Qu’est-ce que l’intelligence artificielle, vraiment ?Les Clés pour comprendre l’IA — Épisode #01

Comprendre les fondamentaux

« Pour apprendre à utiliser l’intelligence artificielle avec discernement, il faut d’abord comprendre ce que nous appelons réellement intelligence artificielle. »

Elle écrit.

Elle traduit.

Elle génère des images.

Elle résume des documents.

Elle analyse des données.

Elle peut dialoguer avec nous, produire du code, reconnaître des objets dans une image ou nous aider à rechercher une information.

En quelques années, l’intelligence artificielle est devenue omniprésente dans les conversations.

Entreprises, éducation, création, services publics, santé, industrie : pratiquement aucun secteur n’échappe désormais aux interrogations qu’elle suscite.

Pourtant, derrière deux lettres devenues familières — IA — se cachent des technologies, des méthodes et des usages très différents.

Et une question apparemment simple demeure :

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

Commençons par lever un premier malentendu.

Il n’existe pas une intelligence artificielle unique.

Le terme désigne un vaste ensemble de techniques informatiques permettant à des systèmes d’accomplir certaines tâches que nous associons habituellement à des capacités humaines : reconnaître, classer, prévoir, générer, recommander ou encore traiter du langage.

Comprendre cette distinction constitue la première clé pour sortir à la fois de la fascination et de la peur.

L’intelligence artificielle n’est pas née avec ChatGPT

L’explosion récente des intelligences artificielles génératives pourrait donner l’impression que l’IA vient d’apparaître.

En réalité, son histoire est beaucoup plus ancienne.

Le terme Artificial Intelligence s’est installé dans le vocabulaire scientifique au milieu des années 1950.

Depuis, le domaine a connu plusieurs périodes d’enthousiasme, de progrès, de désillusion puis de renouveau.

Pendant longtemps, nous avons d’ailleurs utilisé des systèmes reposant sur l’intelligence artificielle sans nécessairement les identifier comme tels.

Lorsque votre messagerie filtre certains spams.

Lorsqu’un service recommande un contenu.

Lorsqu’un smartphone reconnaît un visage sur une photographie.

Lorsqu’un logiciel détecte une anomalie.

Lorsqu’un système propose un itinéraire.

Des techniques relevant de l’intelligence artificielle peuvent déjà intervenir.

Ce qui a changé récemment n’est donc pas l’existence de l’IA.

C’est notamment sa visibilité, son accessibilité et la capacité de nouveaux systèmes génératifs à interagir directement avec chacun d’entre nous.

Une définition simple

Il n’existe pas une définition unique de l’intelligence artificielle faisant consensus dans tous les contextes.

Pour cette collection, nous pouvons néanmoins retenir une définition volontairement accessible :

L’intelligence artificielle désigne un ensemble de méthodes permettant à des systèmes informatiques de réaliser des tâches nécessitant notamment d’analyser des informations, d’identifier des régularités, de produire des prédictions ou de générer de nouveaux contenus.

Cette définition contient un mot important :

ensemble.

Car lorsque nous parlons d’IA, nous regroupons en réalité de nombreuses approches.

Machine Learning.

Deep Learning.

Vision par ordinateur.

Traitement automatique du langage.

Systèmes de recommandation.

IA générative.

Modèles de langage.

Et bien d’autres.

Dire « l’IA » revient donc un peu à dire « le numérique ».

Le terme est pratique.

Mais il recouvre des réalités extrêmement différentes.

Une IA n’est pas nécessairement un robot

C’est l’une des représentations les plus persistantes.

Lorsque l’on demande de représenter l’intelligence artificielle, apparaissent souvent :

un robot humanoïde ;

un cerveau électronique ;

des circuits lumineux ;

un visage mi-humain, mi-machine.

Ces images sont spectaculaires.

Mais elles peuvent également entretenir une confusion.

Une intelligence artificielle n’a pas besoin d’avoir un corps.

Dans la majorité des cas, elle prend la forme de logiciels et de modèles mathématiques exécutés sur des systèmes informatiques.

Le chatbot avec lequel vous dialoguez n’est pas un robot assis quelque part devant un ordinateur.

Le système qui recommande un produit n’a pas de visage.

L’algorithme qui analyse une image médicale n’a pas besoin d’avoir une apparence humaine.

L’IA est d’abord une technologie de traitement de l’information.

Programme classique et intelligence artificielle : quelle différence ?

Pour comprendre l’IA, une comparaison peut être utile.

Dans une programmation informatique classique, un développeur peut définir explicitement une série de règles.

Par exemple :

SI une condition est remplie ALORS effectuer telle action.

Le comportement du programme résulte directement des instructions qui lui ont été données.

Avec certaines approches d’intelligence artificielle, et notamment le Machine Learning, le principe est différent.

Au lieu d’écrire manuellement toutes les règles nécessaires pour résoudre un problème, nous utilisons des données afin qu’un modèle apprenne des régularités lui permettant ensuite de produire des résultats sur de nouvelles données.

