Exploring AI Concepts

# Exploring AI Concepts ## Objectifs et prérequis Ce chapitre vise à fournir aux élèves de Lower Sixth une compréhension structurée des concepts fondamentaux de l'intelligence artificielle (IA), en alignement avec le programme officiel camerounais anglophone. À l'issue de ce chapitre, les élèves seront capables de : définir l'IA et distinguer ses principaux paradigmes ; analyser les enjeux éthiques liés à son utilisation responsable ; identifier et décrire les techniques clés de l'IA (recherche, représentation des connaissances, systèmes experts) ; expliquer les principes de base de l'apprentissage automatique (machine learning) ; et décrire les étapes du développement d'un système IA, de la conception au déploiement. Les prérequis comprennent une maîtrise de base des concepts de programmation (variables, boucles, conditions), des notions de statistiques descriptives (moyenne, probabilité simple) et une familiarité avec l'utilisation courante des technologies numériques (internet, applications mobiles). Aucune connaissance préalable en IA n'est requise, mais un intérêt pour la résolution de problèmes et la logique est attendu. ## Introduction L'intelligence artificielle (IA) désigne l'ensemble des théories et des techniques mises en œuvre pour créer des machines capables de simuler l'intelligence humaine. Bien que le terme ait été popularisé lors de la conférence de Dartmouth en 1956 par John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon, ses racines remontent aux travaux d'Alan Turing sur la machine de Turing et le test de Turing (1950). Aujourd'hui, l'IA transforme profondément les secteurs de l'éducation, de la santé, de l'agriculture et de la finance en Afrique, notamment au Cameroun où des initiatives comme l'utilisation de chatbots pour l'orientation scolaire dans les régions du Nord-Ouest et du Sud-Ouest, ou des systèmes de détection précoce de la maladie du manioc via l'imagerie satellitaire et l'apprentissage profond, illustrent son potentiel adapté aux contextes locaux. Ce chapitre explore l'IA de manière progressive : d'abord ses fondements conceptuels et éthiques, puis ses techniques classiques, ensuite l'apprentissage automatique comme approche dominante actuelle, et enfin la méthodologie de développement de systèmes IA réels. L'accent est mis sur la compréhension critique plutôt que sur la seule maîtrise technique, afin de préparer les élèves à être non seulement des utilisateurs mais aussi des acteurs responsables de l'IA dans leur communauté. ## I. Introduction to Artificial Intelligence (AI) ### Contexte et définitions L'IA ne désigne pas une seule technologie mais un champ interdisciplinaire regroupant l'informatique, les mathématiques, la psychologie cognitive, la linguistique et la philosophie. Son objectif fondamental est de permettre aux machines d'accomplir des tâches qui nécessitent habituellement l'intelligence humaine : perception, raisonnement, apprentissage, prise de décision et interaction sociale. Il est essentiel de distinguer l'IA étroite (ou faible), qui excelle dans un domaine spécifique (comme la reconnaissance faciale ou la traduction automatique), de l'IA générale (ou forte), hypothétique, qui posséderait une intelligence comparable à celle de l'humain dans tous les domaines — aucune IA générale n'existe actuellement. Le programme camerounais met l'accent sur l'IA étroite, pertinente pour les applications réalisables dans les contraintes techniques et économiques locales. > **Définition clé à retenir** : L'intelligence artificielle (IA) est la branche de l'informatique qui vise à créer des systèmes capables d'effectuer des tâches nécessitant normalement l'intelligence humaine, telles que l'apprentissage, le raisonnement et la perception. ### Faits historiques et noms exacts - 1950 : Alan Turing publie *Computing Machinery and Intelligence*, introduisant le **test de Turing** comme critère comportemental pour évaluer si une machine peut penser. - 1956 : Conférence de Dartmouth (Hanover, New Hampshire), organisée par John McCarthy (qui invente le terme "intelligence artificielle"), Marvin Minsky, Nathaniel Rochester et Claude Shannon — considérée comme l'acte de naissance officiel de l'IA comme domaine de recherche. - 1966 : Développement de **ELIZA** par Joseph Weizenbaum au MIT, premier chatbot simulant un thérapeute rogerien grâce à des règles de correspondance de motifs. - 1997 : L'ordinateur **Deep Blue** d'IBM bat le champion du monde d'échecs Garry Kasparov, démontrant la puissance de la recherche en arbre combinée à l'évaluation de positions. - 2011 : **Watson** d'IBM remporte le jeu télévisé *Jeopardy!