Qu'est-ce que l'intelligence artificielle ?

L'intelligence artificielle (IA) est une technologie qui permet aux ordinateurs et aux machines de simuler l'apprentissage humain, la compréhension, la résolution de problèmes, la prise de décision, la créativité et l'autonomie.

Les applications et les dispositifs dotés d'intelligence artificielle peuvent voir et reconnaître des objets. Ils sont capables de comprendre le langage humain et d'y réagir, d'apprendre à partir de nouvelles informations et expériences, et de formuler des recommandations détaillées à l'intention des utilisateurs et des experts. Ils peuvent également agir de manière autonome, se substituant ainsi à l'intelligence ou à l'intervention humaine (la voiture autonome en étant l'exemple classique).

Toutefois, en 2024, la plupart des chercheurs en intelligence artificielle, des professionnels du secteur et des actualités s'y rapportant se concentrent sur les avancées de l'intelligence artificielle générative (Gen AI), une technologie capable de créer des textes, des images, des vidéos et d'autres contenus originaux. Pour bien comprendre l'intelligence artificielle générative, il est essentiel de saisir d'abord les technologies qui sous-tendent ses outils, à savoir l'apprentissage automatique (ML) et l'apprentissage profond (deep learning).

Apprentissage automatique (Machine Learning)

Une manière simple d'envisager l'intelligence artificielle consiste à la considérer comme une série de concepts imbriqués ou dérivés, apparus sur une période de plus de 70 ans :

Directement sous l'égide de l'intelligence artificielle, on trouve l'apprentissage automatique (machine learning), qui consiste à créer des modèles en entraînant un algorithme à effectuer des prédictions ou à prendre des décisions fondées sur des données ; il englobe un large éventail de techniques permettant aux ordinateurs d'apprendre à partir de données et d'en tirer des informations sans avoir été explicitement programmés pour des tâches spécifiques.

Il existe de nombreux types de techniques ou d'algorithmes d'apprentissage automatique, notamment la régression linéaire, la régression logistique, les arbres de décision, les forêts aléatoires, les machines à vecteurs de support (SVM), l'algorithme des k-plus proches voisins (KNN), le regroupement (clustering), entre autres. Chacune de ces méthodes est adaptée à différents types de problèmes et de données.

L'un des types d'algorithmes d'apprentissage automatique les plus célèbres est le réseau de neurones (ou réseau de neurones artificiel) ; ces réseaux sont modélisés d'après la structure et le fonctionnement du cerveau humain. Un réseau de neurones se compose de couches interconnectées de nœuds (agissant comme des neurones) qui collaborent pour traiter et analyser des données complexes. Ces réseaux sont particulièrement adaptés aux tâches impliquant l'identification de modèles et de relations complexes au sein de vastes volumes de données.

La forme la plus simple d'apprentissage automatique est appelée « apprentissage supervisé » (Supervised Learning) ; elle consiste à utiliser des ensembles de données étiquetées pour entraîner des algorithmes à classer des données ou à prédire des résultats avec précision. Dans ce type d'apprentissage, des humains associent chaque exemple d'entraînement à une sortie étiquetée. L'objectif est que le modèle apprenne la relation entre les entrées et les sorties au sein des données d'entraînement, afin de pouvoir prédire les résultats pour de nouvelles données inédites.

Apprentissage profond (Deep Learning)

L'apprentissage profond est un sous-domaine de l'apprentissage automatique qui utilise des réseaux de neurones multicouches, appelés réseaux de neurones profonds, lesquels imitent étroitement la capacité complexe du cerveau humain à prendre des décisions.

Les réseaux de neurones profonds comprennent une couche d'entrée, au moins trois couches cachées (souvent des centaines) et une couche de sortie, contrairement aux réseaux de neurones utilisés dans les modèles classiques d'apprentissage automatique, qui ne comportent généralement qu'une ou deux couches cachées.

Ces multiples couches permettent l'apprentissage non supervisé : elles peuvent automatiser l'extraction de caractéristiques à partir de vastes ensembles de données non étiquetées et non structurées, et formuler leurs propres prédictions quant à ce que ces données représentent.

