---
title: "Comprendre l\'intelligence artificielle : histoire, concepts et outils"
url: https://kwanzeo.com/ressources/guide-intelligence-artificielle
date: 2025-09-20
updated: 2026-10-14
---

# Comprendre l'intelligence artificielle : histoire, concepts et outils

> Le guide Kwanzeo de l'intelligence artificielle : définition, types d'IA, grandes étapes de son histoire, Machine Learning, Deep Learning et outils Microsoft pour l'entreprise.

**En résumé :** l'intelligence artificielle (IA) désigne un ensemble de technologies capables d'imiter certains comportements humains : apprendre, résoudre des problèmes, prendre des décisions. Née dans les années 1940-1950, elle a connu des périodes d'enthousiasme et des « hivers » avant l'essor du Machine Learning, du Big Data puis du Deep Learning et de l'IA générative. Ce guide en présente les concepts de base et les outils Microsoft qui permettent de l'intégrer en entreprise.

**Sommaire**

- [Qu'est-ce que l'intelligence artificielle ?](#quest-ce-que-lintelligence-artificielle-)
- [Combien existe-t-il de types d'intelligence artificielle ?](#combien-existe-t-il-de-types-dintelligence-artificielle-)
- [Comment l'intelligence artificielle a-t-elle évolué ?](#comment-lintelligence-artificielle-a-t-elle-évolué-)
- [Qu'est-ce que le Machine Learning ?](#quest-ce-que-le-machine-learning-)
- [Qu'est-ce que le Deep Learning ?](#quest-ce-que-le-deep-learning-)
- [Quels outils Microsoft pour intégrer l'IA en entreprise ?](#quels-outils-microsoft-pour-intégrer-lia-en-entreprise-)
- [Pourquoi intégrer l'IA en entreprise, et qu'est-ce qui freine ?](#pourquoi-intégrer-lia-en-entreprise-et-quest-ce-qui-freine-)
- [Les vidéos Kézako IA](#les-vidéos-kézako-ia)

## Qu'est-ce que l'intelligence artificielle ?

L'**intelligence artificielle** désigne un ensemble de technologies capables d'imiter certains comportements humains comme **l'apprentissage, la résolution de problèmes ou la prise de décisions**.

Elle repose sur plusieurs concepts clés :

- **le machine learning (apprentissage automatique)** : les systèmes apprennent à partir de données sans qu'on leur indique explicitement quoi faire ;
- **le traitement du langage naturel (NLP)** : les machines comprennent et génèrent du texte de manière naturelle ;
- **la vision par ordinateur** : les systèmes reconnaissent des objets, du texte ou des visages dans des images ;
- **les modèles génératifs** : ils produisent du contenu original (textes, images, code) grâce à des algorithmes avancés.

![Schéma des fondements de l'intelligence artificielle et de ses applications : modèles génératifs, machine learning, vision par ordinateur, traitement du langage naturel](ressources/guide-intelligence-artificielle/concepts-ia.png)

## Combien existe-t-il de types d'intelligence artificielle ?

On distingue **deux types d'intelligence artificielle** :

- **l'IA symbolique**, fondée sur un raisonnement, des formules logiques ou une base de faits connus : elle fonctionne par conditions ou par symboles ;
- **l'IA connexionniste**, qui a la capacité d'apprendre, généralement à partir de données : c'est elle qui se rapproche le plus de l'intelligence humaine, et c'est d'elle que traite la suite de ce guide.

On distingue aussi plusieurs **niveaux** d'intelligence artificielle :

- **l'IA faible ou étroite** : le seul type d'IA que l'homme ait réussi à produire à ce jour. Elle sert par exemple aux assistants vocaux des ordinateurs et smartphones, à la vision par ordinateur des voitures autonomes, à la reconnaissance faciale ou aux systèmes de recommandation ;
- **l'IA forte**, ou IA profonde, encore au stade de concept : une IA qui imiterait les capacités cognitives d'un être humain, appliquerait ses connaissances acquises par l'expérience et discernerait émotions, croyances et besoins ;
- **la super intelligence artificielle** : une IA hypothétique, consciente d'elle-même, aux capacités supérieures à celles de l'être humain.

L'IA est elle-même constituée de plusieurs sous-domaines, dont les principaux sont le **Machine Learning** et le **Deep Learning**.

