Introduction
L’intelligence artificielle est désormais présente dans de nombreux processus professionnels : prévision des ventes, détection des fraudes, maintenance prédictive, analyse documentaire, génération de contenus ou encore automatisation du service client. Pourtant, toutes ces applications ne reposent pas sur le même type d’intelligence artificielle.
Une prévision statistique, un algorithme de Machine Learning et un assistant d’IA générative ne poursuivent pas les mêmes objectifs et ne présentent pas les mêmes risques. Il est donc essentiel de comprendre les différences entre ces technologies avant de les sélectionner, de les déployer et de les encadrer.
Les principaux types d’intelligence artificielle peuvent être étudiés selon deux perspectives. La première concerne les technologies employées : IA symbolique, Machine Learning, Deep Learning ou IA générative. La seconde porte sur leur fonction : décrire, prédire, recommander, générer ou exécuter des actions.
Cette distinction est également indispensable pour mettre en place une véritable gouvernance de l’IA et structurer un système de management conforme à la norme ISO/IEC 42001.
Qu’est-ce que l’intelligence artificielle ?
L’intelligence artificielle désigne un ensemble de technologies permettant à un système informatique de réaliser des tâches généralement associées à certaines capacités humaines.
Un système d’IA peut notamment :
- reconnaître des formes ou des objets ;
- comprendre et traiter du langage ;
- détecter des anomalies ;
- effectuer des prédictions ;
- recommander une action ;
- résoudre un problème ;
- générer du contenu ;
- automatiser une succession de tâches.
L’intelligence artificielle ne correspond donc pas à une technologie unique. Elle regroupe plusieurs méthodes dont le fonctionnement, le niveau de complexité, les besoins en données et les finalités peuvent être très différents.
Le Machine Learning : apprendre à partir des données
Le Machine Learning, ou apprentissage automatique, est une branche de l’intelligence artificielle. Il permet à un système d’apprendre des relations à partir de données sans que toutes les règles nécessaires à la réalisation de sa tâche soient programmées manuellement.
Prenons l’exemple de la détection des fraudes. Dans un système fondé uniquement sur des règles, les spécialistes doivent définir précisément les conditions caractérisant une opération suspecte. Avec le Machine Learning, un modèle peut être entraîné à partir de transactions passées afin d’identifier les caractéristiques fréquemment associées à une fraude.
Une fois entraîné, le système peut évaluer de nouvelles transactions et leur attribuer un niveau de risque.
Le Machine Learning est notamment utilisé pour :
- prévoir la demande ;
- détecter des fraudes ;
- identifier des anomalies ;
- filtrer les courriels indésirables ;
- recommander des produits ;
- évaluer certains risques ;
- segmenter une clientèle ;
- anticiper une panne.
L’apprentissage supervisé
Dans l’apprentissage supervisé, le modèle est entraîné à partir de données étiquetées. Chaque exemple contient une information d’entrée et la réponse attendue.
Pour créer un système capable de reconnaître les courriels indésirables, on peut lui fournir des messages déjà classés dans les catégories « spam » ou « non-spam ». Le modèle apprend alors à identifier les éléments associés à chaque catégorie.
L’apprentissage supervisé est principalement utilisé pour réaliser deux types de tâches :
- la classification, qui consiste à attribuer une catégorie ;
- la régression, qui consiste à prédire une valeur numérique.
Il peut ainsi servir à classer une transaction, prédire le prix d’un bien immobilier ou estimer un volume de ventes.
L’apprentissage non supervisé
Dans l’apprentissage non supervisé, les données ne comportent pas de réponse prédéfinie. Le système recherche lui-même des structures, des ressemblances ou des groupes.
Cette approche peut être utilisée pour :
- segmenter des clients selon leurs comportements ;
- regrouper des documents similaires ;
- identifier des habitudes de consommation ;
- détecter des comportements inhabituels ;
- explorer un ensemble de données peu connu.
L’objectif n’est pas nécessairement de prédire une réponse, mais de découvrir l’organisation interne des données.
L’apprentissage semi-supervisé
L’apprentissage semi-supervisé combine une petite quantité de données étiquetées avec un volume plus important de données non étiquetées.
Cette méthode est utile lorsque les organisations disposent de nombreuses données, mais que leur classification manuelle serait trop longue ou trop coûteuse.
Elle peut notamment être utilisée dans l’analyse d’images, le traitement de documents ou la reconnaissance vocale.
L’apprentissage par renforcement
Dans l’apprentissage par renforcement, un système apprend en interagissant avec un environnement. Il réalise des actions et reçoit une récompense ou une pénalité selon le résultat obtenu.
Son objectif est d’apprendre progressivement une stratégie lui permettant de maximiser les récompenses obtenues.
L’apprentissage par renforcement peut être utilisé en robotique, dans les jeux, dans l’optimisation de processus ou dans certains systèmes autonomes.
