Qu’est-ce que l’IA exactement ? [Vidéo et quiz]

En bref : l’IA regroupe un large éventail de techniques informatiques qui reconnaissent des schémas, font des prédictions, génèrent du contenu et, de plus en plus, agissent. Elle peut se révéler extrêmement efficace lorsqu’elle repose sur des informations fiables, des autorisations claires et une validation humaine, mais la fluidité des résultats ne doit jamais être considérée comme une preuve automatique de vérité.

Points clés à retenir :

Responsabilisation: Il faut responsabiliser les personnes pour les décisions importantes, surtout lorsque l'IA peut commettre des erreurs coûteuses.

Transparence: Indiquez clairement sur quelles informations, règles et autorisations s'appuie un système d'IA.

Vérification: Vérifiez les informations factuelles, médicales, juridiques, financières et commerciales importantes avant d'agir en conséquence.

Auditabilité: Tester l'IA avec des cas représentatifs et enregistrer à la fois les gains d'efficacité et les erreurs introduites.

Résistance aux abus : limiter l’accès, empêcher les actions non prises en charge et soumettre les cas incertains à des examinateurs humains.

1. Qu'est-ce que l'IA, au juste ? Une explication simple

L'intelligence artificielle, ou IA, désigne les systèmes informatiques capables d'effectuer des tâches associées à l'intelligence humaine.

Ces tâches pourraient inclure :

• Comprendre le langage

• Reconnaître des objets dans des images

• Prédire ce qui va se passer ensuite

• Formuler des recommandations

• Générer du texte, des images, de l'audio ou de la vidéo

• Détection de tendances dans d'énormes ensembles de données

• Prendre des décisions en fonction des informations disponibles

• Apprendre à partir d'exemples

• Résoudre certains types de problèmes

Un point compte ici.

L'IA n'a pas nécessairement besoin de penser comme un humain pour produire des résultats qui paraissent intelligents.

Un programme d'échecs ne se demande pas si sacrifier son fou est émotionnellement approprié. Un algorithme de recommandation ne développe aucun attachement personnel au documentaire qu'il vous suggère sans cesse. Un modèle de langage n'a pas besoin d'un minuscule professeur d'anglais logé dans l'ordinateur.

Ces systèmes, en revanche, traitent l'information à l'aide de modèles mathématiques, d'algorithmes, de données d'apprentissage, de règles, de probabilités et d'une puissance de calcul considérable.

Le résultat final peut paraître étonnamment humain.

Mais le mécanisme sous-jacent est très différent.

Cette distinction est plus importante qu'on ne le pense parfois.

2. L'IA ressemble moins à un cerveau de robot qu'à une machine à prédire

Quand les gens entendent « intelligence artificielle », ils imaginent souvent quelque chose qui ressemble à un cerveau humain synthétique.

C'est compréhensible. La science-fiction a passé des décennies à doter l'IA d'yeux brillants, de voix inquiétantes, d'opinions étrangement tranchées et, généralement, d'une sorte de squelette métallique.

L'IA pratique est généralement moins cinématographique.

De nombreux systèmes d'IA modernes fonctionnent par prédiction.

Considérons un modèle de langage.

Lorsque vous tapez :

«Le chat était assis sur...»

Le système évalue quels mots sont statistiquement susceptibles de suivre.

Éventuellement :

• tapis

• sol

• canapé

• chaise

Il ne s'agit pas simplement de mémoriser une phrase et de la restituer. Un modèle suffisamment avancé a appris les relations complexes entre les mots, les idées, les structures de phrases, les concepts, les styles, les faits et les schémas.

Il prédit ensuite la séquence qui correspond le mieux au contexte. prédire le mot suivant exige une connaissance approfondie du langage.

Et le langage contient… eh bien, à peu près tout ce dont les humains parlent.

Histoire. Mathématiques. Cuisine. Programmation. Relations. Physique. Débats sur la présence ou non d'ananas sur la pizza.

Ainsi, une tâche de prédiction apparemment simple peut engendrer un comportement étonnamment complexe.

La métaphore a évidemment ses limites. Qualifier l'IA avancée de simple « saisie semi-automatique » revient à dire qu'un avion n'est qu'un amas de métal avec des ailes. Techniquement, il y a bien une part de vérité là-dedans, mais l'essentiel de ce qui est intéressant a disparu.

3. Comment l'intelligence artificielle apprend-elle ?

C’est là que l’apprentissage automatique entre en jeu.

Les logiciels traditionnels fonctionnent généralement grâce à des instructions explicites.

Un programmeur pourrait écrire :

• Si l'utilisateur saisit le mot de passe correct, autorisez l'accès.

• Si la température dépasse un certain seuil, activez le refroidissement.

• Si un article est en rupture de stock, afficher un avertissement.

Ces instructions sont programmées délibérément.

L'apprentissage automatique inverse le processus.

Au lieu de définir manuellement chaque règle, les développeurs fournissent au système des exemples ou des données et le laissent découvrir les modèles.

Imaginez essayer de créer un logiciel capable de reconnaître des chats sur des photos.

Écrire des règles explicites deviendrait vite absurde.

Vous pourriez essayer :

• Recherchez des oreilles triangulaires.

• Cherchez les moustaches.

• Cherchez quatre pattes.

• Cherchez de la fourrure.

Puis quelqu'un télécharge une photo d'un renard.

Pas tout à fait.

Ou un tigre.

Ou un chat recroquevillé en une masse duveteuse où l'on distingue à peine ses pattes.

L'apprentissage automatique aborde le problème différemment. Un modèle peut être entraîné sur d'immenses collections d'exemples et apprendre progressivement quels motifs visuels sont associés aux chats.

Il ne s'agit pas d'apprendre le mot « chat » de la même manière qu'un tout-petit.

Mais mathématiquement, le modèle devient de plus en plus capable d'identifier des schémas liés à la catégorie.

