Une IA capable d’apprendre est généralement appelée :
1. Modèle d’IA « auto-apprenante »
- Terme générique : On parle d’IA auto-apprenante (self-learning AI) ou adaptive AI lorsqu’elle améliore ses performances sans intervention humaine explicite.
2. Types spécifiques d’IA qui apprennent
- Machine Learning (ML) :
- Sous-domaine de l’IA où les algorithmes apprennent à partir de données.
- Exemples : Reconnaissance d’images, recommandations (Netflix, Spotify).
- Deep Learning (DL) :
- Utilise des réseaux de neurones artificiels pour apprendre des motifs complexes (ex. : ChatGPT, voitures autonomes).
- Apprentissage par renforcement (Reinforcement Learning – RL) :
- L’IA apprend par essais-erreurs et récompenses (ex. : AlphaGo, robots).
- Modèles auto-supervisés (Self-Supervised Learning) :
- L’IA génère elle-même ses données d’entraînement (ex. : GPT-4).
3. Termes avancés
- AGI (Intelligence Générale Artificielle) : Une IA hypothétique capable d’apprendre comme un humain, dans tous les domaines.
- Lifelong Learning (Apprentissage continu) : IA qui apprend en permanence sans oublier ses connaissances précédentes.
Différence entre IA « statique » et IA « apprenante »
| IA Classique (Règle-based) | IA Apprenante (ML/DL) |
|---|---|
| Fonctionne avec des règles préprogrammées | S’améliore avec les données |
| Ex : Calculatrice | Ex : ChatGPT, Tesla Autopilot |
Exemples concrets
- ChatGPT → Apprend à partir de textes (fine-tuning humain + RLHF).
- Reconnaissance faciale → S’améliore avec plus de photos analysées.
- Voiture autonome → Apprend à conduire via simulations et données réelles.
En résumé, une IA qui apprend relève généralement du Machine Learning ou du Deep Learning. Si elle s’adapte en temps réel, on parle aussi d’IA dynamique ou auto-adaptive.
