L’intelligence artificielle et les systèmes experts : une nouvelle approche économique

L’intelligence artificielle et les systèmes experts : une nouvelle approche économique

Depuis l’invention des ordinateurs et des machines, leur capacité à effectuer les diverses tâches n’a cessé de s’accroître de façon exponentielle. Une branche de l’informatique appelée l’intelligence artificielle poursuit la création d’ordinateurs ou de machines aussi intelligents que les êtres humains.

L’IA se développe avec une telle rapidité incroyable, parfois cela semble magique. Les chercheurs et les développeurs sont d’avis que l’IA pourrait devenir tellement puissante qu’il serait difficile à contrôler par les humains. Les humains ont développé des systèmes d’IA en y introduisant toutes les intelligences possibles, afin de réduire l’effort et le temps entretenue pour réaliser les tâches qu’ils jugent fastidieuses.

La perspective de créer des ordinateurs intelligents a fasciné le monde aussi longtemps que les ordinateurs ont existé, comme nous le verrons dans l’aperçu historique, les premiers indices en direction de l’intelligence artificielle datent de bien longtemps. Alors que signifie réellement l’intelligence artificielle ? Et quels sont les domaines de ses applications ? Et quels apports a-t-elle sur l’intelligence économique et stratégique ?

L’INTELLIGENCE ARTIFICIELLE :

Selon le père de l’intelligence artificielle John McCarthy, l’IA signifie “La science et l’ingénierie de la fabrication de machines intelligentes, en particulier des programmes informatiques intelligents”.

Cependant la définition précise et la signification du mot intelligence, et encore plus de l’intelligence artificielle, fait l’objet de beaucoup de discussions et a causé beaucoup de confusion.

La définition de l’intelligence artificielle dans les manuels s’agence selon deux dimensions : le processus de la pensée et du raisonnement, et le comportement.

Donc, au lieu de regarder une définition générale de l’intelligence artificielle, il faut se restreindre à des définitions selon les dimensions citées auparavant. Ces dimensions donnent de nombreuses définitions classées dans les quatre catégories suivantes :

  • Des systèmes qui pensent comme les humains :
  • « La tentative nouvelle et passionnante d’amener les ordinateurs à penser, des machines dotées d’un esprit au sens le plus latéral. » (Haugeland, 1985)
  • « L’automatisation d’activités que nous associons à la pensée humaine, des activités telles que la prise de décision, la résolution des problèmes, l’apprentissage,… » (Bellman, 1978)
  • Des systèmes qui agissent comme des humains :
  • « L’art de créer des machines capables de prendre en charge des fonctions exigeant de l’intelligence quand elles sont réalisées par des gens. » (Kurzweil, 1990)
  • « L’étude des moyens à mettre en œuvre pour faire en sorte que des ordinateurs accomplissent des choses pour lesquelles il est préférable de recourir à des personnes pour le moment. » (Rich & Knight, 1991)
  • Des systèmes qui pensent rationnellement :
  • « L’étude des facultés mentales grâce à des modèles informatiques. » (McDermott, 1985)
  • « L’étude des moyens informatiques qui rendent possible la perception, le raisonnement et l’action. » (Winston, 1992)
  • Des systèmes qui agissent rationnellement :
  • « L’intelligence artificielle est l’étude de la conception d’agents intelligents. » (Pool & Al, 1998)
  • « L’intelligence artificielle […] étudie le comportement intelligent des artefacts. » (Nilson, 1998)

Les deux premières définitions évaluent l’intelligence artificielle par rapport aux performances humaines, tandis que les deux dernières la mesurent à un concept idéal de l’intelligence qui est la “rationalité “.

Historiquement, l’évolution de l’IA suivait ces quatre approches. Cependant, il existe une forte tension entre IA centrée sur l’homme et celle qui fait appel au concept de rationalité. La première se définit comme étant une science empirique qui repose sur des hypothèses et des preuves expérimentales. En revanche, l’approche rationaliste s’intéresse à créer des systèmes basés sur l’évolution des mathématiques et de l’ingénierie.

Les approches de l’IA

Dans cette partie, nous allons analyser de façon plus détaillée les quatre approches de l’IA définit précédemment.

1. Test de Turing : imitation du comportement humain

Le test de Turing, proposé par le chercheur et mathématicien britannique Alan Turing (1950), cherche à donner une définition convenable et opérationnelle de l’intelligence. Au lieu de rassembler des caractéristiques dans une liste qui sera certainement litigieuse, il a présenté un test fondé sur l’impossibilité de différencier une machine d’un être humain.

