all
Tendances technologiques 2030 : La prochaine ère de l'IA générative
Ce rapport Tech Trends explore les développements génératifs de l'IA industrielle et leur impact sur l'industrie. Découvre les tendances clés et les scénarios futurs.
Glossaire de l'intelligence artificielle
Le domaine de l'IA englobe un large éventail de disciplines et de technologies. Ce glossaire des termes clés les plus importants peut vous aider à élargir votre compréhension et à approfondir ce monde fascinant.
A
L'IA agentique fait référence aux systèmes d'IA avancés qui vont au-delà de la simple réponse aux commandes ; ils génèrent du contenu, exécutent des tâches de manière autonome et atteignent des objectifs. Ces systèmes combinent des capacités de raisonnement, des fonctions de mémoire et des boucles de rétroaction pour planifier et exécuter des actions de manière indépendante, en utilisant souvent divers outils numériques et en adaptant leur approche par l'apprentissage. Contrairement à l'IA traditionnelle, l'IA agentique peut fonctionner à la fois indépendamment et en collaboration avec d'autres agents d'IA, en prenant des décisions autonomes tout en interfacant avec différentes plates-formes et systèmes pour effectuer des tâches complexes.
Dans le contexte industriel, Agentic AI implique le déploiement de systèmes d'IA capables de surveiller, analyser et contrôler indépendamment divers aspects des opérations industrielles, tels que la maintenance prédictive, le contrôle qualité, la gestion des stocks ou l'optimisation des processus de production.
L'intelligence artificielle (IA) fait référence à un logiciel qui a la capacité d'apprendre et de s'adapter. L'IA peut résoudre des tâches qui l'obligent à interpréter la signification des données d'entrée et s'adapter aux exigences. Typiquement, ce sont des tâches qui auparavant ne pouvaient être résolues que par l'intelligence naturelle. Il existe plusieurs types de méthodes d'IA, qui diffèrent considérablement par leurs champs d'application, leurs potentiels et les risques qui leur sont associés. Les principes de base de l'IA ont été développés au 20e siècle. Parce que toutes les méthodes d'IA nécessitent de grandes quantités de données de formation, la technologie gagne maintenant en pertinence critique grâce à la numérisation et au big data.
Une technologie qui permet aux informations numériques d'être superposées sur des environnements et des objets du monde réel, généralement en utilisant la réalité virtuelle 3D immersive. AR permet une version améliorée du monde physique en ajoutant des éléments visuels numériques, sonores et d'autres éléments sensoriels.
Des systèmes qui peuvent fonctionner sans intervention humaine, tels que les voitures autonomes et les drones.
Véhicules qui peuvent fonctionner sans intervention humaine, tels que les voitures et les camions autonomes.
B
Préjugés ou favoritisme involontaires pouvant survenir dans les systèmes d'IA en raison de données ou d'algorithmes d'entraînement biaisés.
Ensembles de données volumineux et complexes, souvent générés par des capteurs (industriels), mais aussi par des entreprises, des organisations et des personnes. Comme ces données sont souvent non structurées, incomplètes ou incorrectes, les logiciels non alimentés par l'IA ne peuvent généralement pas les traiter de manière significative.
C
Un programme alimenté par l'IA qui peut interagir avec les humains par le biais de la communication textuelle ou vocale.
Un type d'IA qui vise à reproduire les processus cognitifs humains, tels que la perception, le raisonnement et la prise de décision.
Un sous-ensemble d'IA qui permet aux ordinateurs d'extraire des informations à partir d'éléments visuels, tels que des images et des vidéos, pour les comprendre et les interpréter.
Stratégies, mesures et outils pour aider à sécuriser les informations numériques contre les attaquants externes. L'IA peut être utilisée pour détecter et prévenir les cyberattaques, et pour identifier et répondre aux failles de sécurité.
D
Le processus d'analyse et d'interprétation des données pour découvrir des idées et prendre des décisions éclairées.
Des systèmes informatiques conçus pour aider les humains à prendre des décisions en fournissant des informations et des analyses pertinentes.
Un sous-ensemble de Machine Learning qui implique l'utilisation de réseaux neuronaux à plusieurs couches pour permettre aux machines d'apprendre à partir des données.
Un modèle mathématique qui décrit le comportement d'un objet physique ou d'un processus. Dans un environnement de simulation, un digital twin peut être utilisé pour simuler ce qui se passerait dans le monde réel si les paramètres du système devaient être modifiés. Les jumeaux numériques peuvent être utilisés tout au long du cycle de vie du produit, y compris les phases de conception, de fabrication, d'exploitation et de service. Les représentations visuelles des jumeaux numériques ressemblent et se comportent comme leurs homologues physiques, reflétant le monde réel et s'adaptant en temps réel à ce qui se passe là-bas.