* contre des champions humains, illustrant les progrès en traitement du langage naturel et en raisonnement probabiliste. - 2016 : **AlphaGo** de DeepMind bat Lee Sedol, champion mondial de Go, marquant une avancée majeure grâce à l'apprentissage profond par renforcement. ### Causes et conséquences L'émergence de l'IA moderne résulte de la convergence de trois facteurs : (1) l'augmentation exponentielle de la puissance de calcul (loi de Moore), (2) la disponibilité massive de données numériques (big data) provenant d'internet, des capteurs et des réseaux sociaux, et (3) les progrès algorithmiques, notamment dans les réseaux de neurones profonds. Ces facteurs ont permis le passage de l'IA symbolique (basée sur des règles logiques explicites) à l'IA connexionniste (apprenante à partir de données). Les conséquences sont profondes : automatisation de tâches répétitives, amélioration du diagnostic médical (ex. : détection de la rétinopathie diabétique via l'analyse d'images de fond d'œil), optimisation des chaînes logistiques agricoles (ex. : prévision des rendements du cacao dans le Sud-Ouest camerounais à l'aide de données météorologiques et satellitaires), mais aussi risques de biais algorithmiques, de déplacement d'emplois et de surveillance accrue. ### Exemples concrets (camerounais et africains) - Au Cameroun, l'**Agence Nationale des Technologies de l'Information et de la Communication (ANTIC)** expérimente des systèmes d'IA pour détecter les fraudes fiscales en analysant les patterns de facturation électronique. - Dans la région de l'Extrême-Nord, des projets pilotes utilisent des images satellitaires traitées par des modèles d'apprentissage automatique pour surveiller l'avancée du désert et orienter les efforts de reboisement. - Au Kenya, l'application **M-Farm** utilise l'IA pour fournir aux petits agriculteurs des prévisions de prix du marché et des conseils culturales basés sur les données météorologiques et historiques. - En Afrique du Sud, le système **AI4D** (Artificial Intelligence for Development) soutient des startups développant des outils de diagnostic vocal pour la tuberculose dans les zones rurales à faible accès aux radiographies. ### Vocabulaire à retenir - Intelligence artificielle étroite (Narrow AI) : IA spécialisée dans une tâche spécifique. - Intelligence artificielle générale (General AI) : IA hypothétique possédant une intelligence humaine équivalente dans tous les domaines. - Test de Turing : épreuve comportementale proposée par Alan Turing pour évaluer si une machine peut présenter un comportement indiscernable de celui d'un humain. - Système expert : programme IA qui imite la prise de décision d'un expert humain dans un domaine restreint grâce à une base de connaissances et un moteur d'inférence. - Agent intelligent : entité logicielle ou matérielle qui perçoit son environnement et agit pour atteindre des objectifs définis. ### Exemple de sujet type examen avec plan **Sujet** : Expliquez ce qu'est l'intelligence artificielle étroite en la distinguant de l'intelligence artificielle générale, puis illustrez votre réponse par deux exemples concrets d'applications de l'IA étroite au Cameroun ou en Afrique, en précisant pour chacun le problème résolu et la technique d'IA utilisée. **Plan attendu** : I. Définition de l'IA étroite et contraste avec l'IA générale     A. Caractéristiques de l'IA étroite (spécialisation, limites)     B. Caractéristiques de l'IA générale (hypothétique, polyvalence) II. Premier exemple camerounais/africain : système de détection de la maladie du manioc     A. Problème : pertes agricoles dues à la maladie du manioc en Afrique centrale     B. Technique : réseau de neurones convolutifs analysant des images de feuilles prises avec un smartphone     C. Résultat : alertes précoces pour les agriculteurs via application mobile III. Deuxième exemple africain : application M-Farm au Kenya     A. Problème : asymétrie d'information sur les prix du marché pour les petits agriculteurs     B. Technique : modèles de prévision de séries temporelles alimentés par données historiques et météorologiques     C. Résultat : amélioration des revenus agricoles grâce à de meilleures décisions de vente ## II. AI Ethics and Responsible Use ### Contexte et définitions L'éthique de l'IA concerne l'examen des principes moraux qui devraient guider la conception, le déploiement et l'utilisation des systèmes d'intelligence artificielle. Alors que l'IA offre des bénéfices considérables, elle soulève également des risques sérieux liés à l'équité, à la transparence, à la responsabilité et aux droits humains. L'utilisation responsable de l'IA implique de