Depuis les années 1950, les concepts d’intelligence artificielle (IA) et d’automatisation n’ont cessé d’évoluer. Ces innovations transforment le monde du travail, offrant des outils puissants pour optimiser nos processus et résoudre des problèmes complexes. Mais quelle est la différence entre automatisation et IA ? Et comment en sommes-nous arrivés aux avancées comme l’IA générative ? Je vous propose de plonger dans un voyage historique pour mieux comprendre.
Les premiers pas: l’automatisation des calculs simples
Les premières formes d’automatisation ont vu le jour avec l’invention des calculatrices mécaniques, comme la Pascaline de Blaise Pascal au XVIIe siècle. Ces machines automatisaient des opérations arithmétiques simples, une avancée révolutionnaire pour l’époque. Elles posèrent les bases de l’automatisation moderne, effectuant des tâches répétitives rapidement et sans erreurs. Une avancée notable pour les marchandes et scientifiques de l’époque.
L’avènement des ordinateurs électroniques au XXe siècle a étendu cette forme d’automatisation pour inclure des calculs plus complexes. Des caisses enregistreuses aux calculs d’ingénierie, de nombreuses personnes ont gagné en temps et précision.
Robotisation et vision : les robots « travaillent » et « voient »
Dans les années 1950 et 1960, les automates industriels ont révolutionné le secteur de la fabrication. Les robots programmables, en particulier dans les usines automobiles, ont automatisé des processus tels que l’assemblage et le soudage ou encore la peinture. Ces machines pouvaient accomplir des tâches répétitives avec une précision et une rapidité inégalées.
Les années 1980 ont introduit une nouvelle dimension avec l’intégration de systèmes de vision par ordinateur. Grâce à des caméras couplées à des algorithmes avancés, les machines ont pu « voir » et analyser leur environnement. Cela a marqué une avancée majeure, notamment pour le contrôle qualité dans les usines et la surveillance des chaînes de production.
Le monde agricole a subi les mêmes transformations : depuis l’introduction des tracteurs mécanisés et des moissonneuses-batteuses au XXe siècle, la productivité agricole a connu une croissance exponentielle.
Le RPA (Robotic Process Automation) a lancé une première vague de productivité dans le monde des services au début du XXIe siècle. Il s’agissait de programmes qui répliquaient les activités humaines : cliquer, copier, bouger la souris, cliquer, coller, bouger la souris, cliquer, attendre, …
IA prédictive : les robots « prennent » des décisions
Les années 1990 ont vu l’apparition de l’IA prédictive, véritable tournant dans l’histoire de l’intelligence artificielle. Le « machine learning »(apprentissage automatique) est au cœur de cette révolution. Il repose sur l’analyse de grandes quantités de données historiques pour identifier des tendances et formuler des prédictions.
C’est le début du « big data ». De nouveaux postes voient le jour en analyse et modélisation de données. S’appuyant sur les statistiques et les relations entre les données, les modèles de machine learning anticipent les ventes d’une entreprise, détectent des anomalies dans les transactions financières ou même optimisent des chaînes logistiques.
Dans le domain agricole, les capteurs IoT (reliés à Internet), les drones et les robots agricoles perfectionnent des tâches complexes telles que l’épandage d’engrais, la gestion de l’irrigation et même la récolte des fruits. Les drones, par exemple, cartographient les champs en temps réel, en utilisant les principes de la vision, tandis que des capteurs surveillent l’humidité du sol pour optimiser l’utilisation de l’eau, en se basant sur des algorithmes et données historiques.
Le « deep learning », un sous-domaine du machine learning, s’appuie sur des réseaux de neurones artificiels pour traiter des données plus complexes, telles que des images ou des séquences audios. C’est ainsi que sont nées les solutions d’assistance vocales telle qu’Alexa ou Siri. Les ordinateurs peuvent maintenant nous comprendre !
L’IA générative : les robots créent du contenu
L’IA générative est l’une des percées les plus récentes et les plus impressionnantes dans le domaine. Contrairement aux modèles prédictifs, qui analysent des données pour identifier des modèles, l’IA générative crée du contenu original, comme des textes, des images, ou même des œuvres musicales.
Des outils tels que ChatGPT, Claude ou Copilot illustrent cette avancée. Ces systèmes s’appuient sur des algorithmes statistiques complexes, basés sur des modèles de langage pour produire des résultats cohérents et innovants. Leur utilisation s’étend de la rédaction assistée à la création artistique, en passant par le développement de logiciels.
En s’appuyant sur une grande quantité d’information, le modèle « devine », en s’appuyant sur les statistiques, quelle serait la meilleure réponse. Par exemple, si un agent conversationnel ne comprend pas mon nom, il m’appellera « Nicolas », car c’est le prénom le plus courant parmi ses utilisateurs et utilisatrices.
C’est de cette façon que l’IA génère des images réalistes. Toutefois, n’ayant aucune forme d’intelligence, des hallucinations apparaissent, comme des mains à 4 ou 6 doigts. L’IA comprend pas les concepts et n’a aucune compréhension du monde réel.
C’est le plus grand risque d’Internet, qui est inondé de contenu généré automatiquement et donc possiblement de moins bonne qualité.
l’IA décuple les capacités de l’automatisation des processus
L’automatisation et l’intelligence artificielle ont parcouru un long chemin depuis l’époque des premières calculatrices. L’automatisation se concentre sur la rationalisation et la répétabilité des processus, tandis que l’IA analyse les données pour produire des contenus consolidés ou synthétisés. Vous vous doutez que la combinaison des deux technologies donne une puissance supplémentaire à nos outils.
Dans mon prochain article de cette série « moi et l’IA » je vous explique pourquoi elle ne vous remplacera pas.