Les Clés pour comprendre l’IA Algorithme, machine learning, deep learning, IA générative : quelles différences ?

Comprendre le vocabulaire pour mieux comprendre ce que fait réellement l’IA

Algorithme.

Machine Learning.

Deep Learning.

IA générative.

LLM.

Réseaux de neurones.

Depuis l’arrivée massive de l’intelligence artificielle dans nos usages quotidiens, ces termes sont partout.

Dans les médias.

Dans les entreprises.

Dans les formations.

Dans les présentations commerciales.

Et parfois dans une même phrase.

À force de les utiliser, nous pouvons facilement avoir l’impression qu’ils désignent à peu près la même chose.

Pourtant, ce n’est pas le cas.

Un algorithme n’est pas nécessairement une intelligence artificielle.

Le Machine Learning est une approche de l’IA.

Le Deep Learning est lui-même une famille de techniques de Machine Learning.

Et l’IA générative désigne des systèmes capables de produire de nouveaux contenus, souvent grâce à des modèles issus du Deep Learning.

Cela peut sembler compliqué.

En réalité, une fois les concepts correctement rangés, le paysage devient beaucoup plus lisible.

Commençons donc par le commencement.

1. Un algorithme : une méthode pour résoudre un problème

Le mot algorithme est probablement l’un des plus utilisés lorsque nous parlons d’intelligence artificielle.

Mais un algorithme n’est pas, en soi, une intelligence artificielle.

Un algorithme peut être décrit simplement comme :

une suite d’instructions permettant d’obtenir un résultat ou de résoudre un problème.

Prenons un exemple volontairement simple.

Vous souhaitez classer automatiquement des personnes selon leur âge :

Si âge < 18 → mineur

Sinon → majeur

Nous avons défini une règle.

La machine l’applique.

Nous pouvons ajouter davantage de conditions :

Si moins de 12 ans → enfant.

Entre 12 et 17 ans → adolescent.

À partir de 18 ans → adulte.

Nous obtenons un système plus détaillé.

Mais le principe reste identique :

les règles ont été explicitement définies à l’avance.

Les algorithmes existaient bien avant l’IA générative

Les algorithmes sont partout dans l’informatique.

Ils permettent notamment de :

trier des informations ;

effectuer des calculs ;

rechercher des données ;

optimiser un itinéraire ;

compresser un fichier ;

organiser des résultats ;

gérer des transactions ;

faire fonctionner une application.

Ils ne sont donc pas apparus avec ChatGPT ou avec l’intelligence artificielle moderne.

Et surtout :

Tout système d’IA repose sur des algorithmes, mais tout algorithme n’est pas un système d’IA.

C’est notre première distinction importante.

2. L’intelligence artificielle : une grande famille

Prenons maintenant un peu de hauteur.

L’intelligence artificielle est un terme général qui désigne un ensemble de méthodes et de systèmes visant à permettre à des machines de réaliser certaines tâches que nous associons à des capacités intelligentes.

Par exemple :

reconnaître une image ;

interpréter du langage ;

faire une prédiction ;

recommander un contenu ;

planifier certaines actions ;

détecter une anomalie ;

générer du texte.

L’IA constitue donc une grande famille.

À l’intérieur de cette famille, nous trouvons différentes approches.

Et parmi elles :

le Machine Learning.

3. Machine Learning : la machine apprend à partir des données

Imaginons maintenant que nous voulions identifier automatiquement les courriels indésirables.

Avec une approche entièrement fondée sur des règles, nous pourrions écrire :

Si le message contient « GAGNEZ IMMÉDIATEMENT » → suspect.

S’il contient dix liens → suspect.

Si l’expéditeur est inconnu → augmenter le niveau de suspicion.

Cela peut fonctionner.

Mais le nombre de situations possibles devient rapidement considérable.

Et les stratégies utilisées pour contourner les règles évoluent.

Une autre approche consiste alors à fournir au système des exemples.

Voici des messages considérés comme indésirables.

Voici des messages considérés comme légitimes.

À partir de ces données, un modèle peut apprendre des régularités utiles pour distinguer les deux catégories.

Nous entrons dans le Machine Learning, ou apprentissage automatique.

Au lieu de programmer explicitement toutes les règles permettant de produire un résultat, nous entraînons un modèle à partir de données.

Programmer une règle ou apprendre une régularité

Cette différence est fondamentale.

