux techniques de machine learning « classiques », le deep learning est capable de travailler sur des données brutes, non étiquetées préalablement, et de déterminer automatiquement un certain nombre de caractéristiques permettant de distinguer différentes catégories de données. Pour atteindre des résultats probants, les systèmes de deep learning requièrent une énorme quantité de données d’entraînement ainsi qu’une grande puissance de calcul.
Exemples : logiciels de reconnaissance faciale ou d’images, les pilotes automatiques, etc.
Domaine d’étude qui vise à adapter une interface numérique afin que les utilisatrices et les utilisateurs puissent accomplir aisément leurs tâches.
Il s’agit d’un des domaines de l’ergonomie au sens large qui s’intéresse spécifiquement aux interactions humains-machines dans le but de les faciliter.
Elle se fonde sur trois piliers : les principes d’utilisabilité, utilité et acceptabilité. Le principe de l’utilisabilité est directement lié à la facilité, ainsi qu’à la pertinence et fiabilité d’une interface ou outil numérique (par ex : l’interface où je cherche une information est organisée de façon à ce que je puisse la retrouver rapidement, sans trop d’effort).
L’utilité relève de l’efficacité que l’interface ou outil permettent d’atteindre dans la réalisation des tâches à accomplir (par ex : des outils de calcul automatisé minimisent les erreurs par rapport à un tableau dans un document d’édition de texte).
L’acceptabilité enfin est liée au niveau d’acceptation que l’usage de l’interface ou outil produit sur l’utilisatrice ou l'utilisateur (par ex : en raison de l’utilité et de l’utilisabilité de l’interface, l’utilisatrice ou l'utilisateur accepte de l’employer sans résistances).
Domaine d'activité scientifique à l'intersection de l’informatique, des technologies numériques et des disciplines des sciences humaines.
Elles comprennent l’application de techniques computationnelles à des problématiques issues des sciences humaines. Elles ont non seulement pour objectif de rendre possibles de nouvelles formes de recherche dans ces disciplines, mais également d’ouvrir le questionnement sur les impacts de ces techniques sur la production et la transmission de connaissances en sciences humaines.
Intelligence artificielle centrée sur une tâche précise. Son modèle de machine learning est entraîné pour résoudre un problème spécifique.
L’IA faible cherche à reproduire des facultés cognitives spécifiques, tels que le traitement de langage naturel ou la reconnaissance d’images.
Les systèmes d’IA développés jusqu’à aujourd'hui sont des IA faibles, capables de résoudre des problèmes spécifiques sans toutefois avoir une conscience et être capable de comprendre ses propres raisonnements (théoriquement possibles dans l’IA forte).
Actuellement, il s’agit d’un concept exclusivement théorique, qui désigne un système capable de résoudre tout genre de problème, disposant d’une conscience, d’une sensibilité et d’une volonté autonome.
Contrairement à l’IA faible, l’IA forte saurait se rapprocher des capacités humaines.
Science du traitement automatique de l’information à l’aide de logiciels mis en œuvre sur des appareils numériques.
Depuis l’année scolaire 2022-2023, l’informatique a été introduite en tant que discipline fondamentale dans le cursus gymnasial, elle vise à transmettre aux apprenantes et apprenants les bases et les concepts des technologies de l’information et de la communication.
Technologie informatique capable de simuler certains traits de l'intelligence humaine (comme l’interprétation du langage, la visualisation ou l’apprentissage), qui implique des quantités de données importantes et fait appel à l’apprentissage automatique (machine learning) et à l’apprentissage profond (deep learning).
Ce domaine de recherche recoupe des méthodes venant de l’informatique, des statistiques, de l’ingénierie, de la linguistique, des neurosciences et d’autres disciplines encore. Il existe trois catégories d'intelligence artificielle : (1) l'IA faible qui simule des facultés cognitives très précises comme la reconnaissance de la parole ou la conduite d'automobile. (2) L'IA générale qui a des capacités de compréhension, de raisonnement et de prise de décision. (3) L'IA forte qui n'existe qu'à l'état théorique et serait capable de développer une conscience, de témoigner des sentiments et de comprendre ses propres raisonnements.
Système d’intelligence artificielle entraîné à partir de données d’apprentissage pour générer de manière autonome du texte, des images, des vidéos ou d'autres médias en réponse à des requêtes spécifiques (prompts).
Par exemple, une IA qui génère du texte fonctionne en prédisant le mot suivant dans une phrase en se basant sur les mots précédents. À chaque étape, elle analyse le contexte des mots déjà produits, assigne des probabilités à un large éventail de mots possibles, et sélectionne celui qui a le plus fréquemment été utilisé dans d’autres contextes pour suivre la séquence, créant ainsi un texte cohérent mot par mot. Le processus est similaire pour une IA capable de générer une image, mais au lieu de prédire des mots, elle prédit des pixels ou des détails visuels.
Domaine consistant à collecter et analyser des données sur les apprenantes et apprenants et sur leurs activités pédagogiques en ligne, dans le but de comprendre et améliorer leur apprentissage et d’optimiser l’environnement numérique.
Ces analyses sont souvent utilisées dans les logiciels éducatifs ou les plateformes d’apprentissage en ligne en vue d’adapter les contenus et les stratégies aux besoins des apprenantes et apprenants.
Exemples de données collectées : le temps passé sur chaque activité, le nombre d’écoutes effectuées, les feedbacks demandés, les erreurs, etc.
Équivalents en français : analyse de l’apprentissage, analytique de l’apprentissage.
Type de modèle de traitement du langage naturel qui est entraîné sur un énorme corpus de textes pour apprendre à prédire les mots suivants dans une phrase.
Ces modèles de langage sont utilisés par exemple dans la traduction automatique, la génération de texte, la réponse automatique à des questions, etc.
En anglais : Large Language Model (LLM).
Domaine multidisciplinaire impliquant la linguistique, l'informatique et l'intelligence artificielle, qui développe des techniques permettant aux ordinateurs d’analyser et de générer le langage humain. Il contribue ainsi à l’amélioration de l’interaction entre les humains et les machines.
Basé sur les techniques de machine learning et de deep learning, ce traitement automatique consiste à modéliser le fonctionnement de la langue humaine à partir de données provenant de plusieurs domaines de la linguistique.
Exemples de domaines d’application : la traduction automatique, les outils prédictifs d’aide à la rédaction, les assistants vocaux, les agents conversationnels ou la détection de SPAM dans les emails.
En anglais : Natural Language Processing (NLP)