Comme l'apprentissage profond ne nécessite pas d'intervention humaine, il permet un apprentissage automatique à très grande échelle. Il est particulièrement adapté au traitement du langage naturel (NLP), à la vision par ordinateur et à d'autres tâches impliquant l'identification rapide et précise de modèles et de relations complexes au sein de vastes volumes de données. La plupart des applications d'intelligence artificielle de notre quotidien reposent sur une forme d'apprentissage profond.

L'apprentissage profond permet également de :

1. L'apprentissage semi-supervisé , qui combine l'apprentissage supervisé et non supervisé en utilisant des données étiquetées et non étiquetées pour entraîner des modèles d'intelligence artificielle à des tâches de classification et de régression.
2. L'apprentissage auto-supervisé , qui génère des étiquettes implicites à partir de données non structurées, au lieu de s'appuyer sur des jeux de données étiquetés pour les signaux de supervision.
3. L'apprentissage par renforcement , qui apprend par essais et erreurs et grâce à des fonctions de récompense, plutôt qu'en extrayant des informations à partir de modèles cachés.
4. L'apprentissage par transfert , où les connaissances acquises lors d'une tâche ou à partir d'un jeu de données sont utilisées pour améliorer les performances d'un modèle sur une autre tâche connexe ou sur un jeu de données différent.

Intelligence artificielle générative (IA générative)

L'intelligence artificielle générative, parfois appelée « Gen AI », désigne des modèles d'apprentissage profond capables de créer du contenu original et complexe — tels que des textes longs, des images de haute qualité, des vidéos oudes audios réalistes , et bien plus encore — en réponse à une instruction ou à une demande de l'utilisateur.

En général, les modèles génératifs encodent une représentation simplifiée de leurs données d'entraînement, puis utilisent cette représentation pour créer une nouvelle œuvre similaire aux données originales, sans toutefois leur être identique.

Les modèles génératifs sont utilisés depuis des années en statistique pour analyser des données numériques. Toutefois, au cours de la dernière décennie, ils ont évolué pour permettre l'analyse et la génération de types de données plus complexes. Cette évolution a coïncidé avec l'émergence de trois types avancés de modèles d'apprentissage profond :

1. Les auto-encodeurs variationnels (VAE) , introduits en 2013, ont permis aux modèles de générer diverses formes de contenu en réponse à une consigne ou à des instructions.
2. Les modèles de diffusion (Diffusion Models) , apparus pour la première fois en 2014, ajoutent du « bruit » aux images jusqu'à ce qu'elles deviennent indiscernables, puis éliminent ce bruit pour générer des images originales en réponse à des instructions (prompts).
3. Les « Transformers » sont entraînés sur des données séquentielles pour générer de longues séquences de contenu (telles que des mots dans des phrases, des formes dans une image, des images dans une vidéo ou des instructions dans du code informatique). Ils constituent le cœur de la plupart des outils d'intelligence artificielle générative qui font l'actualité aujourd'hui, notamment ChatGPT, GPT-4, Copilot, Gemini, entre autres.

Comment fonctionne l'intelligence artificielle générative

De manière générale, l'intelligence artificielle générative fonctionne en trois étapes :

1. L'entraînement , pour créer un modèle de fondation.
2. Le réglage , pour adapter le modèle à une application spécifique.
3. Génération, évaluation et ajustement supplémentaire , pour améliorer la précision.

La formation

L'intelligence artificielle générative repose sur un « modèle de fondation » ; il s'agit d'un modèle d'apprentissage profond qui sert de base à divers types d'applications d'intelligence artificielle générative.

Les modèles de fondation les plus répandus aujourd'hui sont les grands modèles de langage (LLM) , conçus pour des applications de génération de texte. Toutefois, il existe également des modèles de fondation destinés à la génération d'images, de vidéos, d'audio ou de musique, ainsi que des modèles multimodaux capables de prendre en charge plusieurs types de contenu.