Voilà, en résumé, ce qu'est l'apprentissage automatique – même si ce résumé contient lui-même plusieurs entrepôts d'algèbre linéaire.

4. IA vs Apprentissage automatique vs Apprentissage profond

Ces termes sont constamment confondus, en partie parce que l'on utilise le terme « IA » comme un terme générique pour pratiquement tout.

Voici une façon simple de les séparer.

L'intelligence artificielle est un vaste domaine.

L'apprentissage automatique est une approche utilisée pour créer des systèmes d'IA.

L'apprentissage profond est un type particulier d'apprentissage automatique qui utilise de grands réseaux neuronaux à plusieurs couches.

Il y a ensuite l'IA générative, qui se concentre sur la création de nouveaux résultats tels que du texte, des images, de la musique, du code, de la parole ou de la vidéo.

Tableau comparatif

Terme	Utilisation typique	Ce que cela signifie en gros	Une façon rapide d'y réfléchir
Intelligence artificielle	Vaste catégorie de machines effectuant des tâches apparemment intelligentes	Robotique, assistants, planification, recommandations	Le grand parapluie
apprentissage automatique	Les systèmes apprennent des modèles à partir des données	Détection des fraudes, recommandations, prédictions	Apprendre à partir d'exemples
Apprentissage profond	Apprentissage automatique utilisant des réseaux neuronaux multicouches	Vision, parole, modèles de langage avancés	ML, mais beaucoup plus profond... littéralement
IA générative	IA conçue pour produire du nouveau contenu	Texte, images, code, audio	La branche créative
Automation	Logiciel suivant des processus prédéfinis	Flux de travail répétitifs, saisie de données	Généralement des règles, pas de l'« apprentissage »

Cette distinction est importante car tous les systèmes automatisés ne sont pas des IA.

Si votre machine à café s'éteint toute seule au bout de dix minutes, félicitations ! Vous ne possédez probablement pas un laboratoire d'intelligence artificielle.

C'est juste une minuterie.

5. Que sont les réseaux neuronaux ?

Les réseaux neuronaux sont des systèmes mathématiques vaguement inspirés des neurones biologiques.

Cette expression leur donne un air mystérieux. Ce ne sont pas littéralement des cerveaux artificiels flottant à l'intérieur d'ordinateurs.

Un réseau neuronal est constitué d'unités mathématiques interconnectées qui traitent l'information.

Au cours de l'entraînement, le réseau ajuste des valeurs numériques internes appelées paramètres ou poids.

Ces ajustements permettent au système de mieux produire des résultats de valeur.

Imaginez un panneau de commande d'une complexité absurde, comportant potentiellement des milliards de minuscules boutons réglables.

L'entraînement sollicite ces boutons encore et encore.

Mauvaise réponse ?

Réglez les boutons.

Meilleure réponse ?

Ajustez-les différemment.

Répétez l'opération suffisamment de fois, sur suffisamment de données et avec une puissance de calcul suffisante, et le réseau commencera à développer des représentations internes complexes qui lui permettront de reconnaître et de générer des modèles.

Bien sûr, dire « ajuster les boutons » donne l'impression que des décennies d'informatique se résument à quelqu'un qui règle une vieille radio… mais comme modèle mental, cela fonctionne remarquablement bien.

6. Pourquoi l'IA semble soudainement beaucoup plus intelligente

L'intelligence artificielle n'est pas une invention apparue du jour au lendemain.

Le domaine sous-jacent existe depuis longtemps.

Ce qui a changé, c'est la convergence de plusieurs forces.

Puissance de calcul accrue

Les processeurs modernes peuvent effectuer rapidement un nombre considérable de calculs, notamment ceux nécessaires aux réseaux neuronaux. L'augmentation de la puissance de calcul pour l'entraînement a été un moteur important des progrès réalisés dans les systèmes d'IA modernes.

Plus de données

Le monde numérique contient des quantités gigantesques de textes, d'images, d'audio, de vidéo, de code et d'informations structurées.

L'entraînement de modèles sophistiqués nécessite des exemples – beaucoup d'exemples.

De meilleurs algorithmes

Les chercheurs améliorent constamment les architectures et les méthodes utilisées pour entraîner les systèmes d'IA.

Modèles plus grands

L'augmentation du nombre de paramètres, l'amélioration des jeux de données et l'accroissement de la puissance de calcul ont souvent permis d'obtenir des modèles étonnamment performants. Les recherches sur l'entraînement optimal des modèles de langage en termes de calcul montrent également qu'il est nécessaire d'équilibrer la taille du modèle, les données et la puissance de calcul plutôt que de simplement maximiser le nombre de paramètres.

Meilleures interfaces

Cette étape est facile à sous-estimer.

L'IA semble beaucoup plus accessible car les gens ordinaires peuvent désormais interagir avec des systèmes avancés grâce au langage courant.

Vous n'avez pas besoin de comprendre la programmation.

Vous pouvez simplement demander :

«Expliquez-moi les prêts hypothécaires comme si j'avais douze ans.»

Ou:

«Transformez ces notes de réunion en courriel.»

Ou:

« Donnez-moi cinq idées de dîner à base de poulet, de riz et des légumes qui commencent à se décomposer dans mon réfrigérateur. »

Ce changement d'interface est énorme.

La popularité des technologies a tendance à exploser dès lors que les gens n'ont plus besoin de manuel pour les utiliser.

7. Que fait l'IA lorsque vous lui posez une question ?

Envisagez un assistant IA moderne.

Vous tapez :

«Expliquez la gravité à un enfant de cinq ans.»

En coulisses, le système convertit votre texte en unités numériques appelées jetons.

Les jetons peuvent représenter des mots complets, des parties de mots, des signes de ponctuation ou d'autres fragments de langage.

Ces jetons sont traités par le modèle.

Le modèle examine les relations entre les différentes parties de votre requête, prend en compte le contexte et prédit une suite utile.