Imaginons que nous souhaitions distinguer des photographies de chats et de chiens.

Écrire manuellement toutes les règles serait extrêmement difficile.

Quelle forme exacte ont les oreilles d’un chat ?

Quelle taille doit avoir son museau ?

Que faire si l’animal est photographié de dos ?

Dans une approche d’apprentissage automatique, on peut entraîner un modèle à partir d’un grand nombre d’exemples afin qu’il apprenne progressivement à distinguer les caractéristiques utiles à cette tâche.

Nous passons alors d’une logique exclusivement fondée sur :

« voici toutes les règles »

à une logique qui peut consister à :

« voici des données et un objectif ; apprenons les régularités utiles à la tâche ».

Comment une machine peut-elle « apprendre » ?

Le mot apprendre mérite ici des guillemets.

Car une machine n’apprend pas comme un enfant, un étudiant ou un professionnel.

Dans le cadre du Machine Learning, apprendre signifie essentiellement ajuster les paramètres d’un modèle à partir de données afin d’améliorer ses performances sur une tâche donnée.

Prenons une représentation très simplifiée.

Nous présentons des exemples au système.

↓

Le modèle produit un résultat.

↓

Ce résultat est comparé à ce qui est attendu selon la méthode d’entraînement.

↓

Les paramètres du modèle sont ajustés.

↓

Le processus est répété de très nombreuses fois.

Progressivement, le système devient plus performant pour la tâche sur laquelle il est entraîné.

Ce mécanisme est très différent de l’apprentissage humain.

Il n’implique pas nécessairement une compréhension du monde comparable à la nôtre.

Alors, une IA est-elle intelligente ?

Tout dépend de ce que nous mettons derrière le mot intelligence.

Une IA peut réaliser certaines tâches avec une efficacité remarquable.

Analyser rapidement de grandes quantités de données.

Identifier certains motifs difficiles à détecter manuellement.

Traduire un texte.

Générer une image.

Prédire certaines valeurs.

Produire du langage.

Mais accomplir une tâche complexe ne signifie pas nécessairement posséder une intelligence générale comparable à celle d’un être humain.

Les systèmes actuels sont principalement conçus ou entraînés pour réaliser certaines catégories de tâches.

Ils peuvent être extrêmement performants dans ces domaines tout en présentant des limites importantes dans d’autres situations.

C’est pourquoi il faut être prudent avec les comparaisons humaines.

Lorsque nous disons :

« l’IA sait »

« l’IA comprend »

« l’IA pense »

nous utilisons souvent des raccourcis de langage.

Ces expressions sont pratiques.

Mais elles peuvent nous conduire à attribuer à la machine des capacités qu’elle ne possède pas nécessairement.

Nous reviendrons précisément sur cette question dans le prochain épisode.

L’arrivée de l’intelligence artificielle générative

Une grande partie de l’intérêt actuel pour l’IA vient d’une catégorie particulière :

l’intelligence artificielle générative.

Contrairement à un système principalement conçu pour classer ou prédire, une IA générative peut produire de nouveaux contenus à partir de ce qu’elle a appris durant son entraînement et du contexte qui lui est fourni.

Du texte.

Des images.

Du son.

De la vidéo.

Du code.

Cette capacité change profondément notre relation à la technologie.

Nous ne nous contentons plus de cliquer sur des menus ou d’utiliser des fonctions prédéfinies.

Nous pouvons formuler une demande en langage naturel :

« Explique-moi ce concept simplement. »

« Résume ce document. »

« Propose trois pistes. »

« Crée une illustration. »

« Aide-moi à structurer cette idée. »

L’interface devient conversationnelle.

Et cette facilité d’utilisation contribue fortement à l’impression que la machine « comprend » réellement ce que nous lui demandons.

La réalité technique est plus complexe.

Que fait un modèle de langage ?

Prenons les grands modèles de langage, ou LLM, qui feront l’objet d’un prochain épisode.

De manière simplifiée, ces modèles ont appris des structures et des régularités du langage à partir de très grandes quantités de données pendant leur entraînement.

Lorsqu’ils génèrent une réponse, ils produisent progressivement une séquence en fonction du contexte et des probabilités apprises.

Cela peut donner des résultats extrêmement cohérents.

Parfois créatifs.

Parfois impressionnants.

Mais cette fluidité comporte un piège :

nous avons naturellement tendance à associer la qualité du langage à la qualité du raisonnement ou à la véracité de l’information.

Or une réponse très bien formulée peut être incorrecte.

C’est l'une des raisons pour lesquelles l’esprit critique reste indispensable.

L’IA ne connaît pas la vérité comme nous l’imaginons

Lorsque nous interrogeons une IA générative, nous pouvons avoir l’impression d’interroger une gigantesque encyclopédie.

Ce n’est pas nécessairement la bonne représentation.

Un modèle génératif peut produire une réponse plausible sans disposer, dans son fonctionnement de base, d’un mécanisme garantissant que chaque affirmation générée est vraie.

C’est ce qui explique notamment le phénomène que l’on appelle communément :

les hallucinations.