Pour créer un modèle de fondation, les praticiens entraînent un algorithme d'apprentissage profond sur des volumes massifs de données brutes, non structurées, non étiquetées et pertinentes — telles que des téraoctets ou des pétaoctets de textes, d'images ou de vidéos provenant d'Internet. Cet entraînement aboutit à un réseau de neurones doté de milliards de paramètres représentant des codages d'entités, de modèles et de relations au sein des données, capable de générer du contenu de manière autonome en réponse à des instructions (prompts). C'est ce que l'on appelle un modèle de fondation.

Ce processus d'entraînement nécessite une puissance de calcul colossale, prend beaucoup de temps et s'avère extrêmement coûteux. Il requiert des milliers d'unités de traitement graphique (GPU) combinées ainsi que des semaines de traitement, le tout pour un coût se chiffrant généralement en millions de dollars. Les projets de modèles fondamentaux open source, tels que Llama-2 de Meta, permettent aux développeurs d'IA générative de faire l'économie de cette étape et des coûts qu'elle engendre.

Réglage

Ensuite, le modèle doit être ajusté pour une tâche spécifique de génération de contenu. Cela peut être réalisé de différentes manières, notamment :

1. Le réglage fin (fine-tuning) , qui consiste à fournir au modèle des données annotées spécifiques à l'application, des questions ou des invites (prompts) susceptibles d'être reçues par l'application, ainsi que les réponses correctes correspondantes dans le format requis.
2. L'apprentissage par renforcement à partir de rétroaction humaine (RLHF) , où des utilisateurs humains évaluent la précision ou la pertinence des résultats d'un modèle afin de lui permettre de s'améliorer. Cela peut être aussi simple que des personnes saisissant ou énonçant des corrections à l'intention d'un chatbot ou d'un assistant virtuel.

Génération, évaluation et ajustement supplémentaire

Les développeurs et les utilisateurs évaluent régulièrement les résultats de leurs applications génératives et continuent d'ajuster le modèle, parfois jusqu'à une fois par semaine, afin d'en accroître la précision ou la pertinence. En revanche, le modèle de base lui-même est mis à jour moins fréquemment, peut-être tous les ans ou tous les 18 mois.

Une autre option pour améliorer les performances d'une application d'IA générative est la génération augmentée par récupération (RAG) , une technique qui étend le modèle de base en utilisant des sources pertinentes extérieures aux données d'entraînement, afin d'affiner les résultats pour une précision ou une pertinence accrues.

Agents d'IA et IA agentique

Un agent d'intelligence artificielle (agent IA) est un programme autonome capable d'accomplir des tâches et d'atteindre des objectifs pour le compte d'un utilisateur ou d'un autre système sans intervention humaine, en concevant son propre flux de travail et en utilisant les outils disponibles (applications ou autres services).

L'IA agentique (Agentic AI) est un système composé de plusieurs agents d'intelligence artificielle dont les efforts sont coordonnés pour accomplir une tâche plus complexe, ou atteindre un objectif plus vaste, que ce qu'un seul agent du système pourrait réaliser.

Contrairement aux chatbots et autres modèles d'intelligence artificielle qui opèrent dans des limites prédéfinies et nécessitent une intervention humaine, les agents d'IA et l'IA « agentique » font preuve d'autonomie, d'un comportement orienté vers des objectifs et d'une capacité d'adaptation à des conditions changeantes. Les termes « agent » et « agentique » renvoient à la capacité d'agir (ou « agency ») de ces modèles, c'est-à-dire leur aptitude à agir de manière autonome et intentionnelle.

Une façon d'envisager les agents est de les considérer comme l'étape naturelle suivant l'intelligence artificielle générative. Alors que les modèles génératifs se concentrent sur la création de contenu à partir de schémas appris, les agents utilisent ce contenu pour interagir entre eux et avec d'autres outils afin de prendre des décisions, résoudre des problèmes et accomplir des tâches. Par exemple, une application d'IA générative pourrait vous indiquer le meilleur moment pour gravir l'Everest en fonction de votre emploi du temps ; un agent, en revanche, pourrait non seulement vous fournir cette information, mais aussi utiliser un service de voyage en ligne pour réserver le vol le plus adapté et une chambre dans l'hôtel idéal au Népal.