Le Deep Learning : une branche du Machine Learning
Le Deep Learning, ou apprentissage profond, est une sous-catégorie du Machine Learning. Il repose sur des réseaux de neurones artificiels comportant plusieurs couches de traitement.
Ces différentes couches permettent au modèle d’apprendre progressivement des représentations de plus en plus complexes. Dans le traitement d’une image, les premières couches peuvent détecter des formes simples, tandis que les couches suivantes apprennent à reconnaître des objets plus élaborés.
Le Deep Learning est particulièrement adapté au traitement de données complexes ou peu structurées, notamment :
- les images ;
- la parole ;
- les sons ;
- les vidéos ;
- le langage naturel ;
- les documents volumineux.
Il est utilisé dans la reconnaissance faciale, la traduction automatique, la transcription vocale, l’analyse d’images médicales et certains systèmes d’aide à la conduite.
Ces performances ont toutefois un coût. Les modèles de Deep Learning nécessitent généralement des volumes importants de données, une puissance de calcul élevée et des compétences spécialisées. Leur fonctionnement peut également être plus difficile à expliquer que celui d’un modèle statistique simple.
L’IA générative : produire de nouveaux contenus
L’intelligence artificielle générative désigne les systèmes capables de produire de nouveaux contenus à partir des structures apprises pendant leur entraînement.
Ces contenus peuvent prendre différentes formes :
- textes ;
- images ;
- vidéos ;
- voix ;
- musique ;
- code informatique ;
- présentations ;
- données synthétiques.
Les grands modèles de langage, également appelés LLM, appartiennent à cette catégorie. Ils analysent les relations entre les mots et les structures présentes dans de très grandes quantités de textes. À partir d’une instruction, ils peuvent ensuite rédiger une réponse, résumer un document, traduire un contenu ou produire du code.
L’IA générative n’est donc pas l’opposé du Machine Learning. Elle en constitue généralement une application avancée fondée sur le Deep Learning.
La principale différence concerne la finalité. Un modèle traditionnel peut prédire le risque qu’une transaction soit frauduleuse. Un modèle génératif peut créer un rapport expliquant cette analyse ou produire un nouveau contenu à partir des informations disponibles.
Malgré ses performances, l’IA générative comporte des limites. Elle peut notamment produire une réponse incorrecte, inventer une information, reproduire certains biais présents dans ses données ou exposer des informations confidentielles lorsqu’elle est mal utilisée.
Son utilisation doit donc être accompagnée de règles, de contrôles et d’une supervision humaine adaptés.
L’IA symbolique : appliquer des règles explicites
L’intelligence artificielle symbolique repose sur des connaissances et des règles définies explicitement par des spécialistes.
Elle peut suivre une logique telle que : si plusieurs conditions sont réunies, alors une décision ou une action particulière doit être déclenchée.
Cette approche a notamment été utilisée dans les systèmes experts, conçus pour reproduire le raisonnement d’un professionnel dans un domaine précis.
L’IA symbolique peut intervenir dans :
- le diagnostic technique ;
- l’aide à la décision ;
- l’application de règles métiers ;
- la conformité ;
- la gestion de procédures ;
- certains systèmes juridiques ou médicaux.
Son principal avantage est son explicabilité. Les règles utilisées peuvent être consultées, vérifiées et modifiées. En revanche, le système peut rencontrer des difficultés face à une situation qui n’a pas été anticipée par les concepteurs.
L’IA hybride : combiner plusieurs technologies
Une IA hybride associe différentes approches afin de profiter de leurs avantages respectifs.
Un assistant bancaire peut, par exemple :
- utiliser une IA générative pour dialoguer avec le client ;
- employer un modèle de Machine Learning pour détecter une transaction inhabituelle ;
- appliquer des règles explicites pour contrôler la conformité ;
- recourir à des méthodes statistiques pour calculer un niveau de risque.
Cette combinaison permet de développer des systèmes plus complets. Elle rend néanmoins leur gouvernance plus complexe, car chaque composant peut présenter des risques et des limites spécifiques.
IA descriptive, prédictive, prescriptive et générative
Les différents types d’intelligence artificielle peuvent également être classés selon la fonction qu’ils remplissent.
| Type de système | Fonction principale | Exemple |
|---|---|---|
| IA descriptive | Présenter ce qui s’est passé | Analyse de l’évolution des ventes |
| IA diagnostique | Rechercher les causes d’un événement | Identification de l’origine d’une panne |
| IA prédictive | Anticiper un événement | Prévision de la demande |
| IA prescriptive | Recommander une décision | Proposition d’un niveau de stock |
| IA de classification | Attribuer une catégorie | Détection d’un spam |
| IA de détection | Identifier une anomalie | Détection d’une fraude |
| IA de recommandation | Personnaliser des propositions | Suggestion de produits |
| IA conversationnelle | Dialoguer avec un utilisateur | Assistant virtuel |
| IA générative | Créer un nouveau contenu | Génération d’un texte ou d’une image |
| IA agentique | Planifier et exécuter des actions | Automatisation d’un processus complexe |
Ces catégories ne sont pas exclusives. Une IA conversationnelle peut intégrer un modèle génératif. Une IA agentique peut utiliser un LLM, plusieurs outils externes, un moteur prédictif et des règles de contrôle.