E
L'Edge Computing est un type d'architecture système qui, contrairement au cloud computing, rapproche l'informatique et le stockage de données des sources de données (le « edge »). Cela aide à réduire les temps de réponse et la quantité d'énergie requise pour le transfert de données. Les systèmes Edge AI peuvent être implémentés physiquement à proximité du dispositif d'exécution réel. Ces appareils peuvent exécuter des applications d'IA sans être connectés au cloud.
L'IA qui est conçue pour interagir et naviguer dans le monde physique, souvent à l'aide de robots ou de véhicules autonomes.
L'étude et l'application des principes moraux dans le développement et l'utilisation de l'IA, y compris des questions telles que les préjugés, la confidentialité et la responsabilité.
Une IA qui est conçue pour être transparente et explicable, permettant aux humains de comprendre comment et pourquoi une machine a pris une décision particulière.
F
C'est une méthode de formation en apprentissage automatique où plusieurs appareils distincts entraînent un modèle d'apprentissage automatique avec leur propre ensemble de données (séparé). Seuls les résultats finaux sont partagés avec l'acteur principal du réseau.
G
IA qui est conçue pour générer de nouveaux contenus, tels que des images, des vidéos et de la musique en combinant et en apprenant à partir du contenu existant.
Capacité d'une application, par exemple, un logiciel de CAO, à générer de manière autonome un certain nombre d'alternatives de conception compte tenu d'un ensemble de contraintes. Utilise des techniques telles que l'IA, l'optimisation et la simulation.
I
L'Industrial AI fait référence à l'application de l'IA dans les industries qui forment l'épine dorsale de nos économies — industrie, infrastructure, mobilité et soins de santé.
Les modèles de fondation industrielle (IFM) sont pré-formés sur des données spécifiques à l'industrie pour comprendre en profondeur le « langage » de l'ingénierie, de l'automatisation et de la fabrication, et pour permettre un déploiement plus rapide et plus précis des solutions d'IA. Ils fournissent un point de départ normalisé, économisant du temps, des ressources et de l'énergie grâce à des économies d'échelle. Les IFM sont conçus pour résoudre les défis industriels du monde réel. Ils agissent comme la couche de renseignement derrière les Copilots industriels et facilitent le transfert de connaissances et la collaboration entre les secteurs. Ils prennent en charge non seulement le texte, les images et l'audio, mais aussi les modèles 3D, les dessins 2D et d'autres structures complexes telles que les données de séries chronologiques spécifiques à l'industrie (voir aussi LLM multimodaux).
L'IA de qualité industrielle désigne un niveau de qualité ; fiable, sécurisé et digne de confiance, conçu pour répondre aux exigences et aux normes rigoureuses des environnements professionnels les plus exigeants.
Un terme utilisé pour décrire la quatrième révolution industrielle, qui implique l'intégration de l'IA, de l'IoT et d'autres technologies de pointe dans la fabrication et l'industrie.
Le réseau d'appareils techniques embarqués avec des capteurs, des logiciels et une connectivité pour permettre l'échange de données. L'IoT est l'un des principaux moteurs de la numérisation et du big data.
K
Une base de données qui représente les connaissances sous forme de graphique de nœuds et de bords interconnectés, utilisée pour les applications d'IA telles que la PNL et la recherche.
L
Un type de modèle de langage d'IA qui est formé sur des quantités massives de données, telles que GPT-3, pour générer du texte de type humain.
M
Un sous-ensemble d'IA qui implique l'utilisation d'algorithmes et de modèles statistiques pour permettre aux machines d'apprendre de l'expérience ou des données.
Un sous-ensemble d'IA qui permet aux machines avec des caméras attachées d'extraire des informations visuelles pour comprendre et interpréter leur environnement.
Les LLM multimodaux peuvent comprendre et traiter plusieurs types de données - telles que du texte, des images, de l'audio ou des données de capteurs - simultanément. Ils sont intégrés dans des applications comme la vision par ordinateur, les véhicules autonomes et la robotique. Ils améliorent la reconnaissance des objets, la compréhension de la scène et permettent aux machines de suivre des instructions complexes. Les LLM multimodaux ont le potentiel d'avoir un impact sur le traitement et la génération de données spécifiques à l'industrie - telles que les séries chronologiques, les modèles 2D et 3D, ou les données pour la vision industrielle - de la même manière que les LLM conventionnels ont eu un impact sur le traitement de texte et de la parole.
N
Un sous-ensemble d'IA qui se concentre sur l'interaction entre les ordinateurs et le langage humain.
Une interface qui permet aux humains d'interagir avec les ordinateurs à l'aide de gestes naturels, de la parole et d'autres formes d'expression.
Un type d'algorithme d'apprentissage automatique qui est modélisé d'après la structure du cerveau humain et qui est utilisé pour reconnaître les modèles dans les données.
Processus d'analyse des changements de tension et de courant de bâtiments ou de machines qui comprennent plusieurs sous-dispositifs pour déduire la contribution individuelle de chaque appareil dans le système.