## Comment l'intelligence artificielle a-t-elle évolué ?

L'IA ne date pas d'hier. Ses grandes étapes :

![Les grandes étapes de l'évolution de l'IA : premiers pas, apprentissage automatique, Big Data, IA moderne](ressources/guide-intelligence-artificielle/evolution-ia.png)

### Années 1940-1970 : les premiers pas

C'est entre les années 1940 et 1950 que les bases de l'intelligence artificielle se mettent en place et que naissent les premiers concepts de *Machine Intelligence*. Alan Turing imagine le test de Turing pour évaluer l'intelligence d'une machine ; les premiers programmes capables de simuler le raisonnement humain apparaissent.

Vers la fin des années 1950, **Frank Rosenblatt conçoit le Perceptron**, un modèle mathématique inspiré d'un type de neurones biologiques du cerveau humain, qui sera la base des **réseaux de neurones**. Le Perceptron fonctionne comme un automate, avec des entrées et une sortie. Mais sa sortie est binaire (0 ou 1) : il **ne peut résoudre que des problèmes linéairement séparables**.

Ces limites suscitent critiques et déceptions, et l'engouement retombe : c'est ce qu'on appelle **« l'hiver de l'IA »**.

### Années 1980-2000 : l'essor du Machine Learning

Dans les années 1980-1990, des **algorithmes plus sophistiqués** apparaissent, comme les machines à vecteurs de support (*Support Vector Machine*, SVM) et les arbres de décision, en parallèle de l'**algorithme de rétropropagation**, essentiel à l'évolution du Deep Learning et de l'apprentissage supervisé. Les premiers réseaux neuronaux artificiels se développent, ainsi que les algorithmes d'apprentissage supervisé et non supervisé.

Cette renaissance est fortement corrélée à la croissance exponentielle de la puissance de calcul du matériel informatique, conformément à la **loi de Moore**.

### Années 2000-2010 : le Big Data et l'ingénierie des caractéristiques

Les données numériques explosent, les algorithmes s'améliorent et les entreprises commencent à exploiter l'IA à grande échelle.

Le début des années 2000 est aussi la décennie phare de l'**ingénierie des caractéristiques** (*Feature Engineering*), processus toujours crucial en Machine Learning. Son objectif : épurer et travailler les données pour rendre l'algorithme d'apprentissage le plus efficace possible. Cette étape, indispensable à tout projet d'IA, comprend :

- la **sélection des caractéristiques** : retenir les données les plus pertinentes pour la tâche d'apprentissage, à partir de la connaissance du domaine, de critères statistiques ou d'algorithmes ;
- les **transformations de données** : normalisation, standardisation, discrétisation et réduction de dimensions, avant d'injecter les données dans un modèle ;
- la **gestion des données manquantes** et la création de données plus pertinentes pour le modèle ;
- la **validation croisée**, pour évaluer l'effet de ces transformations sur les performances, en plusieurs itérations.

### Depuis 2010 : Deep Learning et IA générative

Stimulés par les progrès matériels et par les grands ensembles de données issus du Web 2.0 (réseaux sociaux, Internet des objets), les **réseaux de neurones à nombreuses couches** deviennent beaucoup plus accessibles. De nouvelles architectures apparaissent : **réseaux de neurones convolutifs** et **réseaux de neurones récurrents**. Elles trouvent des applications en **vision par ordinateur** (reconnaissance de caractères, reconnaissance faciale, voitures autonomes) et en **traitement du langage naturel** et reconnaissance vocale, jusqu'aux modèles **Transformers** et aux chatbots comme **ChatGPT**.

Des modèles avancés comme GPT et DALL·E se développent, et l'IA devient accessible via des outils grand public et professionnels. Les recherches s'accentuent aujourd'hui sur l'**apprentissage auto-supervisé**, l'**apprentissage par renforcement** et l'**intelligence explicative**.

## Qu'est-ce que le Machine Learning ?

Le **Machine Learning (ML)**, ou **apprentissage automatique**, désigne une machine capable d'apprendre et de comprendre un phénomène par **l'entraînement**. En injectant des données dans un modèle de Machine Learning, la machine détecte des motifs (*patterns*) sans qu'on lui dise explicitement quoi détecter ou quoi apprendre.

Le Machine Learning se divise en trois sous-domaines.

