L’être humain n’a cessé d’accroître son pouvoir d’action sur le monde, utilisant son intelligence pour construire des outils et des machines. Il a élaboré un mode de pensée algorithmique susceptible d’être codé dans des langages permettant de commander ces machines. Aujourd’hui, l’intelligence artificielle (IA) permet l’accomplissement de tâches et la résolution de problèmes jusqu’ici réservés aux humains : reconnaître et localiser les objets dans une image, conduire une voiture, traduire un texte, dialoguer, … Un champ de l’intelligence artificielle ayant permis des applications spectaculaires est celui de l’apprentissage machine.

Savoirs
Jusqu’au début du XXe siècle, les machines traitant l’information sont limitées à une ou quelques tâches prédéterminées (tisser grâce à un ruban ou des cartes perforées, trier un jeu de carte perforées, séparer des cartes selon un critère, sommer des valeurs indiquées sur ces cartes, …). Turing a été le premier à proposer le concept de machine universelle qui a été matérialisé dix ans plus tard avec les premiers ordinateurs. Ceux-ci sont constitués a minima d’un processeur et d’une mémoire vive. Un ordinateur peut manipuler des données de natures diverses une fois qu'elles ont été numérisées : textes, images, sons. Les programmes sont également des données : ils peuvent être stockés, transportés, et traités par des ordinateurs. En particulier, un programme écrit dans un langage de programmation de haut niveau (Python, Scratch, …) peut être traduit en instructions spécifiques à chaque type de processeur.

Un programme peut comporter jusqu’à plusieurs centaines de millions de lignes de code, ce qui rend très probable la présence d’erreurs appelées bogues (ou bugs). Ces erreurs peuvent conduire un programme à avoir un comportement inattendu et entraîner des conséquences graves.

Le terme « intelligence artificielle » (IA) recouvre un ensemble de théories et de techniques qui traite de problèmes dont la résolution fait appel à l’intelligence humaine.

L’apprentissage machine (ou « apprentissage automatique ») utilise des programmes capables de s’entraîner à partir de données. Il exploite des méthodes mathématiques qui, à partir du repérage de tendances (corrélations, similarités) sur de très grandes quantités de données (big data), permet de faire des prédictions ou de prendre des décisions sur d’autres données. La qualité et la représentativité des données d’entraînement sont essentielles pour la qualité des résultats. Les biais dans les données peuvent se retrouver amplifiés dans les résultats.

L’inférence bayésienne est une méthode de calcul de probabilités de causes à partir des probabilités de leurs effets. Elle est utilisée en apprentissage automatique pour modéliser des relations au sein de systèmes complexes, notamment en vue de prononcer un diagnostic (médical, industriel, détection de spam, …). Cela permet de détecter une anomalie à partir d’un test imparfait.

Savoir-faire
Analyser des documents historiques relatifs au traitement de l’information et à son automatisation. Recenser les différentes situations de la vie courante où sont utilisés les ordinateurs, identifier lesquels sont programmables et par qui (thermostat d'ambiance, smartphone, box internet, ordinateur de bord d'une voiture, …). Savoir distinguer les fichiers exécutables des autres fichiers sous un système d’exploitation donné. Connaître l’ordre de grandeur de la taille d’un fichier image, son, vidéo. Savoir calculer la taille en octets d’une page de texte (en ASCII et non compressé).

Étant donné un programme très simple, proposer des jeux de données d’entrée permettant d’en tester toutes les lignes. Corriger un algorithme ou un programme bogué simple.

Analyser des documents relatifs à une application de l’intelligence artificielle. Utiliser une courbe de tendance (encore appelée courbe de régression) pour estimer une valeur inconnue à partir de données d’entraînement. Analyser un exemple d’utilisation de l’intelligence artificielle : identifier la source des données utilisées et les corrélations exploitées. Sur des exemples réels, reconnaître les possibles biais dans les données, les limites de la représentativité. Expliquer pourquoi certains usages de l'IA peuvent poser des problèmes éthiques.

À partir de données, par exemple issues d’un diagnostic médical fondé sur un test, produire un tableau de contingence afin de calculer des fréquences de faux positifs, faux négatifs, vrais positifs, vrais négatifs. En déduire le nombre de personnes malades suivant leur résultat au test.