Un ordinateur réussi le test si un être humain (le questionneur) est incapable de dire si les réponses proviennent d’une machine ou d’une personne.

Avant de passer le test de Turing, la machine devrait posséder les fonctionnalités suivantes :

  • Le traitement du langage naturel : à travers lequel elle doit pouvoir communiquer sans problème ;
  • La représentation des connaissances : c’est une mémoire où elle stockera ses connaissances et les informations qu’elle entend ;
  • Le raisonnement automatisé : pour répondre aux questions et tirer des conclusions en utilisant les connaissances capitalisées ;
  • L’apprentissage : pour s’adapter à de nouveaux environnements, et à de nouvelles circonstances, détecter les paramètres invariants et les extrapoler.

Le test de Turing ne repose pas sur le contact physique direct entre le questionneur et l’ordinateur. Cependant, le test de Turing complet comporte un signal vidéo à travers lequel le questionneur peut tester les capacités perceptives du sujet (machine ou personne).

Pour pouvoir réussir le test de Turing complet, l’ordinateur doit avoir :

  • Un dispositif de vision informatique : pour percevoir des objets ;
  • Des capacités robotiques pour manipuler des objets et se déplacer.

Ces six fonctionnalités constituent les principales parties de l’intelligence artificielle.

2. Approche cognitive

Cette approche repose sur le fait de pouvoir créer des programmes qui pensent comme les humains. Pour cela, il fallait déterminer comment pensent les êtres humains, et par la suite modéliser cette pensée. En effet, il existe deux moyens pour y arriver : l’introspection et les expériences psychologiques.

Pour élaborer des théories précises et vérifiables du fonctionnement de l’esprit humain, les sciences cognitives associent les modèles informatiques de l’intelligence artificielle et les techniques expérimentales de la psychologie.

Aux débuts de l’IA, les deux approches « intelligence artificielle » et « cognition humaine » se confondaient souvent. En effet un chercheur avançait bien sur des algorithmes traduisant des tâches accomplies qui donnent naissance à de bons modèles du fonctionnement de l’esprit humain, ou vice versa. Ces deux disciplines se complémentent, et évoluent mutuellement (l’évolution de l’une conduit l’évolution de l’autre), notamment dans les domaines de la vision et du langage naturel. En particulier, l’évolution de la vision informatique par l’intégration des enseignements de la neuropsychologie aux modèles informatiques.

3. La pensée rationnelle :

Les raisonnements de la codification proposaient des modèles de structures argumentatives qui parvenaient toujours à des conclusions vraies, du moment que les données fournies sont vraies.

Ces lois de la pensée étaient supposées commander les opérations de l’esprit ; leur étude donne naissance au domaine de la logique.

Au XIXe siècle, les logiciens posaient, par analogie de la notation arithmétique usuelle pour les assertions d’égalité entre les nombres, des notations précises pour les assertions qui concernent l’ensemble des entités qui constituent le monde et des relations qui les lient. Dès 1965, il existait des programmes capables de résoudre tous les problèmes formulés avec la notation logique. En IA, cette démarche, dite logiciste, repose sur de tels programmes pour créer des systèmes intelligents.

Cette approche présente deux grandes limites. En effet, il est difficile de traduire une connaissance informelle avec des termes formels définis par la notation logique, surtout lorsque la connaissance est incertaine. De plus, il existe une grande différence entre résoudre un problème théoriquement, et le résoudre réellement en pratique. En effet, même les problèmes qui ne représentent qu’une douzaine de faits peuvent ne pas être résolus s’il n’y a pas un raisonnement derrière. Ces deux limites sont apparues pour la première fois dans la tradition logiciste, lors de l’élaboration de systèmes de raisonnement artificiels.

4. Approche de l’agent rationnel :

Un agent correspond à toute entité qui agit. Cependant, les agents informatiques doivent être munis d’attributs supplémentaires qui les différencient des simples « programmes » : procéder sous le contrôle d’une instance autonome, percevoir leur environnement, perdurer pendant une période prolongée, s’adapter au changement et être capable de partager les objectifs d’un autre agent.

Un agent est dit rationnel lorsqu’il agit de façon à atteindre la meilleure solution ou la meilleure solution prévisible.