Dans une approche classique simplifiée :

RÈGLES + DONNÉES

↓

RÉSULTAT

Dans une approche d’apprentissage automatique :

DONNÉES + EXEMPLES / OBJECTIF D’APPRENTISSAGE

↓

ENTRAÎNEMENT

↓

MODÈLE

Puis :

NOUVELLES DONNÉES

↓

MODÈLE

↓

PRÉDICTION / RÉSULTAT

Le système n’est donc plus uniquement un ensemble de règles métier écrites manuellement.

Il construit, au cours de son entraînement, un modèle capable d’effectuer certaines prédictions ou classifications.

Un modèle n’apprend pas comme un élève

Le mot « apprendre » peut cependant créer une confusion.

Lorsque nous disons qu’un système de Machine Learning « apprend », cela ne signifie pas qu’il apprend comme un enfant ou un étudiant.

Il ne s’assoit pas devant un cours.

Il ne développe pas nécessairement une compréhension consciente de ce qu’il étudie.

L’apprentissage désigne ici un processus mathématique permettant d’ajuster les paramètres d’un modèle à partir de données afin d’améliorer ses performances sur une tâche.

C’est une distinction importante avec ce que nous avons vu dans notre épisode précédent :

utiliser un vocabulaire humain pour décrire une machine ne signifie pas que son fonctionnement est identique au nôtre.

Où utilise-t-on le Machine Learning ?

Bien avant l’explosion récente de l’IA générative, le Machine Learning était déjà utilisé dans de nombreux domaines.

Par exemple pour :

détecter certaines fraudes ;

recommander des films ou des produits ;

prévoir une demande ;

identifier des anomalies ;

classer des documents ;

analyser certaines images ;

personnaliser des services ;

aider à filtrer les spams.

L’IA ne se résume donc absolument pas aux outils capables de générer du texte ou des images.

Une grande partie de l’IA est prédictive, classificatoire ou analytique plutôt que générative.

4. Deep Learning : apprendre avec des réseaux de neurones profonds

Nous avançons encore d’un niveau.

Le Deep Learning, ou apprentissage profond, est une sous-catégorie du Machine Learning.

Il s’appuie notamment sur des réseaux de neurones artificiels comportant plusieurs couches de traitement.

Le terme « neurone » peut là encore prêter à confusion.

Ces réseaux sont historiquement inspirés, de manière très abstraite, par certaines idées liées au fonctionnement biologique des neurones.

Mais un réseau neuronal artificiel n’est pas un cerveau humain miniature.

Il s’agit d’un système mathématique.

Pourquoi parle-t-on de « profond » ?

Le mot deep, « profond », fait référence à l’utilisation de multiples couches dans le réseau.

De manière très simplifiée :

ENTRÉE

↓

COUCHE

↓

COUCHE

↓

COUCHE

↓

...

↓

SORTIE

Au cours de l’entraînement, les nombreux paramètres du réseau sont ajustés pour permettre au modèle d’effectuer la tâche recherchée.

C’est cette famille de techniques qui a notamment contribué à des avancées majeures dans :

la reconnaissance d’images ;

la reconnaissance vocale ;

le traitement du langage ;

la traduction ;

la génération de contenus.

Prenons une image

Supposons que nous voulions construire un système capable de distinguer un chat d’un chien.

Dans une approche traditionnelle, nous pourrions essayer de programmer des règles :

regarder la forme des oreilles ;

la taille du museau ;

la forme du visage ;

la texture du pelage.

Mais définir manuellement toutes les combinaisons possibles serait extrêmement difficile.

Avec le Deep Learning, nous pouvons entraîner un réseau sur un grand nombre d’images.

Au fil de l’apprentissage, le modèle ajuste ses paramètres afin de construire des représentations utiles à la tâche.

Il devient alors capable d’associer une nouvelle image à une catégorie avec un certain niveau de probabilité.

Pourquoi le Deep Learning a-t-il pris autant d’importance ?

Plusieurs évolutions ont contribué à son développement.

Notamment :

l’augmentation des volumes de données disponibles ;

les progrès des capacités de calcul ;

l’amélioration des architectures et méthodes d’entraînement ;

le développement d’infrastructures adaptées.

Ces évolutions ont permis d’entraîner des modèles beaucoup plus complexes.

Et parmi ces architectures, certaines ont joué un rôle particulièrement important dans l’essor récent de l’intelligence artificielle générative.

5. IA générative : produire plutôt que seulement classer

Nous arrivons maintenant à la notion qui a fait entrer l’IA dans le quotidien d’un très grand nombre de personnes :

l’intelligence artificielle générative.