Les avantages de l'intelligence artificielle

L'intelligence artificielle offre de nombreux avantages dans divers secteurs et applications. Parmi les avantages les plus courants, on peut citer :

1. Automatisation des tâches répétitives.
2. Des insights plus nombreux et plus rapides à partir des données.
3. Renforcer le processus de prise de décision.
4. Moins d'erreurs humaines.
5. Disponibilité 24h/24 et 7j/7.
6. Réduire les risques matériels.

Automatisation des tâches répétitives

L'intelligence artificielle permet d'automatiser des tâches routinières, répétitives et souvent fastidieuses, qu'il s'agisse de tâches numériques — telles que la collecte, la saisie et le traitement de données — ou de tâches physiques, comme la préparation de commandes en entrepôt et les processus de fabrication. Cette automatisation libère les travailleurs, leur permettant de se concentrer sur des activités plus créatives et à plus forte valeur ajoutée.

Renforcer le processus de prise de décision

Qu'il soit utilisé pour l'aide à la décision ou pour une prise de décision entièrement automatisée, l'intelligence artificielle permet d'établir des prévisions plus rapides et plus précises, ainsi que de prendre des décisions fiables fondées sur les données. Associée à l'automatisation, elle permet aux entreprises de saisir des opportunités et de réagir aux crises dès leur apparition, en temps réel et sans intervention humaine.

Moins d'erreurs humaines

L'intelligence artificielle peut réduire les erreurs humaines de diverses manières : en guidant les personnes à travers les étapes correctes d'un processus, en signalant les erreurs potentielles avant qu'elles ne surviennent, et en automatisant entièrement les opérations sans intervention humaine. Cela revêt une importance particulière dans des secteurs tels que la santé où, par exemple, les robots chirurgicaux guidés par l'intelligence artificielle garantissent une précision constante.

Disponibilité 24h/24 et cohérence

L'intelligence artificielle fonctionne en permanence, est disponible 24 heures sur 24 et offre des performances constantes à chaque utilisation. Des outils tels que les chatbots ou les assistants virtuels peuvent alléger la charge de travail du personnel affecté au service client ou au support. Dans d'autres domaines, comme la manutention ou les lignes de production, l'intelligence artificielle peut contribuer à maintenir la qualité du travail et les niveaux de production lorsqu'elle est utilisée pour accomplir des tâches répétitives ou fastidieuses.

Réduction des risques matériels

En automatisant des tâches dangereuses — telles que la maîtrise d'animaux, la manipulation d'explosifs ou l'intervention en eaux profondes, en haute altitude ou dans l'espace — l'intelligence artificielle peut éliminer la nécessité d'exposer les travailleurs à des risques de blessure, voire pire. Bien qu'elles ne soient pas encore parfaites, les voitures autonomes et autres véhicules offrent la possibilité de réduire les risques de blessure pour les passagers.

Cas d'utilisation de l'intelligence artificielle

Les applications concrètes de l'intelligence artificielle sont nombreuses. Voici un petit aperçu de cas d'usage dans divers secteurs pour illustrer son potentiel :

Expérience client, service et support

Les entreprises peuvent déployer des chatbots et des assistants virtuels basés sur l'intelligence artificielle pour gérer les demandes des clients, les tickets de support, et bien plus encore. Ces outils exploitent le traitement du langage naturel (NLP) et les capacités de l'IA générative pour comprendre et traiter les questions des clients concernant le statut des commandes, les détails des produits et les politiques de retour.

Détection de la fraude

Les algorithmes d'apprentissage automatique et d'apprentissage profond peuvent analyser les modèles de transactions et signaler des anomalies — telles que des dépenses inhabituelles ou des lieux de connexion inconnus — indiquant des transactions frauduleuses. Cela permet aux organisations de réagir plus rapidement aux fraudes potentielles et d'en limiter l'impact.