Dans le cadre d’une approche de l’IA relative aux lois de la pensée, l’intérêt est porté sur la validité des inférences. La capacité d’établir des inférences correctes dépend parfois de la nature de l’agent rationnel, car les comportements rationnels définissent si une action donnée va pouvoir atteindre des objectifs prédéfinis, puis agir conformément à cette conclusion.

Concrètement, le rôle de l’IA est de créer des systèmes experts qui manifeste un comportement intelligent, apprennent, démontrent, expliquent et conseillent leurs utilisateurs. Aussi, mettre en œuvre l’intelligence humaine dans les machines ; c’est-à-dire créer des systèmes qui comprennent, pensent, apprennent et se comportent comme des humains.

L’IA a dominé dans divers domaines tels que : les jeux, le traitement du langage naturel, la reconnaissance des voix, les robots intelligents, la reconnaissance de l’écriture manuscrite et les systèmes experts. Dans cet article nous nous intéresserons à l’étude des systèmes experts comme une discipline pointue de l’intelligence artificielle.

LES SYSTÈMES EXPERTS :

Les systèmes experts sont l’une des premières et des plus importantes applications de l’intelligence artificielle. Depuis le développement du premier système basé sur des connaissances et des expertises pour réussir l’analyse chimique en 1970, l’idée de produire des systèmes basés sur l’expérience humaine a commencé à se répandre rapidement dans d’autres domaines.

Les systèmes experts sont devenus l’une des formes de l’intelligence artificielle les plus utilisées: l’ordinateur utilise les techniques des systèmes experts pour appliquer des méthodes de conclusion dans un domaine particulier de connaissances afin de donner les recommandations nécessaires et ainsi atteindre un niveau élevé de performance dans des tâches qui nécessitent de l’homme des années d’apprentissage et de formation.

Afin d’identifier les domaines d’utilisation des systèmes experts, il est nécessaire d’identifier d’abord son concept, ses composants, ses types et méthodes de construction, son mécanisme de fonctionnement, sa différence des systèmes traditionnels et les difficultés de son utilisation.

1. Le concept des systèmes experts :

Le terme «système expert» comprend deux parties principales : la première représente « système », qui signifie ensemble de parties interconnectées qui collectent, traitent, stockent et distribuent les informations pour faciliter le contrôle et la prise de décision au sein de l’entreprise. La deuxième partie représente le terme « expert» qui est une qualification de ces systèmes qui ont une expérience et une connaissance approfondie accumulée au fil du temps.

En d’autres termes, les systèmes experts sont à l’origine des systèmes d’information qui reçoivent et traitent les données pour produire des résultats qui facilitent la prise de décision, mais u lieu d’appliquer des équations mathématiques ou des algorithmes, ils utilisent et appliquent des expériences et des connaissances en traitement de données pour trouver des solutions.

D’après les définitions précédentes des systèmes experts, on constate qu’elles admettent toutes que les systèmes experts acquièrent leur capacité de prise de décision et de résolution des problèmes d’experts humains et se comportent ainsi presque comme un expert face à une situation nécessitant une décision particulière.

Ce qui distingue les systèmes experts des systèmes traditionnels, c’est que leurs utilisation ne requiert pas une parfaite maîtrise des outils informatiques, l’utilisateur commence par interroger le système en lui posant des questions, qui à son tour dirige les requêtes de l’utilisateur. Le système fournit alors les justifications nécessaires du choix de la solution en se basant sur les informations stockées dans les bases des données et le moteur qui lui sont associées.

La construction interne du système nécessite la disponibilité des ressources humaines, matérielles et technologiques. Les ressources humaines sont principalement constituées d’un expert du domaine (Domain Expert), des ingénieurs de connaissance (Knowledge Engineers) et des programmeurs (System Engineers) capables de manipuler le système expert en termes de sa conception, de sa construction et de son exploitation. Les ressources technologiques comprennent des équipements et des appareils (Hardware), comme le moteur d’inférence, et des logiciels(Software) nécessaires pour stocker et convertir l’expertise dans un langage compris par l’ordinateur et par l’utilisateur final.

2. Les composantes des systèmes experts :

Les systèmes experts se composent essentiellement de cinq parties principales et primordiales expliquées ci-dessous :

  1. La base de la connaissance (Knowledge Base) :

La base des connaissances du système expert comprend les données, les connaissances, les relations, les principes et les règles de décision utilisés par l’expert pour résoudre un type particulier de problème. La base stocke les connaissances accumulées au fil des années par l’expert. Il convient de noter ici que le succès du système expert dépend largement de l’ampleur de sa base de connaissances et de sa précision, car il est souvent préférable de compter sur plusieurs experts plutôt que de compter sur un seul expert pour résoudre le problème.