P
L'IA physique fait référence à l'intégration de l'intelligence artificielle dans des machines — telles que les robots — qui peuvent détecter leur environnement et agir en son sein. Inspirée par le cycle sensorimoteur humain, l'IA physique traite les entrées sensorielles (telles que les caméras 3D ou les capteurs tactiles), génère des commandes de contrôle à partir de celles-ci et permet aux machines d'effectuer des tâches complexes de manière adaptative et autonome dans des environnements physiques 3D.
L'IA informée par la physique, également connue sous le nom d'IA sensible à la physique, fait référence à une nouvelle classe de méthodes d'intelligence artificielle qui intègrent les lois de la physique directement dans le processus de formation. Contrairement aux approches conventionnelles de l'IA qui reposent fortement sur de grands ensembles de données pour apprendre le comportement, l'IA informée par la physique intègre des contraintes basées sur la physique pour guider l'apprentissage. Cela permet aux systèmes d'IA de raisonner et de faire des prédictions même lorsque les données du monde réel sont limitées, en tirant parti de nos connaissances existantes sur le fonctionnement du monde physique. Au lieu d'apprendre uniquement à partir d'exemples, ces modèles utilisent leurs connaissances en physique pour orienter l'apprentissage vers des solutions plus optimales et physiquement cohérentes.
L'IA prédictive tire parti de l'analyse statistique et de l'apprentissage automatique pour identifier les modèles en temps réel et les données opérationnelles historiques des machines et des équipements, ce qui lui permet de prédire les comportements futurs, de détecter les anomalies, de prévoir les pannes potentielles et de recommander des actions de maintenance. Il est utilisé pour améliorer la santé et la fiabilité des actifs, réduire les temps d'arrêt imprévus et soutenir une prise de décision plus rapide basée sur les données dans toutes les opérations industrielles.
L'utilisation de l'IA et des modèles statistiques pour prédire les événements ou tendances futurs sur la base de données historiques.
L'utilisation de l'IA pour prédire quand les machines auront besoin d'entretien ou de réparation, sur la base de données en temps réel.
Q
L'utilisation de l'IA pour détecter les défauts et s'assurer que les produits répondent aux normes de qualité.
R
Un type d'apprentissage automatique où les agents non formés apprennent une stratégie grâce aux pénalités et aux récompenses du système après avoir effectué des actions.
Applications d'IA qui répondent à des normes éthiques et morales définies.
La branche de l'ingénierie et de l'IA qui se concentre sur la conception, la construction et l'exploitation de robots.
S
L'utilisation de l'IA pour analyser et interpréter les émotions et les opinions exprimées dans le texte ou la parole.
Un réseau électrique qui utilise l'IA et d'autres technologies avancées pour optimiser la production, la distribution et la consommation d'électricité.
Le matériel spécialisé, comme les unités de traitement graphique (GPU) ou les périphériques périphériques compatibles avec les unités de traitement du langage (LPU), est une tendance émergente dans l'IA industrielle. Ces appareils fournissent une puissance de calcul haute performance à la périphérie, permettant le traitement en temps réel des algorithmes d'IA. Leur intégration permet un traitement parallèle et des performances accélérées, ce qui se traduit par une exécution plus rapide des tâches complexes d'IA. Ce traitement local réduit la latence et la dépendance aux ressources cloud, ce qui le rend crucial pour les applications urgentes. Le matériel spécialisé prend également en charge les modèles d'IA avancés, ce qui permet d'améliorer les informations et les performances. De plus, cela réduit les coûts en minimisant le besoin d'une infrastructure cloud étendue et de transfert de données.
La capacité des machines à reconnaître et interpréter la parole humaine.
Une méthode d'apprentissage où les modèles d'apprentissage automatique sont entraînés avec des ensembles de données étiquetés (connus) pour prédire un résultat.
Optimisation des flux de marchandises et de matériaux dans une chaîne d'approvisionnement pour réduire les coûts et améliorer l'efficacité. L'IA est souvent utilisée pour l'automatisation des processus, les détections d'inefficacité, l'assurance qualité des marchandises et la prévision de la demande.
Données artificielles générées par des algorithmes plutôt que par des événements du monde réel qui sont utilisées pour entraîner et valider des modèles d'apprentissage automatique. La qualité des données synthétiques est critique. Il détermine si l'IA produira des résultats acceptables après la formation.
U
Une méthode d'apprentissage où les modèles d'apprentissage automatique découvrent des modèles et des regroupements dans des données qui étaient auparavant inconnues (non étiquetées).
V
La réalité virtuelle (VR) présente un environnement rendu numérique qui peut reproduire un espace réel, créer une réalité alternative ou combiner les deux. L'utilisateur est capable d'explorer l'espace virtuel depuis les limites de la maison, du bureau ou de l'usine.