Une IA générative est conçue pour générer de nouveaux contenus à partir des régularités apprises pendant son entraînement et du contexte qui lui est fourni.

Elle peut produire :

du texte ;

des images ;

du son ;

de la musique ;

de la vidéo ;

du code ;

des données synthétiques.

C’est une différence importante avec de nombreux systèmes d’IA traditionnels.

Prédire ou générer ?

Prenons une photographie.

Un système de classification pourrait répondre :

« Cette image contient un chien. »

Un système génératif pourrait recevoir cette instruction :

« Génère l’image d’un chien portant des lunettes dans une bibliothèque. »

Dans le premier cas, le système analyse et classe une donnée existante.

Dans le second, il produit un nouveau contenu.

Autre exemple.

Une IA prédictive pourrait estimer :

« Ce client présente une probabilité élevée de résiliation. »

Une IA générative pourrait produire :

« Rédige trois propositions de messages adaptés pour reprendre contact avec ce client. »

Les deux relèvent de l’intelligence artificielle.

Mais leurs fonctions ne sont pas les mêmes.

6. Et les LLM dans tout cela ?

Lorsque nous parlons d’IA générative textuelle, nous rencontrons rapidement un autre acronyme :

LLM — Large Language Model

ou grand modèle de langage.

Un LLM est un modèle entraîné sur de grandes quantités de données textuelles et capable de traiter et générer du langage.

Les modèles modernes s’appuient notamment sur des architectures de Deep Learning.

Ils apprennent des régularités extrêmement complexes dans les données.

Relations entre les mots.

Structures grammaticales.

Associations.

Styles.

Contextes.

Formes de raisonnement présentes dans les données.

Ils peuvent ensuite utiliser ces représentations pour générer une réponse adaptée au contexte fourni.

C’est ce qui permet des usages comme :

résumer ;

reformuler ;

traduire ;

expliquer ;

classifier ;

extraire des informations ;

générer du code ;

produire un brouillon ;

analyser un document ;

dialoguer.

Pourquoi un LLM semble-t-il savoir autant de choses ?

C’est précisément ce qui peut être déroutant.

Un grand modèle de langage peut produire une réponse pertinente sur :

l’histoire ;

le management ;

la programmation ;

la pédagogie ;

le marketing ;

les sciences ;

la littérature.

Cette polyvalence donne facilement l’impression d’une immense base de connaissances qui chercherait simplement la bonne réponse.

Le fonctionnement est plus complexe.

Comme nous l’avons vu dans l’épisode #02, produire une réponse extrêmement convaincante ne signifie pas penser ou comprendre exactement comme un humain.

Et cela explique également pourquoi un modèle peut produire une réponse fluide, détaillée, parfaitement structurée...

et néanmoins erronée.

Nous reviendrons précisément sur ce phénomène dans un prochain épisode consacré aux hallucinations.

7. Une représentation simple pour tout remettre en ordre

Nous pouvons maintenant organiser les notions.

Imaginez plusieurs ensembles imbriqués :

INTELLIGENCE ARTIFICIELLE

La grande famille.

À l’intérieur :

MACHINE LEARNING

Des systèmes qui apprennent des régularités à partir de données.

À l’intérieur du Machine Learning :

DEEP LEARNING

Des méthodes reposant sur des réseaux de neurones profonds.

Puis, dans l’écosystème contemporain :

IA GÉNÉRATIVE

Des modèles conçus pour générer de nouveaux contenus, dont beaucoup s’appuient sur des techniques de Deep Learning.

Et parmi les modèles génératifs :

LLM

Des grands modèles spécialisés dans le traitement et la génération du langage.

La représentation n’est pas parfaite pour décrire toute la diversité du domaine, mais elle constitue une bonne carte mentale pour commencer.

Attention : tout ne s’emboîte pas parfaitement

Il serait tentant de dessiner uniquement ceci :

IA

↓

Machine Learning

↓

Deep Learning

↓

IA générative

↓

LLM

Cette représentation est pédagogique, mais elle simplifie excessivement la réalité.

Pourquoi ?

Parce que l’IA générative ne constitue pas simplement un niveau supplémentaire dans une hiérarchie unique.

Elle décrit plutôt un type de capacité : générer du contenu.

De même, toutes les formes d’intelligence artificielle ne reposent pas nécessairement sur le Machine Learning.

Et toutes les techniques de Machine Learning ne reposent pas sur le Deep Learning.

La bonne représentation ressemble donc davantage à des familles qui se recouvrent et s’articulent qu’à une simple échelle.

Cette nuance est importante.

