• Aujourd’hui, des IA plus complexes émergent : génératives, multimodales, agentiques, adaptatives… objectif : combiner les modes de perception, d’action et d’autonomie pour accomplir des tâches de plus en plus variées et contextualisées. Ces évolutions nous rapprochent de l’ambition d’une IA générale, encore hypothétique, capable de raisonner et de reproduire n’importe quelle tâche cognitive humaine.
• Ce lexique recense, par ordre d’apparition, différents types d’IA et de modalités d’interaction qui sont autant de briques d’une construction globale. Ainsi, Orange utilise toutes ces variantes et interfaces dans quelques centaines de cas d’usage d’opérateur télécom, pour améliorer ses réseaux, l’expérience de ses clients et son efficacité opérationnelle.
IA symbolique
Depuis les années 70, l’IA symbolique utilise des règles logiques codées par l’humain pour raisonner. Elle était utilisée dans les systèmes experts par exemple pour le diagnostic médical. Elle s’oppose à l’IA connexionniste. En d’autres termes, elle utilise des systèmes experts et des graphes pour modéliser le comportement humain et en faire des déductions. Cette approche rigide connaît aujourd’hui un regain d’intérêt dans les approches hybrides (cf. ci-dessous).
- Exemple : systèmes de diagnostic médical comme MYCIN.
- Défis et limites : rigidité et difficulté à gérer l’incertitude et la complexité
IA statistique ou bayésienne
Basée sur des probabilités, cette IA modélise l’incertitude, c’est-à-dire qu’elle prédit ou classe les incertitudes. L’approche bayésienne utilise le théorème de Bayes pour combiner connaissances a priori et données empiriques. Objectif : faire des inférences ou des prédictions robustes. Rarement utilisée seule aujourd’hui, l’IA statistique offre des opportunités pour l’analyse de risque et la prédiction.
- Exemple : filtres antispam dans les courriels.
- Défis et limites : nécessite de grandes quantités de données pour être efficace.
IA connexionniste
C’est la base de l’apprentissage profond (deep learning) moderne : cette IA imite le cerveau humain grâce à des réseaux de neurones. Ces derniers sont artificiels et apprennent à partir de données en ajustant des poids entre couches de neurones interconnectées, inspirés du fonctionnement du cerveau. C’est l’IA connexionniste qui permet de créer des systèmes de traduction automatique et qui constitue le socle technologique d’entreprises comme Google/DeepMind, OpenAI, etc.
- Exemple : vision par ordinateur (computer vision), traitement du langage naturel (NLP – natural language processing).
- Défis et limites : consommation élevée d’énergie (pour le calcul) et manque de transparence et d’explicabilité.
IA générative
C’est la plus populaire aujourd’hui : elle « crée », ou génère du texte, des images, des vidéos ou du code (programmation informatique) à partir de données massives en réponse aux requêtes des utilisateurs. Google (qui est l’inventeur des approches génératives), des start-up comme OpenAI, Mistral, et Anthropic, et quelques acteurs chinois (ex. DeepSeek) sont à la pointe de cette technologie. Problème : son fonctionnement est opaque.
- Exemple : génération de texte avec ChatGPT ou d’images avec Dall-E.
- Défis et limites : consommation d’énergie, risques d’hallucinations, de biais et d’usages abusifs et illégaux comme la désinformation (fake news).
Les interactions avec les IA génératives peuvent se faire via plusieurs modes d’interfaçage (multimodalité) en utilisant plusieurs types de documents (omnimodalité).
Remarque : il est possible aussi d’avoir des interactions, sans passer par un humain, via des interfaces de programmation (API – Application Programming Interface).
« IA multimodale »
Elle est en mesure de manier et croiser texte, image, audio et vidéo. Des exemples incluent GPT-4o Vision et Gemini. En d’autres termes, l’IA multimodale analyse différents types d’entrées de données pour améliorer la compréhension et générer des sorties plus efficaces.
- Exemple : on pose une question à l’écrit et on obtient une réponse orale.
- Défis et limites : complexité de l’intégration de multiples modalités.
« IA omnimodale »
Elle traite tous types de données, en entrée comme en sortie. Encore en progrès, elle entend créer une « IA unifiée », qui aurait pour but de créer des assistants plus universels et multitâches. Au lieu de lire simplement un texte ou d’analyser une image en séparant les modalités, une IA omnimodale peut tout faire en même temps, jusqu’à regarder une vidéo, en écouter le son, lire les sous-titres et ce pour créer une interprétation plus exhaustive.
- Exemple : dans le domaine de l’assurance, une IA omnimodale peut traiter un dossier en analysant e-mails, photos de sinistres, appels vocaux et documents dans une seule entrée pour faciliter les diagnostics.
- Défis et limites : complexité et coût de développement.