Marketing personnalisé

Les détaillants, les banques et autres entreprises en contact avec la clientèle peuvent recourir à l'intelligence artificielle pour créer des expériences client personnalisées et des campagnes marketing capables de satisfaire les clients, d'augmenter les ventes et de prévenir la perte de clientèle.

Ressources humaines et recrutement

Les plateformes de recrutement basées sur l'intelligence artificielle peuvent simplifier le processus d'embauche en examinant les CV, en faisant correspondre les candidats aux descriptions de poste et même en menant des entretiens préliminaires grâce à l'analyse vidéo.

Développement et mise à jour d'applications

Les outils de génération de code basés sur l'intelligence artificielle et les outils d'automatisation peuvent simplifier les tâches de codage répétitives liées au développement d'applications, ainsi qu'accélérer la migration et la modernisation des applications existantes à grande échelle.

Maintenance prédictive

Les modèles d'apprentissage automatique peuvent analyser les données provenant de capteurs, d'appareils IoT et de technologies opérationnelles (OT) pour prédire le moment où une maintenance est nécessaire et anticiper les pannes d'équipement avant qu'elles ne surviennent.

Défis et risques de l'intelligence artificielle

Les entreprises se livrent à une course pour tirer parti des dernières technologies d'intelligence artificielle et de leurs nombreux avantages. Cette adoption rapide est essentielle, mais la mise en œuvre et la maintenance des flux de travail liés à l'intelligence artificielle s'accompagnent de défis et de risques.

Risques liés aux données

Les systèmes d'intelligence artificielle reposent sur des ensembles de données susceptibles d'être exposés à l'empoisonnement des données, à la manipulation des données, aux biais dans les données ou à des cyberattaques pouvant entraîner des violations de données.

Risques liés aux modèles

Des acteurs malveillants peuvent cibler les modèles d'intelligence artificielle en vue de les voler, de les soumettre à une ingénierie inverse ou de les manipuler de manière non autorisée.

Risques opérationnels

À l'instar de toutes les technologies, les modèles sont exposés à des risques opérationnels tels que la dérive du modèle, les biais et les défaillances de la structure de gouvernance.

Les risques éthiques et juridiques

Si les organisations ne donnent pas la priorité à la sécurité et à l'éthique lors du développement et du déploiement de systèmes d'intelligence artificielle, elles risquent de porter atteinte à la vie privée et de produire des résultats biaisés.

Éthique et gouvernance de l'intelligence artificielle

L'éthique de l'intelligence artificielle est un domaine pluridisciplinaire qui étudie comment optimiser l'impact bénéfique de l'intelligence artificielle tout en minimisant les risques et les conséquences négatives. Les principes de l'éthique de l'intelligence artificielle sont mis en œuvre par le biais d'un système de gouvernance garantissant que les outils et systèmes d'intelligence artificielle demeurent sûrs et éthiques.

Les valeurs courantes associées à l'éthique de l'intelligence artificielle et à l'intelligence artificielle responsable comprennent :

Explicabilité et interprétabilité

Avec les progrès de l'intelligence artificielle, les humains sont confrontés au défi de comprendre comment un algorithme parvient à un résultat. L'intelligence artificielle explicable désigne un ensemble de processus et de méthodes permettant aux utilisateurs d'interpréter et de comprendre les résultats des algorithmes, ainsi que de leur faire confiance.

Équité et inclusion

Bien que l'apprentissage automatique soit, par nature, une forme de discrimination statistique, cette discrimination devient inacceptable lorsqu'elle confère un avantage systématique aux groupes privilégiés et place les groupes non privilégiés dans une situation défavorable.

Robustesse et sécurité

L'intelligence artificielle robuste gère efficacement les circonstances exceptionnelles, telles que les anomalies dans les données d'entrée ou les attaques malveillantes, sans causer de dommages involontaires.