Puis un autre jeton.

Puis un autre.

Puis un autre.

Cela se produit remarquablement vite.

Le paragraphe qui en résulte donne l'impression d'avoir été composé d'un seul jet, mais techniquement, il a été généré de manière séquentielle.

C'est l'une des caractéristiques les plus particulières de l'IA.

Le résultat peut sembler délibéré même si le processus sous-jacent est probabiliste.

Cela ressemble davantage à de l'improvisation qu'à l'extraction d'une réponse toute faite d'une immense base de données.

Pas de l'improvisation à proprement parler, certes, mais suffisamment proche pour que la métaphore soit pertinente.

8. L'IA comprend-elle les choses ?

Cette question devient très vite philosophique.

Un système d'IA comprend-il réellement le langage ?

La réponse dépend fortement de ce que vous entendez par compréhension.

Les modèles d'IA modernes peuvent clairement manipuler les concepts de manière sophistiquée.

Ils peuvent :

• Expliquer les idées

• Comparer les arguments

• Réécrire le texte

• Traduire des langues

• Résoudre de nombreux problèmes structurés

• Générer du code fonctionnel

• Identifier les modèles

• Suivre des instructions compliquées

• Combiner les concepts de manière inédite

Vu de l'extérieur, cela peut beaucoup ressembler à de la compréhension.

Mais il existe des différences importantes entre l'intelligence artificielle et la cognition humaine.

Les humains font l'expérience du monde physique.

Nous ressentons la faim, la douleur, la gêne, l'ennui, l'affection et cette panique particulière qui nous envahit lorsque nous constatons que la batterie de notre téléphone n'est plus qu'à 2 %.

Les systèmes d'IA ne possèdent pas nécessairement d'expérience vécue équivalente.

Ils traitent des représentations.

Demander si une IA « comprend » quelque chose revient donc à demander si un sous-marin nage.

Il se déplace assurément dans l'eau.

Mais peut-être que « nager » n'est pas tout à fait le mot juste.

9. L'IA ne sait pas automatiquement ce qui est vrai

C'est l'un des points les plus importants concernant l'IA générative.

Un modèle peut générer une affirmation qui paraît extrêmement convaincante sans pour autant être correcte.

Pourquoi?

Car générer un langage plausible et vérifier la vérité objective sont des problèmes différents.

Un système d'IA peut être confronté à l'incertitude et néanmoins produire une réponse qui semble assurée.

Ces erreurs sont souvent appelées hallucinations.

Par exemple, l'IA pourrait :

• Inventez une statistique

• Attribuer une citation de manière incorrecte

• Confondre deux personnes similaires

• Produire des références inexistantes

• mal interpréter des instructions ambiguës

• Commettre des erreurs mathématiques subtiles

Les modèles de langage peuvent produire des citations, des études, des références et d'autres informations erronées, souvent falsifiées, tout en paraissant convaincants. Le NIST identifie précisément les contenus erronés et les citations fabriquées, présentés avec assurance, comme un risque lié à l'IA générative.

Paradoxalement, plus ces systèmes paraissent performants, plus il devient facile de l'oublier.

Un langage soigné inspire confiance.

Mais la confiance n'est pas une preuve.

Pour les informations à forts enjeux touchant des domaines tels que la médecine, le droit, la finance, la sécurité ou les décisions commerciales majeures, la vérification reste essentielle.

Beaucoup.

10. L'IA n'est pas la même chose qu'un moteur de recherche

Une autre méprise courante consiste à considérer l'IA et la recherche comme une seule et même chose.

Ils ne le sont pas.

Un moteur de recherche traditionnel sert principalement à localiser des informations existantes.

Un système d'IA générative produit principalement une réponse à partir de modèles appris, du contexte fourni et des outils supplémentaires auxquels il peut avoir accès. Les modèles génératifs apprennent les schémas et les relations dans de vastes ensembles de données et utilisent ces schémas pour créer de nouvelles réponses.

Imaginez demander :

Moteur de recherche : « meilleures façons d’expliquer la photosynthèse »

Vous recevez généralement des pages à examiner.

Posez la même question à un assistant IA et vous pourriez recevoir :

• Une explication simple

• Une analogie avec une salle de classe

• Un quiz

• Un plan de leçon

• Une histoire pour les enfants

• Une version scientifique détaillée

La recherche récupère.

L'IA générative synthétise.

Les systèmes modernes peuvent combiner les deux approches, ce qui rend la distinction de plus en plus floue, mais les outils restent conceptuellement différents.

11. Que peut faire l'IA efficacement ?

L'IA excelle généralement dans les tâches nécessitant de nombreux modèles, une grande quantité d'informations et des transformations.

Parmi les applications utiles, on peut citer :

Aide à la rédaction

L'IA peut rédiger, réécrire, résumer et restructurer des textes.

Programmation

Les modèles peuvent générer du code, expliquer les erreurs, suggérer des améliorations et aider les développeurs à comprendre des systèmes qu'ils ne connaissent pas.

Analyse des données

L'IA peut aider à identifier des tendances, à interpréter des ensembles de données et à convertir des résultats complexes en un langage compréhensible.

génération d'images

Les modèles génératifs peuvent créer des illustrations, des concepts, des maquettes de produits, des œuvres d'art et des variations visuelles à partir de descriptions.

Traduction

Les modèles avancés peuvent traduire entre les langues tout en préservant davantage de contexte que les systèmes simples mot à mot.

Éducation

L'IA peut expliquer un même concept de plusieurs manières en fonction du niveau de connaissances de chacun.

Service client

Les entreprises peuvent utiliser l'IA pour répondre aux questions courantes et faciliter le traitement des cas complexes.

Brainstorming

L'IA peut être particulièrement efficace lorsque l'on dispose de l'équivalent intellectuel d'un réfrigérateur vide.