8. Et ChatGPT, alors ?

Prenons un outil connu pour appliquer notre grille de lecture.

ChatGPT est une application conversationnelle utilisant des modèles d’intelligence artificielle.

Les modèles de langage qui permettent notamment de générer du texte appartiennent à la famille des LLM.

Ces modèles sont issus de techniques de Deep Learning.

Le Deep Learning appartient au champ plus large du Machine Learning.

Et le Machine Learning constitue lui-même une partie du domaine de l’intelligence artificielle.

Nous pouvons donc remonter progressivement :

APPLICATION

ChatGPT

↓

MODÈLE

LLM

↓

CAPACITÉ

IA générative

↓

TECHNIQUES

Deep Learning

↓

DOMAINE

Machine Learning

↓

GRANDE FAMILLE

Intelligence artificielle

Cette distinction entre application, modèle et technologie est particulièrement utile.

Une application d’IA n’est pas nécessairement un modèle d’IA

C’est une confusion fréquente.

Lorsque nous utilisons une application intégrant de l’intelligence artificielle, nous ne dialoguons pas nécessairement directement avec « l’IA » comme un objet unique.

Une solution peut combiner :

une interface utilisateur ;

un ou plusieurs modèles ;

des bases de données ;

des moteurs de recherche ;

des règles métier ;

des API ;

des systèmes de sécurité ;

des outils externes ;

des algorithmes classiques.

L’expérience que nous appelons « IA » peut donc être un système composé de nombreuses briques différentes.

Cette distinction devient essentielle lorsqu’une entreprise souhaite intégrer l’intelligence artificielle dans ses propres outils.

9. Pourquoi comprendre ces différences en entreprise ?

On pourrait penser qu’il s’agit uniquement de vocabulaire technique.

En réalité, ces distinctions ont des conséquences très concrètes.

Supposons qu’une entreprise dise :

« Nous avons besoin d’IA. »

Cette formulation ne dit presque rien sur le besoin.

Souhaite-t-elle :

prévoir une demande ?

détecter une anomalie ?

classer automatiquement des documents ?

recommander une action ?

générer du texte ?

interroger une base documentaire ?

automatiser une partie d’un processus ?

créer un assistant conversationnel ?

Selon le problème, les technologies, les données nécessaires, les coûts, les risques et les modalités d’évaluation seront très différents.

La bonne question n’est donc pas :

« Quelle IA devons-nous utiliser ? »

Mais d’abord :

« Quelle tâche voulons-nous améliorer ou quelle problématique voulons-nous résoudre ? »

10. Un marteau très puissant reste un marteau

L’IA générative est aujourd’hui tellement visible qu’elle peut créer un autre biais :

vouloir l’utiliser partout.

Parce qu’un LLM peut faire beaucoup de choses, nous pouvons être tentés de lui confier des tâches pour lesquelles d’autres approches seraient :

plus simples ;

moins coûteuses ;

plus rapides ;

plus contrôlables ;

plus fiables.

Si une règle métier simple permet de résoudre parfaitement un problème, avons-nous réellement besoin d’un modèle génératif ?

Pas nécessairement.

Si un algorithme classique répond au besoin, utiliser un modèle complexe ne rend pas automatiquement la solution meilleure.

C’est un principe que nous retrouvons plus largement dans notre démarche chez Lian Studio :

Nous ne devrions pas partir de la technologie pour chercher ensuite un problème auquel l’appliquer.

Nous devrions partir du besoin.

Puis choisir l’outil approprié.

11. Et dans la formation ?

Cette distinction devient également importante dans les usages pédagogiques.

Imaginons que nous souhaitions personnaliser une expérience d’apprentissage.

Nous pourrions utiliser :

des règles simples pour orienter l’apprenant selon ses réponses ;

du Machine Learning pour identifier certaines tendances ;

un système de recommandation pour proposer des ressources ;

un LLM pour générer une explication contextualisée ;

une IA générative pour simuler un dialogue ;

ou plusieurs de ces approches ensemble.

Dire simplement :

« Nous allons mettre de l’IA dans la formation »

ne décrit donc pas réellement le dispositif.

La question pédagogique reste :

Que voulons-nous permettre à l’apprenant de faire que la technologie peut réellement améliorer ?

12. Le risque du vocabulaire magique

Les technologies traversent régulièrement des périodes où certains mots deviennent presque magiques.

« Digital ».

« Big Data ».

« Blockchain ».

« Métavers ».

Aujourd’hui :

« IA ».

