Comment fonctionne l'intelligence artificielle ?

8 min de lecture

L'intelligence artificielle (AI) est une technologie qui simule l'intelligence humaine pour accomplir des tâches et peut s'améliorer fréquemment en fonction des informations qu'elle collecte [1]. Simplement dit, nous rendons les machines capables de penser, d'apprendre et de résoudre des problèmes d'une manière similaire à l'intelligence humaine.

Les principes fondamentaux du fonctionnement de l'IA

L'intelligence artificielle fonctionne en utilisant des données, des algorithmes et des modèles mathématiques pour découvrir des motifs et produire des prédictions, des classifications, des décisions ou du nouveau contenu [2]. Au lieu de programmer manuellement chaque situation possible, les systèmes d'IA modernes peuvent apprendre des motifs à partir d'exemples [2].

L'idée fondamentale consiste à « entraîner » l'IA en lui fournissant d'énormes quantités d'informations ou de « données », qu'elle analyse pour trouver les motifs et les relations cachés. Sur la base de ces motifs, elle construit son propre « modèle » interne, puis utilise ce modèle pour faire des prédictions ou prendre des décisions lorsqu'on lui présente des informations nouvelles qu'elle n'a jamais vues auparavant [3].

L'IA entraîne de grands modèles de base sur d'énormes volumes de données brutes et non classées (textes, images, vidéos), afin de former un réseau neuronal comprenant des milliards de paramètres représentant des motifs et des relations dans les données [4]. Un modèle de base peut être utilisé dans plusieurs applications pour fournir la réponse correcte et appropriée en ajustant le format de sortie souhaité selon les invites (prompts) [4].

Différence entre l'apprentissage automatique et l'apprentissage profond

L'apprentissage automatique (Machine Learning) et l'apprentissage profond (Deep Learning) sont deux domaines étroitement liés, on peut dire que l'apprentissage profond est un sous-ensemble avancé de l'apprentissage automatique.

L'apprentissage automatique (Machine Learning)

Il s'agit d'un ensemble plus large de techniques qui permettent aux systèmes d'apprendre à partir des données et de prendre des décisions sans être explicitement programmés pour chaque tâche. Le modèle reçoit beaucoup de données, et l'ingénieur humain doit souvent « dire » au modèle quelles sont les caractéristiques importantes de ces données dans un processus appelé « ingénierie des caractéristiques ». Le modèle utilise des algorithmes statistiques pour trouver des motifs et des relations.

L'apprentissage automatique peut fonctionner efficacement avec des ensembles de données plus petits et est utilisé dans des applications telles que les systèmes de recommandation, la détection des spams et la prédiction des prix de l'immobilier.

L'apprentissage profond (Deep Learning)

C'est un type particulier d'apprentissage automatique qui utilise des « réseaux neuronaux profonds », des structures inspirées du fonctionnement du cerveau humain. Le modèle reçoit directement des données brutes sans définition préalable des caractéristiques, et le réseau neuronal profond, composé de multiples couches, apprend automatiquement des caractéristiques variées et complexes à partir des données.

L'apprentissage profond nécessite généralement des quantités massives de données et une puissance de calcul considérable, et il excelle dans des tâches complexes telles que la reconnaissance d'images et de sons, le traitement du langage naturel et les voitures autonomes.

Comment les réseaux neuronaux apprennent-ils des données ?

Les réseaux neuronaux apprennent d'une manière similaire à l'apprentissage humain par essais et erreurs, mais à une échelle beaucoup plus vaste et à une vitesse ultra-rapide.

Phases d'apprentissage

1. Le début aléatoire : Au début de l'entraînement, les « poids » et les « biais » du réseau sont totalement aléatoires, ce qui signifie qu'au départ, il ne sait rien et donne des prédictions erronées.

2. Alimentation avant (Prédiction) : Les données traversent les couches du réseau neuronal. Chaque « neurone » traite les entrées, les multiplie par ses poids, ajoute le biais, puis transmet le résultat aux neurones suivants. À la fin, le réseau produit une « prédiction ».

3. Calcul de l'erreur : Nous comparons la prédiction du réseau avec la réponse correcte et calculons le montant de la « perte » (Loss). Plus la prédiction est éloignée de la vérité, plus l'erreur est grande.

4. Rétropropagation (Backpropagation) : Nous renvoyons le signal d'erreur en arrière à travers le réseau, de la couche finale vers les couches précédentes, pour déterminer dans quelle mesure chaque poids a contribué à cette erreur.

5. Ajustement des poids : Sur la base de la rétropropagation, le réseau ajuste ses poids et ses biais à l'aide d'algorithmes d'optimisation tels que la « descente de gradient » (Gradient Descent), dans le but de réduire l'erreur la fois suivante.

6. Itération : Ce processus est répété des milliers ou des millions de fois avec différentes données, jusqu'à ce que les poids deviennent plus précis et que les erreurs du réseau diminuent progressivement.

Les grands modèles de langage et comment ils génèrent du texte

Les grands modèles de langage (LLMs) sont un type avancé de modèles d'apprentissage profond, conçus spécifiquement pour comprendre et générer le langage humain. Ils sont qualifiés de « grands » en raison de la quantité de données sur lesquelles ils sont entraînés (pouvant atteindre des billions de mots) et du nombre de paramètres (Parameters) qu'ils contiennent (milliards ou billions).