### L'apprentissage supervisé (Supervised Learning)

Il nécessite des **données étiquetées**, dont on comprend parfaitement la signification dans le monde réel. Les modèles apprennent à partir de ces données pour les **classer** ou **prédire** des données similaires.

*Exemple : la régression linéaire.* Un jeu de données contient la taille et le poids de plusieurs individus ; pour l'un d'eux, seule la taille est connue. Comme la taille est grossièrement proportionnelle au poids, une fonction affine permet d'estimer le poids manquant, en minimisant l'écart (l'« erreur ») entre les points observés et les points prédits. On connaît la signification de la valeur cible (le poids) et l'on dirige le modèle pour qu'il la prédise : d'où le nom d'apprentissage supervisé.

### L'apprentissage non supervisé (Unsupervised Learning)

Il identifie des **structures cachées** dans des **données non étiquetées**. Là où l'apprentissage supervisé cherche des relations mathématiques entre les variables, l'apprentissage non supervisé s'intéresse aux liens et aux ressemblances au sein de la donnée elle-même.

*Exemple : le clustering.* À partir d'un jeu de données sur des ballons (poids, volume, forme, couleur…), un algorithme de clustering, après quelques paramétrages, les regroupe selon leurs caractéristiques similaires, sans savoir les nommer : il n'y a pas de valeur cible.

### L'apprentissage par renforcement (Reinforcement Learning)

Un **agent** apprend à prendre des **décisions séquentielles** en interagissant avec son environnement, nécessairement dynamique. Il agit pour maximiser une récompense cumulée dans le temps, en explorant différentes actions et en observant leurs conséquences, à la manière des êtres vivants.

*Exemple : la recommandation sur une plateforme de streaming.* La plateforme est l'environnement ; l'agent propose des films ou des séries selon vos préférences. Selon que vous regardez ou ignorez ses propositions, il ajuste sa stratégie : c'est la mise à jour de la politique (*policy*).

## Qu'est-ce que le Deep Learning ?

Le **Deep Learning (DL)**, ou **apprentissage profond**, résout des tâches bien plus complexes que le Machine Learning classique, comme la reconnaissance d'image ou la reconnaissance vocale. Ses algorithmes sont des **réseaux de neurones comportant plusieurs couches**, dans lesquelles se font les calculs qui mènent au résultat attendu.

**Tout modèle de Deep Learning est un modèle de Machine Learning, mais l'inverse n'est pas vrai.** Techniquement, les réseaux de neurones peuvent réaliser toutes les tâches d'un modèle de Machine Learning ; le choix se fait selon l'efficience du modèle dans son contexte. Les IA les plus avancées reposent aujourd'hui sur des **réseaux de neurones profonds**.

### Comment fonctionne un modèle de Deep Learning ?

1. **En entrée**, des données brutes ou prétraitées, le plus souvent numériques : images, vidéos, sons, données issues de l'Internet des objets…
2. **Propagation avant (*feed-forward*)** : on affecte à ces données des poids arbitraires, puis elles traversent les couches du modèle ; chaque couche effectue une transformation linéaire suivie d'une fonction d'activation non linéaire. Ces transformations successives extraient des représentations de plus en plus abstraites des données.
3. **Mesure de l'erreur** : les sorties sont comparées aux étiquettes (la « vérité terrain ») des données d'entraînement, ce qui donne la **fonction de perte** (*loss function*).
4. **Propagation arrière (rétropropagation)** : on ajuste les poids et les biais du modèle pour réduire la fonction de perte.
5. **Itérations** : le cycle est répété sur de nombreux lots de données jusqu'à des performances satisfaisantes ; le modèle est ensuite évalué sur un ensemble de validation et testé sur des données réelles.

## Quels outils Microsoft pour intégrer l'IA en entreprise ?

Microsoft propose plusieurs outils pour intégrer l'IA dans les processus métiers, quel que soit le niveau de compétence des utilisateurs. Présentation rédigée en février 2025.