veiller à ce que ces systèmes soient bénéfiques, justes et respectueux de la dignité humaine, en particulier dans les contextes où les ressources pour corriger les erreurs ou les biais sont limitées, comme dans de nombreuses régions du Cameroun et d'Afrique subsaharienne. Le programme met l'accent sur une approche proactive : anticiper les impacts négatifs plutôt que de simplement réagir après coup. > **Définition clé à retenir** : L'utilisation responsable de l'IA consiste à concevoir, déployer et exploiter des systèmes d'intelligence artificielle de manière à maximiser leurs bénéfices sociaux tout en minimisant les risques de préjudice, d'injustice ou de violation des droits fondamentaux. ### Principes éthiques clés et faits exacts Plusieurs cadres internationaux ont proposé des principes directeurs pour l'IA éthique. Parmi les plus influents : - Les **Principes d'Asilomar** (2017), issus d'une conférence organisée par le Future of Life Institute, mettent l'accent sur la recherche bénéfique, la sécurité et l'alignement des valeurs humaines. - Les **Recommandations de l'UNESCO sur l'éthique de l'intelligence artificielle** (adoptées en novembre 2021) constituent le premier cadre mondial normatif sur l'IA éthique, approuvé par 193 États membres, dont le Cameroun. Elles définissent dix principes fondamentaux : proportionnalité et ne pas causer de préjudice, sécurité et sûreté, droit à la vie privée et protection des données, transparence et explicabilité, responsabilité, sensibilisation et éducation, équité et non-discrimination, durabilité environnementale, gouvernance adaptative et coopération internationale. - Le **Règlement européen sur l'intelligence artificielle (AI Act)**, adopté en 2024, introduit une approche basée sur le risque, interdisant certaines pratiques (comme la notation sociale en temps réel) et imposant des exigences strictes pour les systèmes à haut risque (ex. : recrutement, éducation, application de la loi). ### Causes et conséquences des enjeux éthiques Les principaux risques éthiques de l'IA découlent souvent de la manière dont les données sont collectées, les modèles sont entraînés et les décisions sont prises : - **Biais algorithmiques** : surviennent lorsque les données d'entraînement reflètent des préjugés historiques ou sociaux (ex. : un système de recrutement formé sur des données où les femmes étaient sous-représentées en ingénierie peut discriminer les candidatures féminines). Conséquence : perpétuation et amplification des inégalités existantes. - **Manque de transparence** : les modèles complexes comme les réseaux de neurones profonds sont souvent des "boîtes noires", rendant difficile la compréhension de leurs décisions. Conséquence : impossibilité de contester une décision défavorable (ex. : refus de prêt) ou de détecter une erreur. - **Problèmes de responsabilité** : lorsqu'un système IA cause un préjudice (ex. : accident d'un véhicule autonome), il peut être difficile de déterminer qui est responsable — le concepteur, le fabricant, l'utilisateur ou le fournisseur de données. - **Atteinte à la vie privée** : la collecte massive de données personnelles pour entraîner des modèles d'IA peut conduire à une surveillance accrue et à l'exploitation de données sensibles sans consentement éclairé. ### Exemples concrets (camerounais et africains) - Au Cameroun, des inquiétudes ont été exprimées concernant l'utilisation potentielle de la reconnaissance faciale par les forces de l'ordre dans les villes comme Yaoundé et Douala, notamment en raison du risque de biais ethniques ou régionaux et de l'absence de cadre juridique clair régissant son utilisation. - En Afrique du Sud, des études ont montré que certains systèmes d'évaluation automatique des essais utilisés dans l'éducation pouvaient pénaliser les étudiants dont l'écriture reflétait des variantes de l'anglais africain, considérées à tort comme des erreurs. - Au Kenya, le déploiement de drones de surveillance équipés d'IA pour lutter contre le braconnage dans les parcs nationaux a soulevé des questions sur le droit à la vie privée des communautés autochtones vivant à proximité de ces zones. - En général en Afrique subsaharienne, le manque de données locales représentatives dans les ensembles de données d'entraînement mondiaux (ex. : majoritairement composés de visages à peau claire) entraîne une moindre précision des systèmes de reconnaissance faciale pour les personnes à peau foncée, augmentant le risque d'erreurs d'identification fautives. ### Vocabulaire à retenir - Biais algorithmique : tendance systématique d'un système IA à produire des résultats qui privilégient ou désavantagent injustement