1. Introduction
Imaginons qu’un nouveau coronavirus apparaisse subitement et qu’énormément de personnes arrivent à nouveau aux urgences. L’intelligence artificielle (IA) pourrait-elle alors nous venir en aide? En tout cas, les scientifiques essaieraient de l’utiliser: elle pourrait par exemple aider à déterminer quelles molécules et quels mécanismes rendent le nouveau virus si dangereux. À l’aide de l’IA, on pourrait rechercher des substances actives qui rendent le virus inoffensif et l’IA pourrait contribuer à produire rapidement et efficacement un nouveau vaccin.
Lis l’encadré ci-dessous pour savoir ce qu’est l’IA et comment elle fonctionne. Dans les paragraphes suivants, tu découvriras le potentiel que renferme l’IA pour la médecine et la pharmacie. À la fin, tu pourras appliquer tes nouvelles connaissances dans des exercices pratiques.
Fonctionnement de l’intelligence artificielle
Qu’est-ce que l’intelligence artificielle ou IA (en anglais «AI» pour artificial intelligence)? L’IA a pour but de faire agir des machines de manière intelligente, donc comme des êtres humains. Il s’agit que la machine soit capable de résoudre de manière autonome des problèmes qu’elle n’a jamais rencontrés auparavant. Une machine intelligente apprend à partir de ses expériences et s’améliore ainsi progressivement. Un logiciel qui travaille uniquement sur la base de règles préprogrammées, toujours suivant le même schéma, n’est donc pas qualifié d’intelligent.
Il existe de nombreuses définitions de l’IA. La première est celle de Marvin Minsky, elle date de 1966 mais est toujours valable: «science qui consiste à faire faire aux machines ce que l’homme ferait moyennant une certaine intelligence.»
L’apprentissage automatique (machine learning) est parfois confondu avec l’IA, mais il n’en est qu’une partie. Cela veut dire qu’une machine ou un système artificiel apprend à partir de ses expériences ou de ses données. Le système analyse des données, p. ex. des échantillons tissulaires, des images, des bribes de conversation, y reconnaît des schémas et s’améliore ainsi continuellement de manière autonome. Des exemples typiques sont la reconnaissance vocale ou des processus de diagnostic qui permettent de reconnaître le cancer. L’apprentissage automatique requiert d’énormes quantités de données.
L’apprentissage profond (deep learning) est un sous-domaine de l’apprentissage automatique dans lequel on emploie des réseaux de neurones artificiels. Un tel réseau est un système d’algorithmes. Il imite la manière dont le cerveau travaille et apprend à l’aide de nombreux synapses et connexions. L’apprentissage profond signifie que la machine pondère les connexions des synapses à partir d’exemples de données et apprend ainsi, par exemple, à reconnaître des visages sur des photos. Le problème est que l’être humain ne sait pas ce qui se passe dans les différentes couches du réseau neuronal (cf. problématique de la boîte noire au chapitre 4).
On parle d’IA générative ou d’apprentissage profond génératif lorsqu’un système analyse non seulement des données et émet des prévisions, mais se sert aussi de son apprentissage pour développer de nouvelles données et de nouveaux contenus. ChatGPT est le plus célèbre exemple d’IA générative.
L’intelligence artificielle générale (IAG) va encore plus loin: il s’agit d’une IA encore théorique, disposant de toutes les capacités cognitives propres aux humains, par exemple la pensée abstraite, la culture générale, le «bon sens», la compréhension du lien de cause à effet, et donc capable de comprendre différentes situations, d’en tirer des enseignements et d’appliquer ces connaissances à différentes tâches. Il existe différentes définitions des capacités dont doit disposer une IAG.