DeepSeek

Perplexity

NoteBookLM

Mistral , le chat

Grok

Cognitifs

Statistiques

de données

d'algorythme

de confirmation

de préjugés.....

Aide au tri de bouteilles recyclées

Tri de pommes rouges et vertes avec servomoteur

Comptage des frelons / abeilles

Ouverture de portail guidée par la voix ( bonjour, autre )

1. IA symbolique (basée sur des règles) : Cette approche repose sur des représentations symboliques et des règles logiques pour résoudre des problèmes. Elle est particulièrement utile pour des tâches où la connaissance peut être explicitement codée sous forme de règles et de symboles.

2. IA statistique (analyse de données pour identifier des patterns, faire des prédictions, et prendre des décisions basées sur des probabilités) : Cette approche se concentre sur l'extraction d'informations à partir de grandes quantités de données et l'utilisation de modèles statistiques pour prédire des résultats. Exemple : reconnaissance vocale, reconnaissance faciale, génération de texte, correction grammaticale, diagnostic médical, optimisation des itinéraires. L'IA statistique est utilisée dès qu'il s'agit d'analyser de vastes volumes de données et de prédire des tendances ou des comportements futurs. Elle fait appel à l'apprentissage automatique.

3. IA comportementale (simulation de comportements intelligents en interaction avec un environnement) : Cette approche cherche à reproduire des comportements intelligents observés chez les humains ou les animaux. Exemple : robots autonomes, agents conversationnels adaptatifs (chatbots, assistants virtuels), véhicules autonomes. Elle s'applique dans des systèmes qui interagissent de manière dynamique avec leur environnement et s'ajustent en fonction des retours d'information.

Les trois grands types d'apprentissage automatique utilisés tant dans l'IA symbolique que statistique sont les suivants :

1. Apprentissage supervisé : L'algorithme apprend à partir d'exemples étiquetés (données d'entrée associées à des sorties connues). Il est utilisé pour des tâches de classification (ex. : identifier si une image est un chat ou un chien) et de régression (ex. : prédire la température future en fonction des données passées). C’est l’un des types d’apprentissage les plus courants dans l’IA statistique.

2. Apprentissage non supervisé : L'algorithme cherche à découvrir des structures cachées dans des données non étiquetées. Il est utilisé pour des tâches comme la réduction de dimensionnalité, et la détection d'anomalies. Par exemple, le clustering (regroupement d'objets similaires) est un cas classique d’apprentissage non supervisé.

3. Apprentissage par renforcement : L’algorithme apprend en interagissant avec son environnement et en recevant des récompenses ou des punitions en fonction de ses actions. Il est souvent utilisé dans des domaines comme les jeux vidéo, la robotique, ou la navigation autonome (ex. : voitures autonomes). L'objectif est d'optimiser une fonction de récompense au fil du temps.

L’apprentissage supervisé et non supervisé sont plutôt utilisés dans l’IA statistique.

L’apprentissage par renforcement est plutôt utilisé dans l’IA comportementale.

Radiologie- Cancer

proteines

Médicaments