Redevabilité et transparence

Les organisations doivent mettre en place des responsabilités et des structures de gouvernance claires. En outre, les utilisateurs doivent être en mesure de voir comment fonctionne le service d'intelligence artificielle, d'évaluer ses fonctionnalités et de comprendre ses points forts ainsi que ses limites.

Confidentialité et conformité

De nombreux cadres réglementaires, y compris le Règlement général sur la protection des données (RGPD), imposent aux organisations de respecter certains principes de confidentialité lors du traitement des informations personnelles.

Intelligence artificielle faible contre intelligence artificielle forte

Afin de situer l'utilisation de l'intelligence artificielle selon différents niveaux de complexité, les chercheurs ont identifié plusieurs types d'intelligence artificielle :

Intelligence artificielle faible (Weak AI) : également connue sous le nom d'« intelligence artificielle étroite », elle désigne les systèmes d'intelligence artificielle conçus pour accomplir une tâche spécifique. Parmi les exemples, on trouve les assistants vocaux « intelligents » tels qu'Alexa et Siri, ou les chatbots sur les réseaux sociaux.

L'intelligence artificielle forte (Strong AI) : également connue sous le nom d'« intelligence artificielle générale » (AGI), elle possède la capacité de comprendre, d'apprendre et d'appliquer des connaissances à un large éventail de tâches, à un niveau égal ou supérieur à celui de l'intelligence humaine. Ce niveau d'intelligence artificielle demeure théorique à l'heure actuelle, et aucun système d'intelligence artificielle connu n'approche ce degré de sophistication.

Histoire de l'intelligence artificielle

L'idée d'une « machine capable de penser » remonte à la Grèce antique. Toutefois, depuis l'avènement de l'informatique, les événements et jalons marquants de l'évolution de l'intelligence artificielle incluent les éléments suivants :

1. 1950 : Alan Turing publie l'article « Les machines à calculer et l'intelligence ». Il y pose sa célèbre question : « Les machines peuvent-elles penser ? » et propose un test connu aujourd'hui sous le nom de « test de Turing ».
2. 1956 : John McCarthy a inventé le terme « intelligence artificielle » lors de la première conférence sur l'intelligence artificielle.
3. 1967 : Frank Rosenblatt a construit le Mark 1 Perceptron, le premier ordinateur basé sur un réseau de neurones « apprenant » par essais et erreurs.
4. 1980 : Les réseaux de neurones, qui utilisent l'algorithme de rétropropagation pour s'entraîner, sont devenus largement utilisés dans les applications d'intelligence artificielle.
5. 1997 : L'ordinateur Deep Blue d'IBM a battu le champion du monde d'échecs de l'époque, Garry Kasparov.
6. 2011 : IBM Watson a battu les champions du jeu télévisé Jeopardy!.
7. 2015 : Le superordinateur Minwa de Baidu a utilisé un réseau de neurones profond spécifique pour identifier et classer des images avec une précision supérieure à la moyenne humaine.
8. 2016 : Le programme AlphaGo de DeepMind a battu le champion du monde de jeu de go, Lee Sedol.
9. 2022 : L'émergence des grands modèles de langage (LLM), tels que ChatGPT d'OpenAI, a entraîné une transformation majeure des performances et des capacités de l'intelligence artificielle.
10. 2024 : Les dernières tendances en matière d'intelligence artificielle témoignent de la poursuite de son essor. Les modèles multimodaux, capables de traiter divers types de données, offrent des expériences plus riches et plus performantes. Parallèlement, les modèles de plus petite taille progressent également.

Maintenant que vous êtes devenu un expert des fondamentaux de cet univers passionnant, il est temps de passer à la pratique.

Êtes-vous prêt à transformer vos mots en une voix qui captive les cœurs et les esprits ?

Commencez votre aventure dans l'univers du contenu audio dès aujourd'hui.

Essayez gratuitement la plateforme « Makina » et transformez vos 1000 premiers caractères en une voix off professionnelle en moins de 5 minutes !

Commencez votre essai gratuit dès maintenant

Source : IBM.COM