IA agentique
L’IA agentique est un cadre (framework) architectural (technique et fonctionnel) permettant de créer des agents et des systèmes multi-agents qui planifient, agissent et apprennent de manière autonome. C’est le Saint Graal de l’exécution de tâches professionnelles. Ce sont des systèmes capables de percevoir leur environnement, de formuler des objectifs, de planifier des actions et d’agir de manière autonome en interaction (ou pas) avec d’autres agents et avec des humains. Ces IA disposent de capacités de raisonnement, de mémoire contextuelle et de prise d’initiative en boucle fermée.
- Exemple : création de reporting automatique : l’IA va chercher les données dans vos outils (Excel, Notion, Google Analytics, etc.), génère des graphiques et un résumé et envoie le rapport par mail à votre équipe.
- Défis et limites : sécurité et contrôle des actions autonomes.
IA embarquée (Embedded AI)
Ces systèmes d’IA fonctionnent localement, sans cloud, dans, par exemple, un smartphone, une voiture, un robot, voire un capteur. Ces technologies sont cruciales pour l’IoT, la santé ou les objets connectés, qui supposent des modèles d’IA plus légers et plus souples. L’idée : traiter les données en temps réel, avec moins de latence, plus de confidentialité et une meilleure efficacité énergétique, en réduisant la dépendance à la qualité des réseaux.
- Exemple : capteurs intelligents dans les voitures autonomes.
- Défis et limites : limitations de puissance de calcul et de stockage.
Remarque : l’IA embarquée (Embedded AI) peut être vue comme un sous-ensemble de l’IA en bordure (Edge AI). Cette dernière est déployée à la périphérie du cloud (pour des raisons de temps de réponse ou de sécurité).
IA fédérée
Forme de systèmes d’IA répartie ou distribuée, elle se distingue par sa méthode d’entraînement (apprentissage) de modèles d’IA. Elle consiste à laisser les données sur les appareils locaux (ex. smartphones, hôpitaux, objets connectés) et à envoyer uniquement les mises à jour du modèle vers un serveur central. L’objectif est de permettre aux modèles d’apprendre sans jamais centraliser les données pour renforcer la confidentialité, la sécurité et la conformité réglementaire (comme le RGPD).
- Exemple : claviers prédictifs sur les smartphones, IA d’analyses de données médicales pour le développement de molécules.
- Défis et limites : complexité de la coordination entre les nœuds.
IA adaptative
Ce sont les systèmes qui s’adaptent dans le temps à leurs environnements ou à leurs utilisateurs. Cette adaptativité se distingue par un apprentissage incrémental continu et l’absence de besoin de réentraînement complet. Ces systèmes peuvent ainsi maintenir leurs performances face à des situations changeantes grâce notamment à la révision automatique des modèles, c’est à dire que l’IA peut ajuster sa structure, ses paramètres ou ses comportements de manière autonome lorsqu’elle détecte une baisse de performance, un changement de contexte ou l’arrivée de nouvelles données.
- Exemple : jeux vidéo évolutifs et les robots compagnons.
- Défis et limites : imprévisibilité et adaptation aux changements rapides.
IA hybride
Elle combine l’IA symbolique et l’IA connexionniste (à base de deep learning). Cette hybridation permet de tirer le meilleur des deux mondes : une appréhension explicite et des raisonnements vérifiables et explicables grâce à l’IA symbolique, et une meilleure efficacité et performance grâce au deep learning.
- Exemple : un assistant médical qui utilise un modèle de langage pour comprendre des symptômes, couplé à un système capable de vérifier les interactions médicamenteuses.
- Défis et limites : complexité de l’intégration des différentes approches.
IA faible vs IA forte… en voie vers l’AGI ?
L’IA faible (actuelle), par exemple ChatGPT, est conçue pour accomplir des tâches spécifiques et est dénuée d’une vraie compréhension de la réalité. L’IA forte, encore hypothétique, serait capable de comprendre et s’adapter à toute situation. L’objectif d’une IA forte est d’aller vers l’AGI ou IA générale (à ne pas confondre avec IA générative) dont la définition communément admise est celle d’un système capable de comprendre, d’apprendre et de s’adapter à n’importe quelle tâche cognitive humaine, avec un niveau de performance égal ou supérieur à celui d’un être humain. Dans les faits, elle n’existe pas encore.
- Exemple : on pourrait poser des questions complexes à une AGI comme « réduire le réchauffement climatique à 2 degrés » et elle serait capable de combiner données satellites, politiques industrielles, économiques, et analyse comportements humains pour simuler et recommander des actions aux gouvernements, ONG et entreprises.
- Défis et limites : pour l’heure la formalisation de la conscience et du sens commun, la maîtrise de l’apprentissage général non supervisé, la prévention des comportements imprévus ou dangereux, et la garantie d’un alignement éthique durable avec les intentions humaines.