certains groupes en raison de préjugés présents dans les données ou la conception. - Transparence : propriété d'un système IA permettant de comprendre comment il parvient à une décision donnée (souvent associée à l'explicabilité). - Responsabilité : obligation de rendre compte des conséquences d'un système IA et de pouvoir identifier qui est tenu pour responsable en cas de préjudice. - Vie privée : droit des individus à contrôler la collecte, l'utilisation et la divulgation de leurs informations personnelles. - Équité : principe selon lequel les systèmes IA ne doivent pas créer ou aggraver des disparités injustes entre des groupes de personnes sur la base de caractéristiques protégées (race, sexe, origine, etc.). - Boîte noire : métaphore décrivant un système dont le fonctionnement interne est opaque ou difficile à interpréter, même pour ses concepteurs. ### Exemple de sujet type examen avec plan **Sujet** : Décrivez deux risques éthiques majeurs liés à l'utilisation de l'intelligence artificielle dans l'éducation au Cameroun, puis proposez pour chacun une mesure concrète pouvant être prise par les établissements scolaires ou les autorités éducatives pour promouvoir une utilisation responsable. **Plan attendu** : I. Premier risque éthique : biais algorithmique dans les outils d'évaluation ou d'orientation     A. Explication : comment des données d'entraînement non représentatives peuvent conduire à des recommandations biaisées (ex. : orienter moins fréquemment les filles vers les filières scientifiques)     B. Mesure : réaliser des audits réguliers des outils d'IA utilisés pour vérifier l'équité des résultats selon le sexe, la région ou l'origine socio-économique, en impliquant des enseignants et des parents dans le processus II. Deuxième risque éthique : atteinte à la vie privée des élèves via la collecte de données     A. Explication : comment des applications éducatives peuvent collecter des données sensibles (comportement, émotions, localisation) sans consentement éclairé des élèves ou de leurs parents     B. Mesure : adopter une charte de protection des données spécifique aux outils éducatifs, exigeant le consentement préalable, limité et révocable, ainsi que l'anonymisation ou la suppression des données après un délai défini ## III. AI Techniques and Intelligent Systems ### Contexte et définitions Avant l'essor récent de l'apprentissage automatique, l'IA s'appuyait principalement sur des techniques symboliques et basées sur la connaissance. Cette approche, souvent appelée IA classique ou IA symbolique, consiste à représenter explicitement les connaissances du monde sous forme de règles logiques, de réseaux sémantiques ou de cadres, et à utiliser des processus d'inférence automatisés pour déduire de nouvelles informations ou prendre des décisions. Un système intelligent dans ce contexte est un programme capable de raisonner, de résoudre des problèmes ou de comprendre un langage naturel en manipulant des symboles selon des règles formelles. Bien que moins dominante aujourd'hui que l'apprentissage automatique, cette approche reste pertinente pour des applications où la transparence, la précision logique et l'incorporation de connaissances d'experts sont essentielles, comme dans certains systèmes de soutien au diagnostic médical ou de conseil agricole. > **Définition clé à retenir** : Un système expert est un programme d'intelligence artificielle qui stocke des connaissances spécialisées sous forme de faits et de règles, et utilise un moteur d'inférence pour répondre à des questions ou résoudre des problèmes dans un domaine restreint, en imitant le raisonnement d'un expert humain. ### Techniques classiques de l'IA et faits exacts - **Recherche dans un espace d'états** : méthode fondamentale pour résoudre des problèmes comme le jeu de taquin, le rubik's cube ou la planification de trajectoires. Elle consiste à explorer systématiquement les états possibles d'un problème, partant d'un état initial vers un état objectif, en utilisant des stratégies comme la recherche en largeur (BFS), la recherche en profondeur (DFS) ou l'algorithme A* qui combine la distance réelle parcourue avec une heuristique estimant la distance restante. - **Représentation des connaissances** : méthodes pour structurer l'information afin qu'elle soit exploitable par un raisonneur automatique. Les formes courantes incluent : - *Règles de type SI-ALORS* : ex. : SI la plante présente des taches jaunes sur les feuilles ET l'humidité du sol est élevée ALORS il s'agit probablement de la pourriture bactérienne. - *Réseaux sémantiques* : graphes où les nœuds représentent des concepts (ex. : "manioc", "maladie") et