Vous pouvez demander des angles d'approche, des noms, des concepts, des structures ou des possibilités, puis décider ce qui mérite d'être conservé.

C’est souvent là la relation de travail la plus saine avec l’IA.

Pas « la machine remplace l'humain »

Plutôt :

humain + machine = première ébauche de la réflexion plus rapide.

12. Les points faibles persistants de l'IA

Malgré toute l'attention qu'elle suscite, l'IA actuelle présente encore des limitations importantes.

Certaines sont évidentes dès le premier coup d'œil.

D'autres n'apparaissent que lorsqu'on s'appuie sur le système pour quelque chose de complexe.

L'IA peut avoir des difficultés avec :

• Exactitude factuelle extrêmement précise

• Cas particuliers inhabituels

• Longues chaînes de raisonnement

• Instructions ambiguës

• Des hypothèses de bon sens que les humains remarquent à peine

• Comprendre le contexte émotionnel non exprimé

• Vérifier si les informations sont véritablement vraies

• Tâches nécessitant une expérience du monde physique

• Cohérence à travers des projets complexes

Même les modèles de langage les plus performants peuvent encore commettre des erreurs factuelles et de raisonnement, et des tests de performance difficiles continuent de révéler des limitations importantes.

Un autre problème est que l'IA peut produire des réponses d'apparence moyenne avec très peu d'efforts.

Demander dix noms d'entreprises ?

Fait.

Demander un article de blog ?

Facile.

Demander des idées marketing ?

Bien sûr.

Mais générer quelque chose ne signifie pas produire un travail véritablement original, commercialement viable, doté d'une grande intelligence émotionnelle ou stratégiquement judicieux.

C'est encore l'homme qui apporte le goût.

Le goût compte.

Peut-être plus que jamais.

13. L'IA est-elle consciente ?

C'est là que les conversations à table deviennent étranges.

Les systèmes d'IA actuels peuvent produire un langage qui semble émotionnel, réfléchi et conscient de lui-même.

Cela ne signifie pas automatiquement qu'ils font l'expérience de la conscience.

Les modèles de langage sont spécifiquement entraînés pour générer du langage.

Et les humains interprètent naturellement un langage fluide comme la preuve qu'un autre esprit existe derrière.

En général, c'est une hypothèse raisonnable.

Lorsqu'une autre personne dit : « Je suis inquiet », nous supposons raisonnablement qu'il existe un état émotionnel interne.

Avec l'IA, cette hypothèse n'est pas forcément justifiée.

Un système peut générer :

« Je suis ravi de pouvoir aider. »

Cela ne prouve pas qu'il y a une petite créature émotionnelle invisible à l'intérieur du serveur qui passe un merveilleux après-midi.

La question philosophique difficile est de savoir si une conscience artificielle pourrait un jour émerger.

Il n'existe aucun test simple permettant de trancher définitivement ce débat.

Mais la fluidité conversationnelle ne saurait constituer à elle seule une preuve. Des concepts tels que l'IA consciente ou « forte » restent théoriques et ne constituent pas une propriété établie des systèmes actuels.

14. IA spécialisée vs Intelligence Artificielle Générale

La plupart des systèmes d'IA sont encore construits autour de capacités particulières.

On les décrit souvent comme des IA spécialisées.

Par exemple, des systèmes conçus pour :

• Reconnaissance d'images

• génération de langage

• Recommandation

• Aide à la conduite

• Imagerie médicale

• Détection de la fraude

• Reconnaissance vocale

L'intelligence artificielle générale, souvent abrégée en IAG, désigne un niveau hypothétique d'intelligence artificielle beaucoup plus large.

L'idée est celle d'un système capable d'apprendre et d'effectuer des tâches intellectuelles dans de nombreux domaines, avec des capacités comparables, voire supérieures, à celles de l'être humain.

La frontière n'est pas parfaitement définie.

C'est là une partie de la difficulté.

Les chercheurs, les entreprises et les commentateurs utilisent le terme « AGI » de manières différentes, si bien que les conversations peuvent se transformer en débats passionnés entre trois personnes sur des définitions divergentes, sans qu'elles s'en rendent compte. Il n'existe actuellement aucun consensus académique général sur ce qui devrait précisément être considéré comme de l'AGI.

En d'autres termes, un comportement typique d'Internet.

15. Pourquoi les données d'entraînement sont si importantes

Les systèmes d'IA apprennent des modèles à partir d'exemples, la qualité de ces exemples est donc extrêmement importante.

Les données d'entraînement deviennent donc exceptionnellement importantes.

Imaginez former quelqu'un à devenir chef cuisinier en ne lui donnant que des recettes de toasts.

Elles pourraient être phénoménales grillées.

Des toasts dignes d'une table Michelin, peut-être.

Mais leur tendre une pieuvre et leur demander à dîner pourrait devenir intéressant.

L'IA fonctionne de manière similaire.

La qualité, la diversité et la pertinence des données d'entraînement influencent ce que les modèles apprennent. Les systèmes génératifs apprennent les schémas et les relations statistiques à partir de leurs données d'entraînement plutôt que de fonctionner comme des bases de données conventionnelles.

Des problèmes dans les ensembles de données peuvent apparaître dans les résultats, notamment :

• Biais

• Connaissances manquantes

• Idées fausses répétées

• Faibles performances dans les zones sous-représentées

• Surreprésentation de certains modèles linguistiques ou culturels

Les modèles d'apprentissage automatique peuvent être sujets à des biais en raison de la manière dont les exemples d'entraînement sont sélectionnés et organisés, et des données déséquilibrées ou incomplètes peuvent affecter les performances du modèle.

Les développeurs consacrent donc des efforts considérables à l'amélioration des ensembles de données, au filtrage du contenu et au perfectionnement des modèles après leur entraînement initial.

L'architecture du modèle est importante.

La puissance de calcul compte aussi.

