Carte de l’intelligence artificielle : qu’est-ce qui est quoi et comment tout s’emboîte

Intelligence artificielle, apprentissage automatique, apprentissage profond, modèles de langage et agents IA — comment ils sont liés, sur une seule page. Partie d’introduction de la série Bases de l’IA.

6 minutes Matěj Žalmánek 2026-10-15

Série Bases de l’IA Partie 1 sur 52

1. Carte de l’intelligence artificielle : qu’est-ce qui est quoi et comment tout s’emboîte
2. Brève histoire de l’intelligence artificielle : de Turing aux modèles de langage
3. Données, modèle, entraînement, inférence : les notions de base sur un seul exemple
4. Lire la notation mathématique : symboles, indices, sommes et quantificateurs
5. Ensembles et relations : les briques dont sont faites les définitions en IA
6. Fonctions et applications : pourquoi tout modèle d’IA est une fonction
7. Logique et démonstrations : les règles selon lesquelles on raisonne en IA
8. Graphes et arbres : la structure sur laquelle reposent la recherche et les réseaux de neurones
9. Algèbre linéaire pour l’apprentissage automatique : vecteurs, matrices et pourquoi l’IA multiplie surtout
10. Dérivées, gradient et règle de dérivation en chaîne : comment un modèle sait dans quelle direction apprendre
11. Descente de gradient : comment un modèle apprend
12. Qu’est-ce que la probabilité : du lancer de dé aux axiomes de Kolmogorov
13. Probabilité conditionnelle et théorème de Bayes : comment réviser une estimation quand on apprend du nouveau
14. Variable aléatoire et fonction de répartition : une seule fonction qui dit tout de la loi
15. Fonction de densité et fonction de masse : pourquoi une variable continue a une probabilité nulle en chaque point
16. Espérance, variance et covariance : où se situe une loi, quelle est sa largeur et ce qui varie avec quoi
17. Panorama des lois de probabilité : Bernoulli, binomiale, Poisson, uniforme, normale et exponentielle
18. Loi des grands nombres et théorème central limite : pourquoi les moyennes sont si prévisibles
19. Statistique et estimation de paramètres : maximum de vraisemblance, MAP et intervalles de confiance
20. Théorie de l’information : entropie, entropie croisée et divergence KL — d’où viennent les fonctions de perte
21. Recherche dans l’espace d’états : BFS, DFS, UCS et A* en animations
22. Jeux et adversaires : minimax, élagage alpha-bêta et Monte Carlo tree search
23. Satisfaction de contraintes : backtracking, propagation de contraintes et AC-3 sur un sudoku et une carte des régions tchèques
24. Logique et systèmes à base de connaissances : chaînage avant et arrière, résolution et systèmes experts
25. Planification : STRIPS, monde des blocs, heuristiques par relaxation et planification dans les agents IA
26. Recherche locale et recuit simulé : un voyageur de commerce à travers les chefs-lieux de région tchèques
27. Algorithmes génétiques : population, croisement, mutation et sélection sur un sac à dos de randonnée
28. Stratégies d’évolution et programmation génétique : de la règle du cinquième à la loi de Kepler
29. Optimisation par colonies de fourmis : comment une piste de phéromone trouve un chemin court
30. Optimisation par essaim de particules : inertie, expérience propre et expérience de l’essaim
31. Neuroévolution : faire évoluer les poids et la forme des réseaux de neurones, et l’algorithme NEAT
32. Ensembles flous et fonctions d’appartenance : comment écrire « un peu chaud »
33. Logique floue et probabilité : pourquoi « un peu chaud » ne veut pas dire « probablement chaud »
34. Logique floue : t-normes, implications et règles SI–ALORS
35. Commande floue : Mamdani et Sugeno, du ventilateur au pendule inversé sur un chariot
36. Clustering flou : l’algorithme fuzzy c-means et les points entre les clusters
37. Systèmes neuro-flous (ANFIS) : des règles floues qui apprennent à partir des données
38. Chaînes de Markov : matrice de transition, distribution stationnaire et PageRank
39. Modèles de Markov cachés : l’algorithme de Viterbi et le casino malhonnête
40. Réseaux bayésiens : pourquoi l’herbe est mouillée et ce que cela implique pour l’arroseur
41. Le filtre de Kalman : comment estimer, à partir de mesures imprécises, où se trouve une voiture et à quelle vitesse elle roule
42. Types d’apprentissage automatique : supervisé, non supervisé, semi-supervisé et plus
43. Prompts, contexte et RAG : comment donner au modèle les bonnes informations
44. Autoencodeurs variationnels (VAE) : de nouvelles images à partir d’un espace latent continu
45. Réseaux antagonistes génératifs (GAN) : le faussaire contre le détective
46. Modèles de diffusion : comment une image naît du bruit pur
47. Processus de décision markoviens : états, actions, récompenses et équations de Bellman
48. Q-learning et DQN : apprendre la valeur des actions, du tableau au réseau de neurones
49. Policy gradient et PPO : apprendre directement la politique
50. Comment fonctionne un agent IA : un modèle de langage en boucle avec des outils
51. Programmer avec des agents IA : consigne, tests et vérification
52. Évaluation et sécurité des systèmes d’IA : comment mesurer et comment surveiller

Programme complet de la série 52 sur 83 sujets publiés

Intelligence artificielle, apprentissage automatique, réseaux de neurones, modèles de langage, agents. Des mots qu’on emploie aujourd’hui presque comme des synonymes — alors que chacun désigne autre chose. Cette partie est une carte : elle montre ce qu’est chaque chose et comment tout s’emboîte. Les autres parties de la série vont en profondeur ; chacune peut aussi se lire séparément.