les arcs représentent des relations (ex. : "est affecté par", "pousse dans"). - *Cadres (frames)* : structures de données regroupant les attributs typiques d'une entité (ex. : un cadre "sol" pourrait avoir des attributs comme type, pH, rétention d'eau, profondeur). - **Moteur d'inférence** : composant d'un système expert qui applique les règles de la base de connaissances aux faits observés pour en déduire de nouvelles conclusions. Les deux principaux modes sont : - *Chaînage avant* : part des faits connus et applique les règles pour générer de nouveaux faits jusqu'à atteindre un objectif. - *Chaînage arrière* : part d'un objectif (hypothèse à prouver) et cherche des règles dont la conclusion correspond à cet objectif, puis vérifie si leurs prémisses sont soutenues par des faits ou peuvent être prouvées. ### Causes et conséquences L'IA symbolique a connu un succès initial dans les années 1970-1980 avec des systèmes comme **MYCIN** (pour le diagnostic des infections bactériennes) et **DENDRAL** (pour l'analyse chimique), mais ses limites sont devenues apparentes : difficulté à acquérir et à maintenir de grandes bases de connaissances (le "goulot d'étranglement de l'acquisition des connaissances"), incapacité à gérer l'incertitude et l'imprécision du monde réel, et fragilité face aux situations non prévues par les règles. Ces limites ont contribué au premier "hiver de l'IA" (fin des années 1980-début des années 1990), période de réduction des financements et du scepticisme. Cependant, l'approche symbolique n'a pas disparu : elle est souvent combinée avec l'apprentissage automatique dans des systèmes hybrides (ex. : utiliser l'apprentissage pour découvrir des règles, puis les vérifier symboliquement pour assurer la transparence). ### Exemples concrets (camerounais et africains) - Dans le domaine de l'agriculture camerounaise, des prototypes de systèmes experts ont été développés pour conseiller les agriculteurs sur la lutte intégrée contre les ravageurs du maïs. Par exemple, un système pourrait utiliser des règles SI-ALORS basées sur l'observation de symptômes (présence de foreurs, dégâts sur les feuilles) et des conditions environnementales (température, pluviométrie) pour recommander des traitements biologiques ou chimiques appropriés. - Au Sénégal, le système **ISRA-AI** développé par l'Institut Sénégalais de Recherches Agricoles utilise une approche basée sur des règles pour conseiller sur les variétés de mil les plus adaptées selon le type de sol et la zone climatique, intégrant des connaissances locales d'agronomes. - En santé publique, des systèmes experts simples ont été utilisés dans certains centres de santé au Togo pour aider au triage des symptômes du paludisme versus la fièvre typhoïde en période de faible accès aux tests de laboratoire, en se basant sur la présence ou l'absence de certains signes cliniques (ex. : présence de diarrhée suggère davantage la typhoïde). ### Vocabulaire à retenir - Recherche dans un espace d'états : processus consistant à explorer systématiquement les configurations possibles d'un problème pour trouver une solution allant d'un état initial à un état objectif. - Algorithme A* : stratégie de recherche qui combine le coût réel du chemin parcouru avec une heuristique estimant le coût restant pour atteindre l'objectif, permettant souvent de trouver le chemin optimal de manière efficace. - Base de connaissances : ensemble organisé de faits et de règles représentant l'expertise dans un domaine spécifique, utilisé par un système expert. - Moteur d'inférence : composant logique d'un système expert qui applique les règles aux faits pour en déduire de nouvelles informations. - Chaînage arrière : méthode de raisonnement qui part d'un objectif à prouver et cherche à établir sa vérité en vérifiant les conditions nécessaires via des règles et des faits. - Règle SI-ALORS : forme de représentation des connaissances où une action ou une conclusion est déclenchée lorsque certaines conditions sont simultanément remplies. ### Exemple de sujet type examen avec plan **Sujet** : Expliquez comment un système expert basé sur des règles SI-ALORS pourrait être utilisé pour aider un agriculteur camerounais à diagnostiquer une maladie suspectée sur une plante de manioc, puis décrivez les limites d'une telle approche dans ce contexte. **Plan attendu** : I. Fonctionnement du système expert pour le diagnostic du manioc     A. Base de connaissances : exemples de règles SI-ALORS tirées de l'expertise agronomique (ex. : SI les feuilles présentent des taches mosaïquées jaunes et vertes ET la plante montre un retard de croissance ALORS suspicion de virus de la mosaïque