Comprendre l'IA sans jargon.
Qu'est-ce qu'une intelligence artificielle ? Comment apprend-elle ? Pourquoi se trompe-t-elle ? Une entrée en matière claire, illustrée et accessible, pour saisir les grandes idées sans avoir besoin d'un bagage technique.
Les grandes familles d'intelligence artificielle.
Il n'existe pas « une » IA, mais plusieurs approches qui coexistent et se complètent.
IA symbolique
Des systèmes qui raisonnent à partir de règles logiques écrites par des experts. Historiquement la première approche de l'IA.
Apprentissage automatique
Le machine learning : la machine apprend des régularités à partir d'exemples plutôt que de règles explicites. C'est la base de l'IA moderne.
IA générative
Capable de produire du texte, des images, du son ou du code inédits. Les grands modèles de langage (LLM) en font partie.
IA de confiance
Des systèmes conçus pour être explicables, robustes, respectueux des données personnelles et alignés avec l'intérêt général.
Six notions à connaître avant de démarrer.
Donnée
La matière première de l'IA. Sans données de qualité, pas d'apprentissage possible. La donnée peut être texte, image, son, mesure…
Modèle
Le résultat d'un apprentissage. C'est ce qui reçoit une entrée (question, image) et produit une sortie (réponse, classement).
Entraînement
La phase pendant laquelle le modèle « ajuste » des millions de paramètres pour mieux prédire à partir des exemples fournis.
Prompt
L'instruction en langage naturel donnée à une IA générative. Bien formulé, il oriente fortement la qualité du résultat.
Hallucination
Quand une IA génère une réponse plausible mais fausse. C'est l'une des principales limites des modèles génératifs actuels.
Agent IA
Un système capable d'enchaîner des actions pour atteindre un objectif, en utilisant des outils, des données et un raisonnement en plusieurs étapes.
Cinq idées à garder en tête.
- 01
L'IA n'est pas magique : elle repose sur des mathématiques, des données et beaucoup de puissance de calcul.
- 02
Elle est spécialisée : un modèle excellent pour rédiger n'est pas forcément bon pour raisonner ou calculer.
- 03
Elle se trompe : les hallucinations et biais font partie du fonctionnement, il faut savoir vérifier ses résultats.
- 04
Elle apprend de nous : la qualité et la diversité des données humaines conditionnent celles des sorties.
- 05
Elle a des coûts : énergétiques, environnementaux, humains — à considérer dans chaque projet.