  1. Moteur d’inférence (Inference Engine) :

C’est un programme qui contient la logique et les mécanismes de conclusion qui simulent le mécanisme du travail de l’expert et de son domaine lorsqu’il conseille et conseille sur le problème à résoudre. Le moteur d’inférence utilise les données obtenues à partir de la base de connaissances (à l’étape de la construction du système) pour conclure, formuler les résultats et suggérer les conseils et les recommandations nécessaires.

Le moteur d’inférence peut être comparé au système mental humain, Il utilise des rappels selon les indications données par l’utilisateur du système, exploite les informations stockées dans la base de connaissances et les traite avec ses propres règles pour dériver les solutions appropriées et les livrer à l’utilisateur final.

  1. L’interface de l’utilisateur (User Interface) :

Une interface utilisateur est le moyen par lequel le système expert interagit avec un utilisateur. Ceux-ci peuvent passer par des boîtes de dialogue, des invites de commande, des formulaires ou d’autres méthodes de saisie. Certains systèmes experts interagissent avec d’autres applications informatiques et n’interagissent pas directement avec un humain.

  1. Outils d’explication (Explanation Facilities) :

Une partie du système expert qui permet à un utilisateur ou un décideur de comprendre comment le système expert est arrivé à certaines conclusions ou résultats. Ils expliquent à l’utilisateur final comment les solutions proposées ont été atteintes comme une sorte de contribution à la construction de la conviction de l’utilisateur que les solutions proposées sont parmi les meilleures et les plus appropriées des solutions disponibles. Ils fournissent à l’utilisateur final des justifications expliquant l’exactitude et la validité des solutions proposées, par exemple des textes légaux, des décisions judiciaires, des instructions spécifiques, des règles de travail,… etc.

  1. Outil d’acquisition de la connaissance (Knowledge Acquisition Facility):

Il fournit un moyen pratique et efficace pour collecter et stocker tous les composants de la base de connaissances. Pour consolider les connaissances, il faut deux parties principales : la première est l’expert qui possède les connaissances et l’expertise dans son domaine de compétence. La deuxième est l’ingénieur de la connaissance qui travaille à transformer l’expérience humaine en un langage qui peut être programmé et codé sur le système expert d’une part et en un langage facile et compréhensible par l’utilisateur final d’une autre part.

Ci-dessous un schéma récapitulatif des cinq éléments de base d’un système expert expliqués ci-dessus :

3. Les acteurs dans un système expert :

D’après l’étude des composantes des systèmes experts, on constate qu’il y a un certain nombre de personnes qui manipulent le système directement ou indirectement et qu’on appelle l’équipe de développement du système expert. Ces personnes peuvent provenir de l’entreprise en tant qu’utilisateurs finaux et experts, comme ils peuvent provenir de l’extérieur de l’entreprise en tant qu’ingénieurs de la connaissance et programmeurs.

  1. Chef de projet (Project Manager) :

Il est le leader de l’équipe de développement du système d’expert et le responsable de la continuité du projet du début à l’exécution du système avec succès. Le chef de projet s’assure que tous les livrables sont livrés à temps. Il communique et coordonne avec l’expert du domaine, l’ingénieur des connaissances, les programmeurs et les utilisateurs finaux. Enfin, il a la responsabilité de préparer et de gérer le budget financier nécessaire au développement du système de manière empirique pour assurer son succès et sa mise en pratique.

  1. L’expert du domaine (Domain Expert) :

Il est la personne qui a la plus grande expérience ou connaissance dans un domaine particulier et qui est capable et habile dans la résolution des problèmes relatifs à son domaine d’expertise, ainsi l’expérience et les connaissances qu’il possède constitueront la base sur laquelle le système sera développé. Par conséquent, l’expert du domaine est la personne la plus importante de l’équipe de développement du système, car son expérience est la pierre angulaire du succès du système expert.