du manioc)     B. Moteur d'inférence en chaînage avant : comment les observations du terrain (faits) activent des règles pour produire un diagnostic hypothétique     C. Sortie : recommandation d'action (ex. : arracher et brûler les plants atteints, utiliser des boutures saines provenant de sources certifiées) II. Limites de l'approche basée sur des règles dans ce contexte     A. Difficulté à capturer l'expertise tacite : certains jugements d'agronomes expérimentés sont difficiles à formaliser en règles explicites     B. Gestion de l'incertitude : les symptômes peuvent être ambigus ou causés par plusieurs facteurs (maladie, carence nutritionnelle, stress hydrique) difficile à modéliser avec des règles binaires     C. Maintenance : mise à jour fréquente nécessaire face à l'apparition de nouvelles souches de pathogènes ou de nouveaux ravageurs, nécessitant une révision constante de la base de connaissances ## IV. Machine Learning ### Contexte et définitions L'apprentissage automatique (machine learning, ML) est une sous-discipline de l'intelligence artificielle qui se concentre sur le développement d'algorithmes permettant aux ordinateurs d'apprendre à partir des données, sans être explicitement programmés pour chaque tâche spécifique. Contrairement à l'IA symbolique où les connaissances sont codées manuellement, en ML, le système identifie automatiquement des patterns, des régularités ou des relations dans un ensemble de données d'entraînement, puis utilise ces patterns apprisis pour faire des prédictions ou prendre des décisions sur de nouvelles données inédites. L'apprentissage automatique repose sur l'idée que l'intelligence peut émerger de l'expérience (données) plutôt que d'être uniquement programmée. Il constitue aujourd'hui l'approche dominante dans la plupart des applications pratiques de l'IA, en raison de sa capacité à gérer des données complexes, bruitées et de haute dimension (comme les images, le texte ou les signaux capteurs). > **Définition clé à retenir** : L'apprentissage automatique est une branche de l'intelligence artificielle où des algorithmes apprennent automatiquement à effectuer une tâche en détectant des patterns dans des données, plutôt qu'en suivant des instructions explicites programmées à l'avance. ### Types d'apprentissage automatique et faits exacts L'apprentissage automatique se catégorise principalement selon le type de retour d'information disponible pendant l'apprentissage : - **Apprentissage supervisé** : l'algorithme apprend à partir d'exemples étiquetés, où chaque donnée d'entrée est associée à une sortie connue (l'étiquette). L'objectif est d'apprendre une fonction qui mappe les entrées aux sorties correctes. Exemples : classification (spam vs non-spam), régression (prédiction du rendement agricole basé sur pluie et température). - Algorithmes courants : régression linéaire, arbres de décision, forêts aléatoires, machines à vecteurs de support (SVM), réseaux de neurones. - **Apprentissage non supervisé** : l'algorithme travaille sur des données non étiquetées et cherche à découvrir une structure cachée, comme des groupes similaires (clustering) ou des représentations plus compactes (réduction de dimensionnalité). Exemples : segmentation de clients basée sur les achats, détection d'anomalies dans les transactions financières. - Algorithmes courants : k-means, hiérarchique clustering, analyse en composantes principales (PCA). - **Apprentissage par renforcement** : un agent apprend à prendre des décisions en interagissant avec un environnement et en recevant des récompenses ou des pénalités selon ses actions. L'objectif est d'apprendre une politique qui maximise la récompense cumulative dans le temps. Exemples : jeu de Go, optimisation de la consommation énergétique dans un bâtiment. - Algorithmes courants : Q-learning, réseaux de neurones profonds par renforcement (comme dans AlphaGo). ### Causes et conséquences L'essor de l'apprentissage automatique résulte directement de la disponibilité de grandes quantités de données numériques (big data) et de l'augmentation de la puissance de calcul, permettant d'entraîner des modèles complexes. Ses conséquences sont transformatrices : automatisation de tâches de perception (reconnaissance vocale, d'images), amélioration de la prise de décision basée sur des prédictions (prévision de la demande, détection de fraudes), et personnalisation des services (recommandations de contenus, apprentissage adaptatif). Cependant, il présente également des défis : besoin de grandes quantités de données de qualité, risque de surapprentissage (overfitting) où le modèle performe bien sur les données d'entraînement