Timeline IA générative

Chronologie de l'IA générative : les dates-clés

Introduction

1950

1956

1957

1943

Next

Le terme IA est inventé par John McCarthy.

Frank Rosenblatt invente le Perceptron.

Un modèle de neurone artificiel est créé

L'informaticien Alan Turing crée un test pour l'intelligence artificielle.

+ INFO

+ INFO

+ INFO

Chronologie de l'IA générative : les dates-clés

1973

1995

1997

1964

Next

Premier moteur de recherche utilisant le traitement automatique des langues.

L'ordinateur "Deep blue" de IBM bat le champion du monde aux échecs.

Le chatbot "Eliza" est le premier à converser avec une personne.

La société canadienne pour l'étude de l'intelligence par ordinateur est fondée.

1970 - 1980

+ INFO

Chronologie de l'IA générative : les dates-clés

2002

2011

2011

1999

Next

Apple présente "Siri", un assistant virtuel.

"Watson" de IBM gagne un tournoi de Jéopardy contre des humains.

Sony introduit le chien de compagnie robot "AiBo".

iRobot lance le premier robot aspirateur "Roomba".

1990 - 2000

+ INFO

Chronologie de l'IA générative : les dates-clés

2014

2016

2017

2012

Next

"AlphaGo", le programme de Google Deep Mind bat le champion Lee Sedol au jeu de Go.

Le CIFAR dirige l'élaboration d'une stratégie pancanadienne sur l'intelligence artificielle. La première stratégie nationale d'IA au monde.

Le véhicule autonome de Google est le premier à passer le test de sécurité sur la route.

Le chatbot Eugène Goostman est le premier à réussir le test de Turing.

2010 - 2020

+ INFO

Chronologie de l'IA générative : les dates-clés

2022

2019

2020

2021

2018

Les assistants virtuels stylistes aident les acheteurs à "compléter un look".

OpenAi présente "GPT 3" un modèle de langage qui peut produire un texte cohérent à la manière d'un humain.

OpenAI introduit "DALL-E", un générateur texte-image qui peut créer des images à partir d'un texte saisi par les utilisateurs.

Google lance Google Duplex, un service d'IA pour aider les gens à effectuer des tâches par téléphone.

OpenAI présente "ChatGPT" un robot conversationnel. Il atteint 100 millions d'utilisateurs en deux mois.

1950

En 1950, Alan Turing a proposé le test de Turing, également connu sous le nom de "jeu de l'imitation", comme un moyen d'évaluer l'intelligence d'une machine. Le principe du test est de déterminer si un interrogateur humain peut distinguer un ordinateur d'un être humain au cours d'une conversation en langue naturelle. Si l'interrogateur ne peut pas faire la distinction entre les réponses de l'ordinateur et celles d'un humain, la machine est considérée comme ayant passé le test, ce qui indiquerait qu'elle possède des capacités similaires à l'intelligence humaine.

1957

Le perceptron est un algorithme utilisé en apprentissage automatique pour distinguer entre deux catégories différentes. Il a été créé en 1957 par Frank Rosenblatt à l'université Cornell. Le perceptron fonctionne un peu comme un neurone simplifié dans notre cerveau : il reçoit des informations, les traite, et décide à quelle catégorie appartient l'information reçue. Pour que le perceptron puisse faire ces distinctions, il utilise une méthode qui ajuste automatiquement certains paramètres, appelés "poids", afin d'améliorer sa capacité à classer correctement les informations. Si les données à classer peuvent être séparées de manière simple (ce qu'on appelle "linéairement séparable"), le perceptron est capable de trouver la meilleure façon de tracer une ligne de séparation entre les deux catégories.

1970 - 1980

Développement des systèmes experts

Un système expert est une application d'IA qui modélise le raisonnement d'un spécialiste humain et reproduit ses mécanismes cognitifs pour appliquer un raisonnement basé sur des faits connus et des règles prédéfinies. Un système expert peut réaliser des déductions, tirer des conclusions et expliquer comment les résultats ont été obtenus.

1990 - 2000

Apparition des algorythmes d'apprentissage automatique

L'apprentissage automatique est un sous-domaine de l'IA qui permet aux machines d'apprendre à partir de données et d'améliorer leurs performances dans l'exécution de tâches spécifiques sans être explicitement programmées pour cela. Cette période a connu une émergence des systèmes capables de réaliser des prouesses telles que la victoire du système expert d'IBM, Deep Blue, sur le champion mondial d'échecs Garry Kasparov Sa victoire a symbolisé le potentiel des machines à effectuer des tâches complexes et a marqué un moment important dans l'histoire de l'IA.

1956

La Conférence de Dartmouth en 1956 est considérée comme l'événement fondateur du domaine de l'intelligence artificielle (IA). Organisée par John McCarthy, Marvin Minsky, Claude Shannon et Nathaniel Rochester, cette conférence a réuni une vingtaine de chercheurs sur le campus de l'Université de Dartmouth pendant l'été 1956, avec pour objectif d'explorer les possibilités de créer des machines capables de simuler l'intelligence humaine. L'un des principaux résultats de cette conférence a été l'établissement de l'IA comme un domaine de recherche distinct. John McCarthy y a proposé pour la première fois le terme "intelligence artificielle", marquant ainsi officiellement la naissance de cette discipline.

L'intelligence artificielle, bien qu'aujourd'hui omniprésente dans notre quotidien, puise ses racines dans des travaux pionniers entamés dès le milieu du XXe siècle. Les recherches initiales, amorcées dans les années 1950, ont jeté les bases d'un domaine scientifique en constante évolution. Au fil des décennies, les avancées technologiques ont permis de raffiner les algorithmes et d'améliorer les capacités de calcul, rendant l'IA de plus en plus performante. Aujourd'hui, ces progrès ont culminé dans la démocratisation de l'IA, la rendant accessible au plus grand nombre. Ce parcours historique témoigne de l'ambition humaine à repousser les frontières du possible en matière d'intelligence artificielle.

2010 - 2020

Développement de l'apprentissage profond

L'apprentissage profond est une méthode d'apprentissage automatique qui implique des réseaux de neurones artificiels avec de nombreuses couches. Ces réseaux sont capables de capturer des niveaux de complexité et d'abstraction élevés dans les données. Le fonctionnement de ces réseaux s'inspire du cerveau humain et permet aux machines d'apprendre à partir de grandes quantités de données de manière ​non supervisée​ ou ​semi-supervisée​.