Le problème apparaît lorsque le mot commence à remplacer l’explication.

« Notre solution utilise l’IA. »

Très bien.

Mais laquelle ?

Pour faire quoi ?

À partir de quelles données ?

Avec quelles limites ?

Quel contrôle ?

Quel bénéfice par rapport à une solution plus simple ?

Comprendre le vocabulaire permet donc aussi de mieux questionner les promesses technologiques.

Et c’est précisément l’un des objectifs d’une culture de l’IA.

13. Faut-il devenir expert technique pour utiliser l’IA ?

Non.

De la même manière que nous pouvons utiliser Internet sans connaître précisément le fonctionnement de TCP/IP, nous pouvons utiliser des outils d’intelligence artificielle sans devenir spécialistes du Deep Learning.

Mais comprendre quelques notions fondamentales change beaucoup de choses.

Cela permet de mieux distinguer :

un outil ;

un modèle ;

une fonctionnalité ;

une technologie ;

une promesse marketing.

Et surtout de poser de meilleures questions.

Que fait réellement le système ?

Sur quoi repose-t-il ?

Que peut-il produire ?

Que ne peut-il pas garantir ?

Quelle supervision humaine faut-il conserver ?

C’est cette culture générale de l’IA que nous cherchons à construire avec cette collection.

Une carte mentale en cinq notions

Si vous deviez expliquer cet épisode à quelqu’un en deux minutes, vous pourriez utiliser cette grille.

ALGORITHME

Des instructions pour résoudre un problème.

↓

MACHINE LEARNING

Des modèles qui apprennent des régularités à partir de données.

↓

DEEP LEARNING

Une famille de techniques de Machine Learning reposant sur des réseaux de neurones profonds.

↓

IA GÉNÉRATIVE

Des systèmes capables de générer de nouveaux contenus.

↓

LLM

De grands modèles de langage capables de traiter et générer du texte et, selon les modèles, d’autres modalités.

Avec une règle importante :

Cette représentation aide à comprendre les relations, mais la réalité n’est pas une simple succession de boîtes parfaitement emboîtées.

La clé à retenir 🔑

S’il fallait conserver une seule idée de cet épisode, ce serait celle-ci :

L’intelligence artificielle est une grande famille de technologies et de méthodes. Machine Learning, Deep Learning et IA générative ne sont ni synonymes ni concurrents : ils décrivent différentes approches, techniques ou capacités au sein de cet écosystème.

Et comprendre ces différences permet de poser une question beaucoup plus intéressante que :

« Est-ce que cela utilise de l’IA ? »

Nous pouvons demander :

« Quelle technologie est utilisée, pour accomplir quelle tâche, et pourquoi est-elle pertinente ici ? »

C’est une question beaucoup plus utile.

Pour un utilisateur.

Pour un enseignant.

Pour une entreprise.

Et pour un décideur.

Comprendre avant d’utiliser

Depuis le début de cette collection, nous avançons progressivement.

Dans l’épisode #01, nous avons posé une première question :

Qu’est-ce que l’intelligence artificielle, vraiment ?

Dans l’épisode #02 :

Une IA pense-t-elle comme un être humain ?

Avec cet épisode #03, nous commençons à ouvrir la machine pour mieux comprendre les grandes familles qui composent ce que nous appelons aujourd’hui « l’IA ».

Et cette progression est volontaire.

Car notre objectif n’est pas de transformer chacun en ingénieur.

Il est de permettre à chacun de construire progressivement une représentation suffisamment juste de ces technologies pour pouvoir les utiliser, les questionner et décider avec discernement.

🤖 Les Clés pour comprendre l’IA

Épisode #03

Algorithme, Machine Learning, Deep Learning, IA générative : quelles différences ?

Avec Les Clés pour comprendre l’IA, Lian Studio propose une approche progressive et accessible de l’intelligence artificielle.

Pas seulement pour apprendre à utiliser de nouveaux outils.

Mais pour comprendre :

ce qu’ils font ;comment ils fonctionnent ;ce qu’ils permettent ;où se trouvent leurs limites ;et comment les intégrer intelligemment dans nos usages.

La question à garder en tête

La prochaine fois qu’une solution vous sera présentée comme étant « alimentée par l’IA », ne vous arrêtez peut-être pas à cette expression.

Demandez simplement :

« Quelle IA, pour faire quoi ? »

La conversation deviendra immédiatement beaucoup plus intéressante.

Les Clés pour comprendre l’IA — Lian Studio

Comprendre la technologie. Questionner les usages. Garder l’humain au centre.