mais mal sur de nouvelles données, difficulté d'interprétabilité pour les modèles complexes, et dépendance à la qualité et à la représentativité des données d'entraînement (risque de biais si les données reflètent des inégalités historiques). ### Exemples concrets (camerounais et africains) - Au Cameroun, des chercheurs de l'Université de Yaoundé I ont développé un modèle d'apprentissage supervisé utilisant des données météorologiques historiques et des indices de végétation satellitaires (NDVI) pour prédire le rendement du maïs dans les régions de l'Ouest et du Nord-Ouest, aidant les coopératives agricoles à mieux planifier la stockage et la commercialisation. - Au Ghana, l'entreprise **mPedigree** utilise un système basé sur l'apprentissage automatique pour analyser les codes de vérification des médicaments et détecter les modèles inhabituels pouvant indiquer une activité de contrefaçon, contribuant à la sécurité de la chaîne d'approvisionnement pharmaceutique. - En Éthiopie, l'**Ethiopian Agricultural Transformation Agency** emploie des modèles de clustering non supervisé sur des données de sols, de topographie et de pluviométrie pour segmenter les terres agricoles en zones homogènes, facilitant la recommandation différenciée de cultures et de pratiques agricoles adaptées. - En Afrique du Sud, des systèmes de détection d'anomalies basés sur l'apprentissage automatique surveillent les réseaux électriques en temps réel pour identifier des signes précurseurs de pannes, améliorant la fiabilité de la distribution d'énergie dans les zones urbaines. ### Vocabulaire à retenir - Apprentissage supervisé : type d'apprentissage automatique où le modèle est entraîné sur des données d'entrée associées à des sorties connues (étiquettes), permettant d'apprendre à prédire la sortie pour de nouvelles entrées. - Apprentissage non supervisé : type d'apprentissage automatique où le modèle découvre des structures cachées dans des données non étiquetées, telles que des groupes ou des dimensions latentes. - Apprentissage par renforcement : type d'apprentissage automatique où un agent apprend une stratégie d'action en maximisant les récompenses reçues lors de ses interactions avec un environnement. - Surapprentissage (overfitting) : phénomène où un modèle d'apprentissage automatique apprend trop bien les particularités et le bruit des données d'entraînement, au point de perdre sa capacité à généraliser à de nouvelles données inédites. - Généralisation : capacité d'un modèle d'apprentissage automatique à effectuer des prédictions précises sur des données qu'il n'a pas vues pendant l'entraînement. - Fonction de perte : mesure mathématique qui quantifie l'erreur entre les prédictions du modèle et les valeurs réelles, utilisée pour guider l'ajustement des paramètres pendant l'entraînement. ### Exemple de sujet type examen avec plan **Sujet** : Comparez l'apprentissage supervisé et l'apprentissage non supervisé en définissant chacun, en donnant un exemple concret d'application agricole au Cameroun ou en Afrique pour chaque type, et en expliquant pourquoi le choix du type d'apprentissage dépend de la disponibilité des données étiquetées. **Plan attendu** : I. Apprentissage supervisé     A. Définition : entraînement sur des données où chaque entrée possède une étiquette de sortie connue     B. Exemple camerounais : prédiction du rendement du manioc à l'aide de données météorologiques (pluie, température) et d'indices satellitaires (NDVI), où l'étiquette est le rendement réel mesuré à la récolte     C. Justification du choix : nécessite des données historiques où le rendement a été mesuré et enregistré (données étiquetées) II. Apprentissage non supervisé     A. Définition : recherche de patterns ou de structures dans des données sans étiquettes de sortie prédéfinies     B. Exemple africain : segmentation des zones de culture du cacao en Côte d'Ivoire à l'aide de données sur le type de sol, l'altitude et la pluviométrie, pour identifier des régions homogènes sans prédéfinir le nombre ou la nature des groupes     C. Justification du choix : approprié lorsque l'objectif est de découvrir des patterns inconnus et qu'aucune étiquette de sortie pertinente n'est disponible ou réaliste à obtenir III. Dépendance par rapport aux données étiquetées     A. L'apprentissage supervisé ne peut fonctionner sans données d'entrée associées à des sorties connues     B. L'apprentissage non supervisé est utile précisément lorsque de telles sorties connues sont absentes, difficiles à définir ou coûteuses à obtenir     C. Le choix dépend donc de la faisabilité et du coût de l'obtention d'étiquettes fiables pour la tâche visée