1. Qu’est-ce que l’intelligence artificielle

Définition — agent rationnel (Russell et Norvig)

Un agent est tout ce qui perçoit son environnement au moyen de capteurs et agit sur lui au moyen d’actions. Formellement, une fonction f : P* → A des séquences de percepts vers les actions.

Un agent est rationnel si, pour chaque séquence de percepts, il choisit l’action qui maximise la valeur espérée de la mesure de performance.

L’intelligence artificielle est la discipline qui conçoit et construit de tels agents.

Tout le domaine peut se dessiner comme des ensembles emboîtés. L’apprentissage profond est une forme d’apprentissage automatique, l’apprentissage automatique est l’une des voies vers l’intelligence artificielle — et un agent IA combine souvent aujourd’hui les deux, recherche et apprentissage :

2. L’IA qui cherche

La plus ancienne famille de l’IA n’apprend rien. Elle reçoit une description exacte de la tâche — d’où je pars, ce que je peux faire, où je veux arriver — et explore les possibilités jusqu’à trouver une solution. C’est ainsi que fonctionnent le GPS qui cherche l’itinéraire le plus court, le programme d’échecs qui calcule les coups à l’avance ou le planificateur d’emplois du temps.

L’avantage : quand la tâche est bien décrite, le résultat est fiable et on peut prouver qu’il est le meilleur possible. L’inconvénient : quelqu’un doit décrire la tâche exactement — et le monde ne se laisse presque jamais décrire exactement.

Pour aller plus loin : Partie 2 — Recherche dans l’espace d’états.

3. L’IA qui apprend

Définition — apprentissage automatique (T. Mitchell)

On dit qu’un programme apprend de l’expérience E pour une tâche T et une mesure de performance P si sa performance sur T, mesurée par P, s’améliore avec l’expérience E.

L’apprentissage automatique se divise selon le signal que le modèle reçoit en apprenant : les bonnes réponses (apprentissage supervisé), seulement des données sans réponses (non supervisé), un peu des deux (semi-supervisé), des réponses tirées des données elles-mêmes (auto-supervisé) ou des récompenses pour ses actions (apprentissage par renforcement).

Pour aller plus loin : Partie 3 — Types d’apprentissage automatique.

4. Apprentissage profond et réseaux de neurones

L’apprentissage profond, c’est de l’apprentissage automatique avec un type de modèle précis : un réseau de neurones à nombreuses couches. Chaque couche transforme l’entrée un peu autrement — dans un réseau pour images, les premières couches reconnaissent les contours, les suivantes les formes, les dernières des objets entiers. Personne ne leur dit quoi chercher ; elles l’apprennent à partir des données.

Pourquoi « profond » ? À cause du nombre de couches. Et pourquoi seulement maintenant, alors que les réseaux de neurones existent depuis les années cinquante ? Parce que ce n’est qu’aujourd’hui que nous avons assez de données et de puissance de calcul (cartes graphiques) pour entraîner de grands réseaux.

Pour aller plus loin : nous préparons les parties « Descente de gradient : comment un modèle apprend » et « Un réseau de neurones à partir de zéro ».

5. IA générative et modèles de langage

La plupart des modèles répondent à la question « qu’est-ce que c’est ? » — spam ou pas ? Les modèles génératifs créent de nouvelles données : texte, images, son, code. Un grand modèle de langage est un réseau de neurones qui, sur une quantité énorme de texte, a appris une seule chose : deviner le mot suivant. Quand il le fait assez bien, il sait du même coup répondre, traduire et écrire du code.

Les modèles de langage apprennent en trois étapes, et chacune est un type d’apprentissage différent : apprentissage auto-supervisé sur des textes d’internet, ajustement supervisé sur des réponses modèles et apprentissage par renforcement selon les réponses que les humains jugent meilleures.

Pour aller plus loin : nous préparons la partie « Transformers et grands modèles de langage ».

6. Agents IA : là où tout se rejoint

Un agent IA est un modèle de langage qui ne se contente pas de répondre, mais qui agit : il lit des fichiers, lance des commandes, cherche sur le web et décide, d’après les résultats, quoi faire ensuite. Ici, les deux familles de l’IA se rejoignent — le modèle a appris le langage et le raisonnement, mais il résout la tâche comme une recherche : il essaie un pas, regarde le résultat et, si cela ne mène pas au but, en essaie un autre.

Aujourd’hui, les agents écrivent et corrigent du code, et c’est justement pour travailler avec eux qu’est né coden : l’agent travaille sur votre ordinateur et vous le pilotez depuis votre téléphone.

Pour aller plus loin : nous préparons la partie « Comment fonctionne un agent IA ».

7. Comment lire cette série

• Chaque partie se lit séparément. En haut, vous trouverez ce que vous en retiendrez et ce qu’il vaut mieux savoir avant.
• L’explication en termes simples suffit. Les définitions mathématiques exactes sont cachées dans des blocs dépliables — pour ceux qui les veulent.
• Les images sont réelles. Les animations des parties sont le résultat d’une véritable exécution des algorithmes, pas des illustrations.

La liste de toutes les parties, y compris celles en préparation, se trouve dans l’encadré de la série en haut et dans la liste des articles.

Vous voyez les choses autrement ? Écrivez à support@coden-app.com.