Notions de base de l’IA

Bienvenue! Si vous débutez avec l’IA, vous n’avez pas besoin d’avoir des connaissances techniques pour commencer. Ce qui aide le plus, c’est une simple vue d’ensemble du paysage — afin que vous puissiez comprendre ce que les systèmes d’IA peuvent faire, comment ils sont proposés et comment choisir l’outil qui convient à vos besoins.

L’intelligence artificielle (IA) est une vaste catégorie de logiciels capables de reconnaître des tendances, d’apprendre à partir de données et de produire des résultats utiles. 

Vous avez probablement vu l’IA s’inviter dans des moments du quotidien, par exemple lorsque :

• Votre application de cartographie recalcule votre itinéraire pour éviter la congestion
• Votre banque signale un achat comme « inhabituel »
• Un chatbot de service à la clientèle répond aux questions courantes

L’IA est une catégorie — et non un seul outil. Dans cette catégorie, on trouve des modèles : des systèmes entraînés qui apprennent à partir de données, puis appliquent ce qu’ils ont appris à de nouvelles situations. Certains modèles se spécialisent dans la parole, la vision ou la prévision. 

Vous commencez probablement votre parcours en IA en utilisant des outils d’IA conversationnelle, comme ChatGPT. Les modèles derrière ChatGPT sont spécialisés dans le langage — on les appelle des grands modèles linguistiques.

Un grand modèle de langage (LLM) est un modèle conçu pour travailler avec le langage. Il apprend des schémas à partir de grandes quantités de texte provenant de nombreuses sources afin de pouvoir générer et transformer du texte de manière utile. Un LLM ne « sait » pas des choses de la même manière qu’une personne. Au lieu de cela, il prédit l’élément de langage suivant le plus probable en fonction du contexte. Au fil du temps, les progrès de la puissance de calcul, des méthodes d’entraînement et de l’accès à de grands ensembles de données ont permis de créer des modèles de langage plus vastes et plus performants. 

OpenAI et d’autres laboratoires de recherche de pointe développent ces modèles comme élément central de leur offre, puis les rendent accessibles par des produits destinés aux utilisateurs (comme ChatGPT ou Codex) et par des API, qui permettent aux développeurs d’utiliser ces modèles pour créer leurs propres outils d’IA et intégrer l’IA dans des logiciels existants.

De nouveaux modèles deviennent disponibles dans ces laboratoires de recherche lorsqu’ils ont été entraînés et ont passé des évaluations internes et des tests de sécurité.  Lorsque vous entendez dire qu’un modèle d’IA a été « entraîné », cela fait généralement référence à deux étapes— voyez cela comme une personne qui apprend et s’améliore dans son travail.

La première étape est le pré-entraînement, au cours duquel le modèle apprend des schémas généraux à partir d’une énorme quantité de texte, ce qui lui confère de vastes capacités comme la synthèse, la rédaction, la traduction et l’explication. 

Imaginez cela comme un nouvel employé qui passe des semaines à lire tout ce qu’il peut : manuels, exemples d’excellent travail, projets antérieurs, FAQ, jusqu’à ce qu’il comprenne les contours du poste.

Maintenant, l’« employé » commence à travailler, et un « gestionnaire » l’accompagne : soyez plus clair, posez de bonnes questions de suivi, adoptez le ton approprié et respectez les politiques de l’entreprise. C’est la post-formation. Cette étape aide le modèle à suivre les instructions plus fidèlement, à communiquer dans un style utile et à mieux gérer les situations délicates.

C’est aussi lors de la post-formation que les contrôles de sécurité sont renforcés — une formation conçue pour réduire les sorties nuisibles, éviter les demandes indésirables et répondre avec plus de précaution lorsque le sujet est sensible ou incertain.

À mesure que les modèles sont mis à jour et entraînés, vous pourriez remarquer des changements dans le ton ou les réponses. Si vous voulez des résultats cohérents, soyez explicite quant à votre objectif, votre public, le format et les contraintes — et attendez-vous à ce que le modèle fasse preuve de plus de prudence lorsque la sécurité ou l’incertitude entre en jeu.

Différents modèles sont optimisés pour différents compromis, comme la vitesse, la profondeur et le soin avec lequel ils suivent des instructions en plusieurs étapes. Certains sont conçus pour répondre rapidement et avec fluidité aux tâches quotidiennes (rédaction, résumé, reformulation et remue-méninges). D’autres sont conçus pour consommer davantage de ressources de calcul afin de réfléchir en profondeur à un problème avant de répondre, ce qui peut améliorer la fiabilité des tâches complexes en plusieurs étapes. 

Les modèles non-raisonnants (parfois appelés « Instantané ») sont optimisés pour une sortie rapide et fluide. Ils constituent un bon choix par défaut lorsque la tâche est simple et que vous voulez surtout gagner en élan : transformer des notes en message, peaufiner le libellé, générer des options ou extraire les points clés. 

Les modèles de raisonnement (parfois désignés par « Réflexion ») sont entraînés pour mieux résoudre, de façon délibérée et étape par étape, des problèmes comme la planification, l’analyse complexe, le débogage difficile ou la prise de décisions comportant des contraintes et des cas limites. Ils peuvent prendre plus de temps, mais ils sont souvent meilleurs pour suivre plusieurs éléments en mouvement et éviter les erreurs superficielles.

Si vous débutez, vous n’avez pas à vous soucier du choix du modèle : l’expérience ChatGPT par défaut est conçue pour basculer automatiquement, afin que vous puissiez vous concentrer sur votre question et non sur les paramètres.

Au fil du temps, à mesure que vous apprenez ce que vous préférez (la rapidité ou la profondeur, les ébauches rapides ou l’analyse approfondie), vous pouvez commencer à expérimenter avec les commandes facultatives : par exemple, choisir Auto la plupart du temps et passer à Réflexion lorsqu’une tâche est complexe ou à forts enjeux.

Voici la hiérarchie simple :

• IA = le domaine global
• Modèles = systèmes entraînés qui accomplissent des tâches particulières
• Grands modèles de langage (LLM) : modèles axés sur la compréhension et la génération du langage, entraînés au fil du temps par des laboratoires de recherche en IA
• ChatGPT = un produit qui vous aide à utiliser un LLM efficacement

Une fois que vous aurez cette image en tête, vous aurez tout ce qu’il faut pour apprendre à obtenir de très bons résultats avec des outils comme ChatGPT, en commençant par la façon de lui parler pour obtenir les résultats que vous voulez.

Découvrez la prise en main de ChatGPT et l’ingénierie des invites.