L'intelligence artificielle (IA) est définie comme la faculté d'une machine à reproduire des capacités humaines telles que le raisonnement, la planification ou l'apprentissage. L'IA dans l'automobile est utilisée depuis des décennies dans un certain nombre d'applications telles que la consommation de carburant, la prédiction de la maintenance ou les systèmes de stabilité. Avec l'essor des ordinateurs de pointe et des nouveaux algorithmes, les systèmes d'IA sont aujourd'hui capables de traiter une quantité beaucoup plus importante de données et d'améliorer continuellement leurs décisions. 3 techniques principales sont utilisées :
Raisonnement Standard
Apprentissage Automatique
Apprentissage Profond
Nécessite une personne pour programmer l'ensemble du code à l'aide d'une modélisation, d'un algorithme, etc. L'ordinateur n'est pas impliqué dans la recherche ou l'amélioration de l'algorithme par lui-même.
Donne à un ordinateur la capacité d'apprendre sans être programmé. Cette approche est basée sur l'analyse des statistiques qui permet à l'ordinateur de créer un algorithme basé sur un ensemble d'entrées. Les 4 méthodologies les plus courantes sont :
L'apprentissage supervisé: L'intervention humaine est nécessaire pour créer le meilleur algorithme possible. Le programmeur fournit un ensemble de données et "entraîne" l'ordinateur à produire le résultat souhaité. Exemple : Dans un système de vision par ordinateur, le programmeur doit apprendre à l'ordinateur à quoi ressemble un objet en lui montrant une série d'images et en corrigeant le résultat jusqu'à ce que l'ordinateur puisse reconnaître l'objet.
L'apprentissage non supervisé : L'algorithme est formé en utilisant un ensemble de données qui n'ont pas "d'étiquette". Exemple : Dans un système de vision par ordinateur, le programmeur doit fournir des milliers ou des millions d'entrées et l'ordinateur doit lui-même classer l'image et créer la base de données de l'algorithme de détection des objets.
Apprentissage semi-supervisé : Le programmeur utilise un compromis entre les méthodologies supervisées et non supervisées.
Apprentissage renforcé : Le programmeur fournit des règles de base à un agent. L'agent donne un retour positif pour les bonnes actions et un retour négatif pour les mauvaises. L'ordinateur doit estimer comment maximiser le retour positif. Exemple : Dans un système d'assistance au maintien de la trajectoire, si le programmeur spécifie que le véhicule doit rester dans la voie de circulation, l'agent donne un mauvais feedback si un véhicule traverse la voie et essaiera d'améliorer l'algorithme.
Utilisation d'algorithmes complexes semblables à ceux du cerveau, tels que les réseaux neuronaux. Cette technique nécessite une très grande quantité de données, elle est plus longue mais donne de meilleurs résultats. Exemple : dans un système de reconnaissance faciale, le programmeur doit spécifier les principales caractéristiques à reconnaître : forme, yeux, bouche, etc. et s'entraîner pour chaque caractéristique. Une fois que les caractéristiques sont reliées entre elles à l'aide d'un réseau neuronal, l'ordinateur acquiert la capacité de reconnaître les visages.
L'utilisation de l'IA dans les systèmes embarqués automobiles continuera à augmenter avec l'amélioration des capacités informatiques et des techniques logicielles. Si le programmeur n'a pas besoin du soutien de la machine, une approche standard avec des algorithmes et des modèles existants est suffisante. Toutefois, si le programmeur a besoin d'aide pour trouver ou améliorer les modèles et les algorithmes, il peut avoir recours à l'apprentissage automatique ou à l'apprentissage en profondeur.Les algorithmes d'apprentissage automatique ou en profondeur sont souvent perçus comme fonctionnant dans une « boîte noire », ce qui soulève des questions telles que « l'ordinateur est-il correct ? Les programmeurs doivent être en mesure de comprendre et de contrôler le fonctionnement de l'IA et la logique qui sous-tend ses décisions.
,allowExpansion)