Pourquoi la gouvernance de l’IA est-elle indispensable ?
Tous les systèmes d’intelligence artificielle ne présentent pas les mêmes risques. Un outil statistique utilisé pour analyser des ventes n’a pas les mêmes conséquences qu’un système biométrique, qu’une IA générative manipulant des données confidentielles ou qu’un algorithme intervenant dans une décision concernant une personne.
La gouvernance de l’IA permet de définir un cadre commun pour la conception, l’acquisition, le déploiement, l’utilisation et la surveillance de ces technologies.
Elle vise notamment à :
- recenser les systèmes d’IA utilisés ;
- identifier leurs finalités et leurs utilisateurs ;
- définir les rôles et les responsabilités ;
- évaluer les risques associés aux données, aux modèles et aux usages ;
- assurer la transparence et la traçabilité ;
- organiser la supervision humaine ;
- contrôler les fournisseurs de solutions d’IA ;
- surveiller les performances et les dérives des modèles ;
- encadrer les changements et les mises à jour ;
- traiter les incidents ;
- documenter les décisions et les mesures de maîtrise.
La gouvernance ne concerne donc pas uniquement l’IA générative. Elle doit couvrir tous les systèmes d’IA, qu’ils soient prédictifs, décisionnels, conversationnels, génératifs ou autonomes.
Comment ISO 42001 encadre-t-elle les différents types d’IA ?
La norme ISO/IEC 42001 fournit un cadre permettant de créer, de mettre en œuvre, de maintenir et d’améliorer un système de management de l’intelligence artificielle, appelé SMIA.
Elle ne cherche pas à imposer une technologie particulière. Elle permet aux organisations de gouverner leurs systèmes d’IA en fonction de leur contexte, de leurs finalités, de leurs parties prenantes et des risques associés.
La mise en place d’un SMIA permet notamment de structurer :
- la politique de gouvernance de l’IA ;
- le périmètre des systèmes concernés ;
- l’inventaire des systèmes et des usages ;
- l’évaluation des risques et des impacts ;
- la gestion du cycle de vie de l’IA ;
- les rôles et les responsabilités ;
- les exigences documentaires ;
- la supervision humaine ;
- la surveillance des performances ;
- le traitement des incidents ;
- l’amélioration continue.
Pour apprendre à concevoir et à piloter ce dispositif, la formation ISO/IEC 42001 Lead Implementer de DEVFORMA permet de développer les compétences nécessaires pour planifier, mettre en œuvre, maintenir et améliorer un SMIA.
Les professionnels souhaitant approfondir la surveillance et l’évaluation d’un système de management peuvent ensuite se tourner vers une formation consacrée à l’audit ISO/IEC 42001.
Quelle formation choisir pour développer ses compétences en IA ?
Le parcours de formation doit être adapté au niveau de connaissances, au métier exercé et aux responsabilités confiées.
Comprendre les technologies et les applications de l’IA
La formation Certified Artificial Intelligence Professional – CAIP permet d’acquérir une vision transversale de l’intelligence artificielle, de ses principales technologies et de ses applications.
Elle s’adresse aux professionnels qui souhaitent comprendre les concepts fondamentaux de l’IA et développer une première expertise structurée dans ce domaine.
Mettre en place une gouvernance conforme à ISO 42001
La formation ISO/IEC 42001 Lead Implementer est destinée aux professionnels chargés de structurer, de déployer ou de piloter un système de management de l’intelligence artificielle.
Elle permet notamment d’apprendre à :
- interpréter les exigences d’ISO/IEC 42001 ;
- définir le périmètre du SMIA ;
- organiser le projet de mise en œuvre ;
- formaliser les politiques et les processus ;
- gérer les risques liés à l’IA ;
- suivre les performances du système ;
- préparer l’organisation à un audit de certification.
Les professionnels souhaitant construire un parcours plus complet peuvent également consulter la roadmap pour devenir IA Manager.
Conclusion
Les statistiques, le Machine Learning, le Deep Learning et l’IA générative ne désignent pas des technologies totalement indépendantes. Elles appartiennent à un ensemble de méthodes permettant d’analyser des données, de détecter des tendances, d’automatiser des décisions ou de créer de nouveaux contenus.
Comprendre les différents types d’intelligence artificielle permet de choisir une solution adaptée à chaque besoin. Cette compréhension technique doit toutefois être complétée par une véritable gouvernance de l’IA.
La norme ISO/IEC 42001 apporte un cadre structuré pour recenser les systèmes d’IA, définir les responsabilités, gérer les risques, assurer la traçabilité et organiser l’amélioration continue.
Les professionnels peuvent approfondir ces compétences grâce aux formations Certified Artificial Intelligence Professional – CAIP et ISO/IEC 42001 Lead Implementer proposées par DEVFORMA.