  1. L’ingénieur de connaissance (Knowledge Engineer) :

L’ingénieur de connaissance représente la personne qui est capable de concevoir, de construire et de choisir le système d’expert. Il est responsable du choix de la tâche appropriée pour le système expert. Il conduit de nombreuses réunions personnelles avec l’expert du domaine pour savoir comment ce dernier aboutit à la résolution d’un problème particulier. Grâce à la communication et à l’interaction avec l’expert, l’ingénieur des connaissances détermine les méthodes de réflexion utilisées par l’expert pour traiter les faits et les règles, et détermine ainsi leur représentation dans le système, puis sélectionne certains programmes de développement pour établir le système expert (Shell Expert System) et sélectionne aussi les langages de programmation adéquats pour coder la connaissance (Knowledge Code). Enfin, l’ingénieur des connaissances est responsable de la sélection, de la révision et de l’intégration du système sur le lieu de travail.

  1. Le programmeur (Programmer) :

C’est la personne responsable de la programmation réelle. Il décrit les connaissances de l’expert du domaine dans une langue que l’ordinateur peut comprendre. Il doit donc maitriser les langages de programmation de l’intelligence artificielle tels que LISP, PROLOG et OPSS. Il est à noter qu’en fonction de la taille du système, l’ingénieur des connaissances et le programmeur peuvent être la même personne.

  1. L’utilisateur final (Final User) :

L’utilisateur final est la personne qui utilisera éventuellement le système expert. Les utilisateurs finaux déterminent les principales contraintes de conception, telles que : le niveau d’explication, comment l’information est entrée, les questions /réponses, les menus et les listes… etc. Il détermine aussi comment devrait-on accéder au système expert, la forme des résultats finaux, les divers programmes utilitaires nécessaires tels que : les éditeurs de texte, les vérificateurs d’orthographe, l’interface utilisateur… etc. La présence de l’utilisateur final dans les étapes initiales du cycle de développement est très importante car il fournit une description générale du problème.

L’INTELLIGENCE ARTIFICIELLE ET LA CROISSANCE ECONOMIQUE :

Le terme «économie de l’intelligence artificielle» n’a été utilisé que récemment dans la littérature. Cependant, des études et des recherches ont déjà commencé à aborder cette problématique. L’économie de l’intelligence artificielle signifie l’étude de toutes les idées fondamentales sur l’intelligence artificielle liées à l’économie, en commençant par les dépenses qui financent la recherche de l’intelligence artificielle, et jusqu’aux effets économiques de l’émergence de l’intelligence artificielle tels que l’impact sur les prix et les salaires, et l’impact potentiel des robots sur le taux de chômage.

À ce stade, on remarque que l’intelligence artificielle a un impact explicite sur la croissance économique puisqu’elle impacte de façon directe les fonctions de production des biens et des idées. Cependant, l’avancée de l’intelligence artificielle et ses effets macroéconomiques dépendront du comportement potentiellement riche des entreprises. Les incitations et le comportement de l’entreprise, la structure du marché, et les différences sectorielles sont affectées directement par la présence de l’intelligence artificielle et des systèmes experts.

En effet l’IA et les systèmes experts peuvent agir sur l’innovation et la croissance économique en affectant le degré de concurrence du marché des produits en relation avec le développement de plates-formes ou des réseaux. L’un des principaux objectifs des propriétaires de ces plateformes est de maximiser le nombre de participants à la plate-forme des deux côtés des marchés bilatéraux correspondants. Par exemple, Google jouit d’une position de monopole en tant que leader des plates-formes de recherche, Facebook jouit d’une position similaire en tant que leader des réseaux sociaux avec plus de 1,7 milliard d’utilisateurs dans le monde chaque mois, tout comme Booking.com pour les réservations d’hôtels (plus de 75% ce réseau). Et il en va de même pour Uber dans le domaine du transport individuel, Airbnb pour la location d’appartements, etc.

Le développement des réseaux peut à son tour affecter la concurrence au moins de deux manières. Premièrement, l’accès aux données peut constituer un obstacle à la création de nouveaux réseaux concurrents, bien que cela n’empêche pas Facebook de développer un nouveau réseau après Google. Plus important encore, les réseaux peuvent tirer parti de leurs positions de monopole pour imposer des frais élevés aux nouveaux entrants (ce qu’ils font déjà), ce qui peut décourager l’innovation de ces participants, qu’ils soient des entreprises ou des travailleurs indépendants.

L’économie mondiale d’aujourd’hui exige une attention accrue à la question de la compétitivité des entreprises. L’intelligence économique comme base pour le développement et l’application de l’information stratégique dans les entreprises tire de plus en plus son importance et son ampleur des nouvelles technologies de l’information qui peuvent aider les entreprises à diriger, développer et communiquer leurs capitaux intangibles, tels que l’économie d’information qui est basée essentiellement sur la connaissance.