![Outils IA de Microsoft : Azure Machine Learning, Azure OpenAI et Copilot Studio](ressources/guide-intelligence-artificielle/solutions-microsoft-ia.png)

- **Azure Machine Learning, le laboratoire des data scientists** : une plateforme cloud pour développer, entraîner et déployer des modèles de machine learning. Points forts : automatisation des tâches complexes, gestion des modèles et des jeux de données, intégration avec Power BI et Azure Data Factory.
- **Azure OpenAI, des modèles avancés à portée de main** : l'accès à des modèles d'IA comme GPT-4 (en février 2025), pour générer automatiquement des résumés et des rapports, automatiser le service client avec des chatbots ou créer des contenus marketing.
- **Copilot Studio, un assistant IA sans coder** : la conception d'assistants IA sur mesure, sans développement, pour automatiser des tâches répétitives, intégrer l'IA dans Microsoft Teams, Power Apps et d'autres services, ou proposer des chatbots personnalisés. Voir [nos agents IA avec Copilot Studio](/ia/agents-copilot-studio).

Pour choisir un modèle de langage, lisez [Quel GPT choisir ?](/ressources/quel-gpt-choisir) ; pour l'IA générative, [L'intelligence artificielle générative](/ressources/lintelligence-artificielle-generative) ; pour connecter l'IA à vos documents, [le RAG expliqué](/ressources/intelligence-artificielle-rag-tout-comprendre-sur-cette-revolution).

## Pourquoi intégrer l'IA en entreprise, et qu'est-ce qui freine ?

L'IA est un levier de transformation : elle augmente la productivité et améliore les performances des collaborateurs qui disposent des bons outils. Les entreprises qui l'adoptent en tirent des **bénéfices concrets** :

- gain de temps et d'efficacité grâce à l'**automatisation** des tâches chronophages ;
- expérience client **améliorée** : chatbots et recommandations personnalisées ;
- prise de décision **optimisée** par l'exploitation des données en temps réel ;
- nouveaux modèles économiques fondés sur des services **innovants**.

![Les avantages concrets de l'intelligence artificielle pour les entreprises](ressources/guide-intelligence-artificielle/adoption-ia-entreprise.png)

Son adoption reste pourtant freinée par plusieurs obstacles :

- un accès aux données parfois limité ou insuffisamment structuré ;
- une définition imprécise des objectifs et des attentes ;
- des contraintes technologiques et un manque de compétences spécialisées ;
- des préoccupations éthiques et la peur des impacts sur l'emploi ;
- une réticence au changement et une méfiance face à l'inconnu.

L'enjeu n'est donc plus de savoir s'il faut adopter l'IA, mais **comment l'intégrer intelligemment** dans son activité, à commencer par des données fiables : voir [l'IA dans les Data Platforms](/ressources/intelligence-artificielle-ia-data-platform) et [l'IA sur vos données](/ia/ia-sur-vos-donnees).

## Les vidéos Kézako IA

Les concepts de ce guide sont présentés en vidéo par Amine, consultant Data Intelligence Kwanzeo, dans la série Kézako IA.

@video https://www.youtube.com/watch?v=scGnIZbypnA "Kézako IA, épisode 1 : la chronologie de l'intelligence artificielle"

@video https://www.youtube.com/watch?v=RfzcEXdef7c "Kézako IA, épisode 2 : Machine Learning et Deep Learning"

Vous souhaitez former vos équipes ou lancer un projet d'IA ? Découvrez [le pôle IA de Kwanzeo](/ia) ou [posez-nous vos questions](/contact).

### Qu'est-ce que l'intelligence artificielle ?

L'intelligence artificielle désigne un ensemble de technologies capables d'imiter certains comportements humains comme l'apprentissage, la résolution de problèmes ou la prise de décisions. Elle repose notamment sur le machine learning, le traitement du langage naturel, la vision par ordinateur et les modèles génératifs.

### Quelle est la différence entre Machine Learning et Deep Learning ?

Le Machine Learning est une machine capable d'apprendre un phénomène par l'entraînement sur des données. Le Deep Learning en est une forme plus complexe, fondée sur des réseaux de neurones à plusieurs couches, pour des tâches comme la reconnaissance d'image ou vocale. Tout modèle de Deep Learning est un modèle de Machine Learning, mais l'inverse n'est pas vrai.

### Quels sont les trois grands types d'apprentissage automatique ?

L'apprentissage supervisé (données étiquetées, pour classer ou prédire), l'apprentissage non supervisé (structures cachées dans des données non étiquetées, par exemple le clustering) et l'apprentissage par renforcement (un agent apprend par récompenses en agissant dans son environnement).