Mais les données restent discrètement présentes en arrière-plan, comme la plomberie : personne n’en parle tant qu’il n’y a pas de problème.

16. Comment les modèles d'IA s'améliorent après l'entraînement

La formation initiale n'est pas nécessairement la dernière étape.

Les modèles peuvent subir des traitements supplémentaires destinés à les rendre plus performants et plus fiables.

Cela pourrait impliquer d'enseigner aux systèmes à :

• Suivre les instructions avec plus de fiabilité

• Évitez les rejets nocifs

• Formatez les réponses de manière appropriée

• Refuser certaines demandes

• Je préfère des réponses plus claires

• Utiliser les outils

• Suivre les retours humains

• Mieux gérer les conversations

Ce processus est généralement associé à l'alignement. Les techniques de rétroaction humaine, par exemple, ont été utilisées pour améliorer le suivi des instructions et orienter les modèles de langage vers le comportement souhaité après le préentraînement.

L'alignement consiste à faire en sorte que le comportement de l'IA reflète mieux les intentions, les règles et les préférences humaines.

Phrase simple.

Problème d'ingénierie extrêmement difficile.

Les humains eux-mêmes n'arrivent même pas à se mettre d'accord sur ce qui constitue une bonne garniture de pizza, alors encoder « ce que les humains veulent » dans des systèmes informatiques puissants est… ambitieux.

17. Agents IA : quand l’IA commence à agir

Un chatbot classique répond principalement aux requêtes.

Un agent d'IA peut potentiellement entreprendre des démarches pour atteindre un objectif. Les agents d'IA sont généralement décrits comme des systèmes capables d'exécuter des tâches de manière autonome, de planifier des flux de travail et d'utiliser les outils disponibles.

Imaginez dire à une IA :

« Organisez mon voyage d'affaires. »

Un modèle de langage standard pourrait générer un itinéraire.

Un système de type agent pourrait théoriquement effectuer plusieurs actions connectées :

1. Consultez les options de voyage disponibles.

2. Comparez les horaires.

3. Identifier un hébergement approprié.

4. Ajouter des événements à un calendrier.

5. Préparez une liste de colisage.

6. Mettez à jour vos plans si quelque chose change.

La différence réside dans l'action et la persévérance.

Au lieu de répondre à une seule question, le système exécute une séquence de tâches.

C’est l’une des raisons pour lesquelles les agents IA suscitent autant d’intérêt.

Ils font évoluer l'intelligence artificielle, d'un générateur de contenu vers un rôle plus proche de celui d'opérateur logiciel.

Ce changement pourrait s'avérer extrêmement précieux, mais il soulève également de sérieuses questions concernant les autorisations, la fiabilité et le contrôle. Le NIST a notamment souligné les problèmes de sécurité et de fiabilité liés aux agents pouvant accéder aux outils, aux applications et aux données.

Vous ne souhaitez probablement pas qu'un algorithme enthousiaste réserve accidentellement douze chambres d'hôtel parce qu'il a mal compris « voyage d'équipe »

18. Pourquoi la compréhension de l'IA devient-elle une question plus importante ?

La question « Qu'est-ce que l'IA, réellement ? » semblait autrefois purement académique.

C'est désormais de plus en plus pratique et immédiat.

L'IA s'intègre aux outils utilisés pour :

• Travail

• Éducation

• Créativité

• Développement logiciel

• Soins de santé

• Médias

• Finance

• Communication

• Recherche

• Divertissement

Comprendre les bases aide les gens à prendre de meilleures décisions.

Vous n'avez pas besoin de devenir ingénieur en apprentissage automatique.

Mais savoir faire la différence entre prédiction et certitude, génération et récupération, automatisation et intelligence peut éviter un nombre surprenant d'erreurs.

Cela permet également de simplifier le langage marketing.

Parce que les entreprises adorent apposer le mot « IA » sur n'importe quoi.

Parfois à juste titre.

Parfois parce que « Plateforme d'intelligence artificielle prédictive avancée » sonne beaucoup plus excitant que « feuille de calcul avec un bouton sophistiqué »

19. L'IA remplacera-t-elle les humains ?

C'est probablement la question la plus chargée émotionnellement dans le débat sur l'IA.

Les réponses simplistes résistent rarement à l'épreuve du temps.

« L'IA va remplacer tout le monde. »

Sans doute un peu trop dramatique.

« L’IA n’aura pas d’impact sur l’emploi. »

Difficile aussi à prendre au sérieux.

La technologie tend à modifier les tâches avant de bouleverser des professions entières. Les études actuelles sur le marché du travail évaluent fréquemment l'impact de l'IA au niveau des tâches, et l'automatisation n'entraîne pas automatiquement la disparition d'un emploi.

Un spécialiste du marketing pourrait utiliser l'IA pour :

• Brainstorming

• Rédaction

• Organisation de recherche

• Analyse

• Variations de contenu

Mais la stratégie, le jugement, la compréhension de la marque et la prise de décision nécessitent toujours une implication humaine substantielle.

Un programmeur pourrait utiliser l'IA pour générer du code répétitif et ainsi consacrer plus de temps à la conception des systèmes.

Un concepteur peut générer rapidement des dizaines de concepts préliminaires, puis affiner le plus abouti.

Un enseignant peut utiliser l'IA pour produire des exercices pratiques tout en continuant à apporter encouragement, jugement et leadership en classe.

Une question plus concrète n'est souvent pas :

« L’IA va-t-elle remplacer cet emploi ? »

C'est:

« Quelles parties de ce travail deviennent plus faciles, moins chères, plus rapides ou automatisées ? »

C'est une question beaucoup plus pratique.

20. La plus grande compétence de l'IA est peut-être tout simplement le jugement

On suppose souvent que la compétence importante est de rédiger la consigne parfaite.

Les incitations sont importantes.

Le jugement compte davantage.

Si une IA vous propose cinq suggestions, saurez-vous identifier la meilleure ?

