Data et intelligence artificielle : lexique

Intelligence artificielle : l’IA apparaît en premier lieu comme une technologie d’analyse ayant la capacité de traiter des données et des connaissances nombreuses et hétérogènes, et de comprendre des règles complexes et abstraites à la manière de l’intelligence humaine. La notion de donnée est adossée à celle de connaissance, qui contribue à lui donner un sens et une traduction lisible. On retrouve également dans cette définition deux propriétés, propres à l’IA:

• L’auto-apprentissage, système qui par le traitement successif et répétitif de données a la capacité d’incrémenter son mode de traitement et d’améliorer de manière continue sa pertinence.
• L’adaptabilité, c’est-à-dire la possibilité pour un même programme codé de traiter des situations multiples susceptibles de varier au cours du temps.

Dans le domaine de la santé et pour une finalité d’amélioration de l’efficience et de la coordination des soins - l’IA (dite « transversale » ou « complexe ») se développe au travers d’outils conçus pour générer des capacités conversationnelles et/ou multimédia, associés à des composants de « machine learning » et de « text analytics » destinés à faciliter la synthèse et la compréhension d’informations multiples provenant à la fois des objets connectés ou implantés, des éléments du dossier médical partagé et des services mis à disposition du patient et des professionnels, en relation avec des recommandations issues notamment de sociétés savantes, de plus en plus nombreuses et contraignantes (« big data »).

Big data : quantité volumineuse de données qui dépassent les capacités humaines de compréhension et d’analyse et qui nécessitent une base numérique pour être analysées.

Machine learning : sous-domaine de l’intelligence artificielle qui permet aux ordinateurs d’apprendre de manière automatique sans avoir été programmés explicitement à cet effet. Dans le secteur de la santé, le machine learning a connu un essor grâce aux objets connectés et autres capteurs qui permettent d’utiliser les données pour accéder aux données de santé d’un patient en temps réel, aussi qu’à l’importance des images dans le diagnostique du cancer (mammographies, IRM, anatomo-pathologie, etc.). Cette technologie peut aussi être utile aux médecins à l’aide au diagnostique de cancer en accélérant le traitement de l’information.

Deep learning : ou apprentissage profond est une technique de machine learning qui met en avant l’apprentissage par l’exemple où la machine apprend par elle-même au lieu d’exécuter à la lettre des règles déterminées. Le système apprend par exemple à déterminer s'il y a un visage sur une photo avant de découvrir de quelle personne il s'agit. On parle d’apprentissage profond car le processus demande plusieurs étapes pour atteindre son résultat. Le deep learning s’appuie en effet sur des “couches” de neurones artificiels inspirés du cerveau humain afin d’arriver au résultat final. Le mécanisme reproduit alors le même cheminement d’identification que l’Homme.