Une IA peut produire une information incorrecte avec une formulation parfaitement convaincante.

Elle peut parfois inventer une référence.

Confondre deux informations.

Compléter un manque par une réponse plausible.

C’est pourquoi une règle devrait accompagner tous les usages importants de l’intelligence artificielle :

Une réponse crédible n’est pas nécessairement une réponse exacte.

L’IA n’est ni magique ni autonome

Un autre risque consiste à présenter l’intelligence artificielle comme une force indépendante qui agirait seule.

Derrière chaque système existent pourtant :

des choix humains ;

des données ;

des infrastructures ;

des objectifs ;

des méthodes d’entraînement ;

des interfaces ;

des règles d’utilisation ;

des décisions de déploiement.

Une IA n’arrive jamais dans une organisation sans contexte.

Quelqu’un décide de l’utiliser.

Pour répondre à un besoin.

Avec certaines données.

Dans un processus particulier.

Avec plus ou moins de contrôle humain.

La question intéressante n’est donc pas uniquement :

« Que peut faire l’IA ? »

Mais également :

« Dans quel contexte voulons-nous l’utiliser, pour résoudre quel problème et sous quelles conditions ? »

Un outil puissant n’est pas nécessairement le bon outil

Chez Lian Studio, cette question nous paraît fondamentale.

L’intelligence artificielle ouvre des possibilités remarquables.

Mais son existence ne signifie pas qu’elle constitue systématiquement la meilleure réponse.

Avant d’intégrer de l’IA dans un projet, nous préférons poser quelques questions simples :

Quel problème cherchons-nous à résoudre ?

Pour quels utilisateurs ?

Quelle valeur voulons-nous créer ?

Une IA améliore-t-elle réellement l’expérience ?

Quels sont les risques et les contraintes ?

Comment évaluerons-nous son utilité ?

Parfois, l’intelligence artificielle sera pertinente.

Parfois, une automatisation classique sera suffisante.

Parfois, il faudra simplement améliorer une interface ou repenser un processus.

Innover ne consiste pas à utiliser systématiquement la technologie la plus récente.

Cela consiste à choisir la réponse la plus pertinente.

Pourquoi comprendre l’IA devient essentiel

Nous n’avons pas tous besoin de devenir spécialistes du Machine Learning.

Pas plus que nous n’avons eu besoin de devenir ingénieurs réseau pour utiliser Internet.

En revanche, nous avons progressivement appris à développer une culture numérique.

Comprendre ce qu’est une source fiable.

Protéger certaines informations.

Identifier une tentative de fraude.

Comprendre les logiques des réseaux sociaux.

L’intelligence artificielle nécessite aujourd’hui une démarche comparable.

Une culture de l’IA.

Comprendre suffisamment son fonctionnement pour :

l’utiliser efficacement ;

identifier ses limites ;

questionner ses résultats ;

protéger ses données ;

faire des choix éclairés ;

et décider quand il est préférable de ne pas l’utiliser.

La première clé à retenir 🔑

Si nous devions retenir une seule idée de ce premier épisode, ce serait celle-ci :

L’intelligence artificielle n’est pas une intelligence humaine enfermée dans une machine. C’est un ensemble de technologies capables d’accomplir certaines tâches grâce à des modèles, des données et des méthodes informatiques.

Cette distinction est fondamentale.

Elle nous permet d’éviter deux attitudes opposées.

La première consiste à sous-estimer l’IA :

« Ce n’est qu’un gadget. »

La seconde consiste à lui attribuer des capacités presque illimitées :

« L’IA sait tout et finira par tout faire. »

Entre les deux existe un espace beaucoup plus intéressant.

Celui de la compréhension.

Comprendre avant d’utiliser

C’est précisément l’ambition de cette nouvelle collection de Lian Studio.

🤖 Les Clés pour comprendre l’IA

Chaque semaine, nous partirons d’une question simple.

Qu’est-ce qu’un modèle ?

Comment une machine apprend-elle ?

Qu’est-ce qu’un LLM ?

Pourquoi une IA hallucine-t-elle ?

Qu’est-ce qu’un prompt ?

D’où viennent les biais ?

Que deviennent nos données ?

Quelles tâches pouvons-nous confier à une IA ?

Et lesquelles devrions-nous peut-être conserver ?

Notre objectif ne sera ni de promouvoir l’intelligence artificielle ni de la présenter comme une menace.

Il sera beaucoup plus simple :

donner à chacun les clés permettant de la comprendre suffisamment pour l’utiliser avec discernement.

Car avant de se demander jusqu’où l’intelligence artificielle nous conduira, il serait peut-être utile de commencer par comprendre ce qu’elle est réellement.

Prochain épisode

#02 — Une IA pense-t-elle comme un être humain ?

Nous nous intéresserons à l’une des confusions les plus fascinantes autour de l’intelligence artificielle : pourquoi avons-nous si facilement l’impression qu’une machine qui dialogue avec nous pense, comprend et raisonne comme nous ?

Les Clés pour comprendre l’IA — Lian Studio

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