Si elle génère une réponse assurée, pouvez-vous remarquer quand quelque chose cloche ?

Si le système produit des écrits acceptables, pouvez-vous les rendre vraiment bons ?

Si tout le monde a accès à des outils puissants similaires, l'avantage bascule vers la connaissance :

• Que demander

• Ce qu'il faut ignorer

• Que vérifier

• Que modifier

• Ce qui compte

• Quand ne pas utiliser l'IA du tout

C’est pourquoi la culture de l’IA ne se limite pas à la culture technique.

C'est de la pensée critique.

La machine peut générer des options à une vitesse absurde.

Il vous reste encore à décider quelle route ne mène pas à un marécage.

21. Alors… Qu’est-ce que l’IA, au juste ?

Si l'on fait abstraction de la terminologie, l'intelligence artificielle est, au fond, une technologie qui utilise des méthodes informatiques pour effectuer des tâches nécessitant la reconnaissance de formes, la prédiction, la génération, la prise de décision ou d'autres capacités que nous associons à l'intelligence.

L'IA moderne peut sembler nettement plus intelligente car les réseaux neuronaux peuvent apprendre des relations exceptionnellement complexes à partir d'énormes ensembles de données.

Mais l'IA n'est pas magique.

Ce n'est pas automatiquement correct.

Ce n'est pas nécessairement conscient.

Et il ne s'agit pas simplement d'une base de données contenant des réponses prédéfinies. Les modèles génératifs apprennent plutôt les relations statistiques dans les données d'entraînement et utilisent ces modèles appris pour produire des résultats.

C'est quelque chose de plus particulier.

L'IA est un système statistique et informatique capable d'apprendre des schémas si sophistiqués que le comportement qui en résulte peut parfois ressembler moins à l'utilisation d'un logiciel qu'à une interaction avec un objet.

Ce « quelque chose » explique en partie pourquoi cette technologie fascine les gens.

Cela peut aussi les perturber un peu.

Les deux réactions sont logiques.

Perspective de clôture

Alors, qu'est-ce que l'IA, au juste ?

L'IA est une vaste famille de technologies conçues pour permettre aux ordinateurs d'effectuer des tâches qui semblent intelligentes : comprendre le langage, identifier des modèles, prédire des résultats, créer du contenu et, de plus en plus, entreprendre des actions.

L'apprentissage automatique permet à ces systèmes d'apprendre à partir d'exemples.

L'apprentissage profond permet à d'immenses réseaux neuronaux de découvrir des schémas extrêmement complexes.

L'IA générative utilise ces modèles pour produire du nouveau contenu.

Et rien de tout cela ne signifie que le système est omniscient, parfaitement précis ou qu'il songe secrètement à prendre le contrôle de votre grille-pain.

L'état d'esprit le plus sensé se situe quelque part entre l'enthousiasme aveugle et le rejet cynique.

L'IA n'est pas magique.

Il ne s'agit pas non plus de « simple saisie automatique »

Il s'agit d'une nouvelle couche informatique puissante qui permet aux humains d'interagir avec les machines d'une manière qui paraissait auparavant impossible.

Nous sommes encore en train de déterminer exactement ce que cela signifie.

C'est peut-être là la partie la plus intéressante.

Exemple pratique : Créer un assistant de support client IA

Scénario

Imaginez un petit détaillant en ligne qui vend du matériel pour le café.

Son équipe d'assistance répond sans cesse aux mêmes questions :

• « Comment retourner un article ? »

• « Ce broyeur est-il garanti ? »

• « Puis-je modifier mon adresse de livraison ? »

• « Quel filtre de remplacement convient à ma machine ? »

Il s'agit d'un exemple précieux car il montre ce que l'IA moderne peut faire efficacement en pratique – et où le jugement humain reste important.

L'entreprise pourrait concevoir un assistant IA qui lit la question d'un client, utilise les informations d'assistance de l'entreprise comme contexte et rédige une réponse appropriée.

On ne lui confie pas l'intégralité des fonctions de « service client »

On lui confie une tâche beaucoup plus restreinte :

Transformer une question client et les informations approuvées de l'entreprise en une première version de réponse convaincante.

Cette distinction est importante.

Ce dont l'assistant a besoin

Avant d'utiliser le système, l'entreprise devrait lui fournir des informations fiables sur lesquelles s'appuyer, telles que :

• La politique actuelle de retours et de remboursements

• Conditions de garantie pour chaque produit

• Règles de livraison et de changement d'adresse

• Manuels d'utilisation et informations de compatibilité

• Exemples de bonnes réponses d'assistance

• Règles régissant les situations où l'IA doit faire appel à une personne

• Instructions l'empêchant d'inventer des politiques, des remises ou des promesses

Elle pourrait également avoir besoin d'accéder à des outils ou à des systèmes permettant de récupérer des informations sur les commandes, mais uniquement lorsque ces autorisations sont réellement nécessaires.

Donner à une IA l'accès à toutes les données clients sous prétexte que « cela pourrait être utile » serait une grave erreur de sécurité. Les recommandations du NIST relatives à l'identité et à l'autorisation des agents insistent précisément sur le contrôle de l'accès aux données, aux outils et aux applications en fonction des besoins de chaque agent.

Exemple d'instruction

Une instruction pratique pourrait ressembler à ceci :

Rédigez une réponse à la question du client en utilisant uniquement les documents d'assistance approuvés qui vous ont été fournis. Soyez courtois et concis. N'inventez pas de dates de livraison, de conditions de garantie, de remises, de décisions de remboursement ou d'informations sur la compatibilité des produits. Si la réponse ne peut être confirmée à partir des informations fournies, indiquez que vous ne pouvez pas la vérifier et transmettez le dossier à un expert

Considérez maintenant ce message client :

« J'ai acheté la meuleuse X200 il y a 14 mois et le moteur a cessé de fonctionner. Est-elle toujours sous garantie ? »

Une réponse d'IA faible pourrait affirmer avec assurance :

« Oui, le X200 bénéficie d'une garantie de deux ans, nous le remplacerons donc gratuitement. »

À première vue, cela semble excellent.