L’intelligence artificielle et les systèmes experts augmentent la compétitivité des entreprises sur le marché global. Les systèmes experts permettent aux entreprises de rester compétitives dans un monde qui nécessite un traitement toujours plus rapide d’informations de plus en plus diverses et à fort volume. Le rôle de l’intelligence artificielle et du système expert est de fournir un système d’information basé sur la connaissance qui devrait avoir des attributs humains afin de reproduire la capacité humaine dans la prise de décision.

La gestion des connaissances englobe un large éventail de connaissances transversales : science cognitive, système expert, travail informatique, bibliothéconomie et sciences de l’information, science organisationnelle, simulations, base de données rationnelle et objet, réseaux sémantiques, systèmes d’aide à la décision, rédaction technique et communication. Désormais les systèmes experts représentent un moyen fort pour les entreprises pour gérer et capitaliser leurs connaissances tacites.

La capitalisation des connaissances dans les entreprises est naturellement utile pour construire une mémoire institutionnelle basée sur l’évocation et la modélisation explicite des connaissances des experts ou même pour une représentation formelle des connaissances sous-jacentes à un document. Par conséquent, plusieurs chercheurs qui ont travaillé sur des systèmes experts pendant des années ont évolué vers le renforcement de la mémoire d’entreprise où ils pourraient exploiter leurs expériences passées.

L’objectif de l’établissement d’une mémoire d’entreprise en se servant des systèmes experts est d’assister l’utilisateur, en lui fournissant des informations pertinentes sur l’entreprise, et des recommandations basées sur des retours d’expérience déjà capitalisés sur la base de données du système expert, tout en lui laissant la responsabilité d’interpréter et évaluer l’information retournée par le système. Tout cela permet une meilleure exploitation des ressources informationnelles de l’entreprise, et par la suite une optimisation de sa performance.

Par Nada et Nadia Berchane, promotion 2017-2018 du M2 IESCI

BIBLIOGRAPHIE & WEBOGRAPHIE :

[1]       Pankaj SHARMA, Artificial Intelligence, S. K. Kataria & Sons, 500p

[2]       George LUGER, Artificial Intelligence: Structures and Strategies for Complex Problem Solving, Addison Wesley, Fifth Edition, 2005, 891p

[3]       Casey C. BENNETT, Thomas W DOUB, chapitre2-Expert Systems in Mental Health Care : AI Applications in Decision-Making and Consultation, Artificial Intelligence in Behavioral and Mental Health Care, David D LUXTON, 1 octobre 2015

[4]       Nils J. NELSON, Proncipales of Artificial Intelligence, Maurgan KAUFMANN , 1980, 471p

[5]       Christine SYBORD, Intelligence économique et système d’aide à la décision : de l’opérationnel « big data » au stratégique « Little Knowledge », Lavoisier, 2015, vol.7, p.100

[6]       Serge Tichkiewitch, Bruno Radulescu, George Dragoi, Kusol Pimapunsri, Knowledge Management for a cooperative Design System, Springer

[7]       Chris Hendrickson, An expert system architecture for construction planning, Carnegie Mellon University, 01 janvier 1986

[8]       Goddard, Expert Systems, CpSc810, Notes Chapter 7

[9]       Faltings, Boi, Schumacher, Micheal IGNAZ, l’intelligence artificielle par la pratique, PPUR, Première édition (3 mars 2009)

[10]     Stuart Russell, Peter Norvig, Intelligence artificielle, Pearson Eduction France, 2006

[11]     Laure BEAUDONNET, Intelligence artificielle : « Dans le future, seuls les gens très intelligents et très doués trouveront du travail », 20 minutes, www.20minutes.fr [consulté le 25/11/2017]

[12]     intelligence artificielle, site francophone sur l’intelligence artificielle, www.intelligenceartificielle.fr [consulté le 25/11/2017]

[13]     Greg Nichols, Robotique, IA et business : tout ce que les humains doivent en savoir, ZDNet, jeudi 09 Novembre 2017, www.zdnet.fr [consulté le 20/11/2017]

[14]     Philippe Aghion, Benjamin F. Jones, Charles I. Jones, Artificial Intelligence and Economic Growth, 10 octobre 2017

Admin M2 IESC