Mécanisme de génération de texte

La méthode fondamentale pour générer du texte est la prédiction du mot suivant (ou « jeton » - token) de manière répétitive :

1. Entrées : On commence par donner au modèle une « requête » (prompt) ou un « contexte ».

2. Tokenisation : Le modèle convertit les mots en « jetons » (tokens) qu'il traite comme des nombres.

3. Prédiction du jeton suivant : Le modèle traite ces jetons via son réseau neuronal et calcule la probabilité de chaque jeton possible pour déterminer lequel serait le plus logique ensuite.

4. Sélection : Le modèle ne choisit pas toujours le mot le plus probable. Il existe différentes techniques :

• Sélection gloutonne (Greedy Search) : choisit toujours le jeton ayant la probabilité la plus élevée.
• Échantillonnage (Sampling) : choisit aléatoirement en fonction des probabilités.
• Température (Temperature) : contrôle le degré de hasard ; une température basse rend le modèle plus prudent, et une température élevée le rend plus créatif.

5. Itération : Une fois le jeton suivant choisi, il est ajouté à la séquence, et le processus se répète pour prédire le jeton suivant.

6. Arrêt : Le processus continue jusqu'à ce qu'un signe de ponctuation indiquant la fin soit atteint, ou un jeton spécial d'arrêt.

Le modèle reçoit des évaluations de la part d'humains sur la précision ou la pertinence des résultats, ce qui aide à améliorer les performances du modèle et à l'orienter vers de meilleurs résultats grâce à ce que l'on appelle l'apprentissage par renforcement à partir de la rétroaction humaine (RLHF) [4].

Limites et risques de l'intelligence artificielle

Limites fondamentales

• Absence de conscience ou de compréhension réelle : Elle ne comprend pas le monde de la même manière que les humains et ne possède ni sentiments ni conscience de soi.
• Dépendance totale aux données : Sa qualité reflète la qualité et la quantité des données d'entraînement.
• Manque de bon sens : Elle peut avoir des difficultés à déduire des choses évidentes pour l'humain.
• Difficulté à gérer les situations nouvelles : Elle excelle dans les tâches similaires aux données d'entraînement.
• Problème de la « boîte noire » : Difficulté à comprendre pourquoi le modèle a pris une décision spécifique.

Risques d'hallucinations (Hallucination)

L'hallucination se produit lorsque l'IA génère des informations qui semblent logiques mais qui sont totalement fausses ou non soutenues par les faits. Cela arrive en raison de :

• L'entraînement probabiliste : Le modèle prédit le mot suivant basé sur des statistiques, et le mot le plus probable linguistiquement peut être factuellement incorrect.
• La pression pour générer une réponse : Le modèle est conçu pour produire du texte ; il peut préférer « inventer » une réponse plutôt que d'avouer son ignorance.
• Données incohérentes : Apprentissage de contradictions présentes dans les données d'entraînement.

Risques de biais (Bias)

Le biais apparaît lorsque les modèles manifestent des préjugés injustes envers certains groupes, et il provient principalement de :

• Biais dans les données d'entraînement : si les données reflètent les biais de la société ou ne sont pas suffisamment représentatives.
• Biais dans la conception de l'algorithme : provenant de la manière dont les critères sont définis.
• Biais dans l'interaction humaine : l'apprentissage de biais à travers les interactions avec les utilisateurs.

Impact futur sur l'emploi et l'éducation

Emploi

• Automatisation des tâches routinières : les systèmes d'IA remplaceront les humains dans les tâches répétitives et basées sur des règles.
• Création de nouveaux emplois : apparition de métiers tels que les ingénieurs en IA, les spécialistes de l'éthique et les ingénieurs de prompts.
• Transformation et augmentation des emplois : l'IA deviendra un outil d'assistance augmentant la productivité, où les humains travailleront « avec » l'IA.
• Demande de nouvelles compétences : pensée critique, créativité, intelligence émotionnelle et collaboration.

Éducation

• Évolution des programmes : intégration de la science des données, de l'apprentissage automatique (Machine Learning) et de l'éthique de l'IA.
• Apprentissage personnalisé : analyse des performances des étudiants et proposition de contenus adaptés à leurs besoins individuels.
• Accent sur les compétences humaines uniques : créativité, pensée critique et collaboration.
• Apprentissage tout au long de la vie : nécessité d'un apprentissage continu et d'une remise à niveau des compétences.
• Amélioration de l'accessibilité : outils de traduction, de conversion du texte en parole et d'adaptation des supports.

Conclusion

L'intelligence artificielle est un logiciel qui apprend à partir de données pour accomplir des tâches qui nécessitent habituellement une intelligence humaine, comme la compréhension de la parole, la reconnaissance d'images, la traduction et la prédiction [3]. Elle fonctionne selon trois étapes fondamentales : collecter de nombreux exemples, puis entraîner un modèle mathématique qui ajuste des millions de chiffres internes jusqu'à ce que son erreur diminue, puis l'utiliser sur de nouvelles données qu'il n'a jamais vues auparavant [3].

Malgré ses capacités immenses, l'IA reste un outil puissant mais imparfait. Comprendre ses limites, en particulier les risques d'hallucinations et de biais, est crucial pour l'utiliser de manière responsable. Les chercheurs travaillent continuellement à résoudre ces problèmes et à améliorer la transparence, l'équité et la fiabilité des systèmes d'IA.

L'avenir ne sera pas celui de l'IA remplaçant les humains, mais celui de ceux qui collaborent avec elle, possédant des compétences humaines uniques telles que la créativité, la pensée critique et l'intelligence émotionnelle, tout en ayant la capacité d'apprendre continuellement et de s'adapter aux changements rapides.