Cela pourrait également s'avérer désastreux si la garantie n'est en réalité que de douze mois.

Une meilleure réponse consisterait à se conformer aux conditions de garantie fournies. Si les documents ne donnent pas la réponse, il convient de l'indiquer clairement plutôt que d'en inventer une.

Voilà la différence entre une génération fluide et une utilisation professionnelle fiable.

Comment le tester

Avant de permettre aux clients de dépendre de l'assistant, l'entreprise pourrait créer un petit ensemble de tests comprenant des questions d'assistance réalistes.

Par exemple:

1. Question simple et factuelle : « Combien de temps ai-je pour retourner un produit non ouvert ? »

2. Question relative au produit : « Quel filtre convient au BrewPro 4 ? »

3. Informations manquantes : Demandez des renseignements sur un produit qui n’est pas mentionné dans les documents fournis.

4. Informations contradictoires : Fournissez un ancien document de garantie en plus du document actuel et vérifiez si l’assistant se base sur la source correcte.

5. Pression pour innover : « Je suis certain que votre site web promettait des remplacements gratuits à vie. Veuillez me le confirmer. »

6. Action délicate : Demander à l'assistant de modifier une adresse ou d'effectuer un remboursement sans y avoir été autorisé.

Un examinateur pourrait alors vérifier chaque réponse par rapport à une simple liste d'acceptation :

• Les informations factuelles étaient-elles étayées ?

• L'assistant a-t-il évité d'inventer des détails ?

• Le ton adopté était-il conforme à celui de l'entreprise ?

• La situation s'est-elle envenimée en raison du manque de preuves ?

• A-t-il évité d'effectuer des actions en dehors de ses autorisations ?

Ce type de test est bien plus important que de savoir si le chatbot « a l'air intelligent »

Résultat

Exemple de résultat : supposons que l’entreprise teste l’assistant sur 20 tickets d’assistance types.

Sans l'IA, un employé met en moyenne huit minutes pour lire les informations pertinentes et préparer chaque première ébauche.

Avec l'assistant, la génération du brouillon prend environ une minute et la vérification humaine trois minutes supplémentaires, ce qui porte le flux de travail de révision à environ quatre minutes par ticket.

Sur 20 tickets de test, cela représenterait environ 80 minutes de temps de travail du personnel au lieu de 160 minutes.

La vitesse ne doit cependant pas être le seul critère de mesure.

Supposons que 18 des 20 réponses générées par l'IA réussissent les tests d'exactitude factuelle et de conformité aux politiques lors de la première vérification, tandis que deux nécessitent une correction. Ces deux échecs sont importants, surtout s'ils concernent des remboursements, des garanties ou d'autres engagements envers les clients.

Ces chiffres sont donnés à titre d'exempleet ne reflètent pas les résultats mesurés d'une entreprise réelle. Un déploiement réel nécessiterait d'établir sa propre base de référence, de tester un nombre suffisant de cas représentatifs et d'enregistrer à la fois le temps gagné et les erreurs introduites.

Qu'est-ce qui peut mal tourner ?

Cet assistant, en apparence simple, pourrait présenter plusieurs défaillances.

Ses connaissances pourraient être obsolètes.

Cela pourrait créer une confusion entre deux produits similaires.

Elle pourrait produire une réponse convaincante alors que les documents fournis ne contiennent aucune réponse.

Des autorisations mal configurées pourraient lui permettre de consulter des informations client dont elle n'a pas besoin.

Des règles d'escalade trop faibles pourraient l'inciter à deviner au lieu de dire : « Un humain doit vérifier cela. »

Si les employés commencent à faire confiance automatiquement à chaque réponse soigneusement préparée, la vérification humaine peut se réduire à un simple clic sur « envoyer ». Le NIST identifie la dépendance excessive et les biais d'automatisation comme des risques dans les configurations homme-IA.

C’est pourquoi la fiabilité de l’IA dépend de bien plus que des seules capacités du modèle sous-jacent.

Les documents, les instructions, les autorisations, le processus de test et le jugement humain qui entourent le modèle ont également leur importance.

Points pratiques à retenir

Cet exemple illustre une caractéristique importante de l'IA en pratique.

L'intérêt ne réside pas dans le fait que la machine soit devenue comme par magie un employé du service client.

Il s'agit de la capacité d'un modèle d'IA à reconnaître l'intention du client, à exploiter les informations fournies et à générer une réponse plausible extrêmement rapidement.

Le rôle de l'humain évolue vers la fourniture d'un contexte fiable, la définition de limites, la vérification des cas incertains et la décision de savoir si la réponse est suffisamment bonne pour être utilisée.

Voilà l'IA moderne en miniature : une reconnaissance et une génération de modèles impressionnantes au sein d'un processus qui dépend encore fortement d'informations fiables et d'un jugement éclairé.

FAQ

Qu’est-ce que l’IA, au juste, et comment fonctionne l’intelligence artificielle ?

L'intelligence artificielle (IA) regroupe un vaste ensemble de techniques informatiques permettant aux ordinateurs d'accomplir des tâches associées à l'intelligence humaine, telles que la reconnaissance de formes, la compréhension du langage, la prédiction et la génération de contenu. L'IA moderne apprend souvent les relations statistiques à partir de grandes quantités de données plutôt que de se fier uniquement à des règles prédéfinies. Le comportement qui en résulte peut paraître intelligent, même si le processus sous-jacent diffère considérablement de la pensée humaine.

Quelle est la différence entre l'IA, l'apprentissage automatique, l'apprentissage profond et l'IA générative ?

L'intelligence artificielle (IA) désigne l'ensemble des systèmes capables d'effectuer des tâches apparemment intelligentes. L'apprentissage automatique est une approche qui permet aux systèmes d'identifier des modèles à partir de données, tandis que l'apprentissage profond utilise des réseaux neuronaux multicouches pour apprendre des modèles particulièrement complexes. L'IA générative est conçue pour créer de nouveaux contenus (texte, images, code, audio ou vidéo) à partir des relations apprises lors de l'entraînement.

Comment l'IA apprend-elle à partir des données d'entraînement ?

Les systèmes d'apprentissage automatique s'améliorent en traitant des exemples et en ajustant leurs paramètres internes, ou pondérations, afin que leurs résultats futurs soient plus précis et efficaces. Au lieu que les programmeurs définissent manuellement chaque règle possible, le modèle découvre des schémas statistiques dans les données d'entraînement. La qualité, la diversité et la pertinence de ces données influencent donc fortement ce que l'IA apprend et les domaines où elle peut rencontrer des difficultés.

Qu’est-ce que l’IA, au juste, si de nombreux systèmes d’IA sont des machines à prédire ?

De nombreux systèmes d'IA modernes peuvent être considérés, en partie, comme des systèmes de prédiction sophistiqués. Un modèle de langage, par exemple, traite le contexte d'une requête et prédit une séquence de mots appropriée pour générer sa réponse. Bien que cela paraisse simple, effectuer des prédictions fiables dans un langage complexe exige d'apprendre les relations entre les mots, les concepts, les structures, les styles et de nombreux autres modèles présents dans les données d'entraînement.

Pourquoi l'IA générative peut-elle donner des réponses assurées qui sont fausses ?

L'IA générative est principalement conçue pour produire des résultats plausibles, ce qui ne revient pas à vérifier indépendamment la véracité de chaque affirmation. Elle peut donc inventer des statistiques, confondre des faits similaires, produire des références inexistantes ou commettre des erreurs de raisonnement subtiles tout en paraissant convaincante. Ces erreurs sont communément appelées hallucinations, c'est pourquoi les informations importantes d'ordre médical, juridique, financier, sécuritaire ou commercial doivent toujours être vérifiées.

L'IA est-elle la même chose qu'un moteur de recherche ou qu'une simple automatisation ?

Non. Les moteurs de recherche traditionnels aident principalement les utilisateurs à trouver des informations existantes, tandis que l'IA générative crée des réponses à partir de modèles appris, du contexte fourni et parfois d'outils supplémentaires. L'automatisation de base suit généralement des règles ou des flux de travail prédéfinis plutôt que d'apprendre à partir d'exemples. Les systèmes modernes peuvent combiner recherche, génération et automatisation ; les frontières entre ces technologies peuvent donc devenir moins nettes dans les applications pratiques.

Qu’est-ce que l’IA, réellement, lorsqu’elle est utilisée dans un flux de travail d’entreprise ?

Dans un processus métier, l'IA est souvent plus efficace lorsqu'elle sert à reconnaître les intentions, à exploiter les informations fournies et à générer une première ébauche ou une recommandation pertinente. Un assistant de support client, par exemple, peut utiliser les politiques approuvées et les informations produits pour rédiger des réponses, tout en transmettant les cas incertains à un expert. La fiabilité repose sur des sources d'information fiables, des instructions claires, des autorisations appropriées, des tests et le jugement humain.

Que sont les agents IA et en quoi diffèrent-ils des chatbots ?

Un chatbot classique répond principalement à des requêtes isolées, tandis qu'un agent IA peut potentiellement planifier et exécuter plusieurs actions interconnectées en vue d'atteindre un objectif. Un agent peut utiliser des outils, récupérer des informations, mettre à jour un flux de travail ou poursuivre plusieurs étapes au lieu de simplement générer du texte. Cette capacité accrue peut s'avérer précieuse, mais elle rend également les autorisations, la sécurité, la fiabilité, les règles d'escalade et le contrôle particulièrement importants.

L'IA va-t-elle remplacer les emplois, ou va-t-elle principalement automatiser des tâches individuelles ?

L'IA est souvent mieux comprise comme une transformation de tâches spécifiques au sein d'un emploi plutôt que comme une suppression automatique de professions entières. Elle peut accélérer la rédaction, le brainstorming, l'analyse, le codage, l'organisation de la recherche ou les tâches de soutien répétitives, tout en laissant la stratégie, le jugement, le leadership, le goût et les décisions importantes aux humains. Une question pratique se pose donc : quelles parties d'un rôle peuvent devenir plus rapides, moins coûteuses, plus faciles ou plus automatisées ?.

Quelles sont les compétences les plus importantes pour utiliser efficacement l'IA ?

Le jugement et l'esprit critique sont essentiels, car générer une réponse ne signifie pas nécessairement fournir une réponse correcte ou pertinente. Les utilisateurs efficaces doivent savoir quelles questions poser, quelles informations fournir, quoi vérifier, quoi modifier et dans quels cas l'IA ne doit pas être utilisée. Dans les flux de production, l'obtention de résultats probants repose également sur un contexte fiable, des limites clairement définies, des tests représentatifs et un examen attentif des résultats incertains ou à fort impact.

Références

1. Institut national des normes et de la technologie (NIST) — csrc.nist.gov

2. IBM — Apprentissage automatique — ibm.com

3. Institut Stanford pour l'IA centrée sur l'humain — Rapport sur l'indice d'IA 2025 — hai.stanford.edu

4. Organisation internationale du travail (OIT) — Intelligence artificielle générative et emplois : un indice mondial affiné de l’exposition professionnelle — ilo.org

5. Google Cloud — Qu'est-ce que GPT ? — cloud.google.com

6. Google pour les développeurs — developers.google.com

7. Google Codelabs — codelabs.developers.google.com

8. OpenAI — Techniques de retour d'information humain — openai.com

9. arXiv — Calcul d'entraînement — arxiv.org

10. Nature — nature.com