Par où commencer ? Cette partie pose les fondations avec le vocabulaire de base : de l’intelligence artificielle aux grands modèles de langage, en passant par les pièges à éviter comme les hallucinations. Les concepts à maîtriser pour débuter.

IA

L’intelligence artificielle est un ensemble de systèmes informatiques capables d’effectuer des tâches qui sont typiquement associées à l’intelligence humaine, comme l’apprentissage, le raisonnement, la résolution de problèmes, la perception ou la prise de décision. 

Le Parlement européen la définit plus spécifiquement comme tout outil utilisé par une machine capable de reproduire des comportements liés aux humains, tels que le raisonnement, la planification et la créativité.

Les domaine clés de l’intelligence artificielle sont:

• L’apprentissage automatique (machine learning): il permet d’utiliser les réseaux de neurones pour qu’un système puisse apprendre à partir de données en identifiant des schéma, des ‘patterns’ qui se répètent. Le machine learning est utilisé par exemple chez Apple par son Face ID qui permet d’identifier les utilisateurs en analysant les contours du visage.
• L’apprentissage profond (deep learning) : sous-catégorie du machine learning, il utilise des réseaux de neurones artificiels à multiples couches pour traiter des données complexes (images, son, texte). Ces architectures extraient automatiquement des caractéristiques pertinentes, sans intervention humaine. Par exemple, les outils de traduction comme DeepL ou les assistants vocaux (Siri, Alexa) s’appuient sur le deep learning pour comprendre et générer du langage naturel.
• L’IA actuelle (IA étroite ou ‘weak AI’) : c’est celle que nous utilisons aujourd’hui. Elle excelle dans des tâches spécifiques pour lesquelles elle a été entraînée (reconnaissance d’images, traduction, génération de texte), mais ne possède ni conscience ni compréhension générale. Un chatbot peut répondre à des questions sur la météo, mais il ignore ce qu’est la pluie.
• L’IA générale (AGI ou ‘strong AI’) : ce serait une IA capable de comprendre, apprendre et appliquer ses connaissances à n’importe quel domaine, comme un humain. Aujourd’hui, elle n’existe pas encore et soulève des questions éthiques, techniques et philosophiques majeures.

LLM

Un LLM (Large Language Model, ou Grand Modèle de Langage) est une intelligence artificielle avancée entraînée sur d’énormes quantités de données textuelles (livres, sites web, code, réseaux sociaux) pour comprendre, prédire et générer du langage humain de manière naturelle. C’est une IA générative qui permet de générer du contenu textuel, en anticipant le mot ou la suite de mots probables par rapport à une entrée donnée.

Exemples concrets:

• Mistral 7B : un LLM capable de répondre à des questions en français, générer des textes ou résumer des articles.
• GPT-4 : un LLM qui écrit des emails, code des programmes ou traduit des langues.
• Claude 3 : un LLM multimodal (texte + images), mais dont la spécialité reste le langage naturel.

Un LLM est toujours un modèle, mais spécialisé dans le traitement du langage (texte, parfois image/audio).

Modèle

Un modèle est un programme informatique entraîné sur des données pour reconnaître des motifs, faire des prédictions ou générer du contenu. Il représente une version simplifiée de la réalité, apprise à partir d’exemples.

Par exemple : 

• Un modèle de reconnaissance d’images (comme ceux de Google Photos) identifie des chats ou des paysages après avoir été entraîné sur des millions de photos étiquetées.
• Un modèle de prévision météorologique analyse des données historiques pour anticiper les températures de demain.

En IA générative, le modèle “comprend” statistiquement comment assembler des mots ou des pixels, sans saisir le sens profond des informations.

Exemples concrets :

• ResNet : un modèle de reconnaissance d’images (identifie des chats, des voitures, etc.) → pas un LLM.
• Un modèle de prédiction météo : entraîné sur des données climatiques pour prévoir la pluie → pas un LLM.
• Un filtre anti-spam : un modèle qui classe les emails en « spam » ou « non-spam » → pas un LLM.

Un modèle peut être spécialisé dans n’importe quel domaine (texte, image, son, données tabulaires, détection de fraude bancaire…). Un LLM en est un cas particulier.

Prompt

Un prompt est l’entrée textuelle (question, instruction, contexte) qui est fournie à un modèle d’IA pour obtenir une réponse. Sa formulation influence directement la qualité et la pertinence du résultat.

Quelques exemples:

• “Explique-moi la photosynthèse comme si j’avais 10 ans.” => guide le modèle vers un ton simple et accessible.
• “Rédige un email professionnel pour annoncer un retard de livraison à un client mécontent.” => Précise le contexte et le style attendus.
• “Liste 5 idées de recettes végétariennes avec des aubergines, en moins de 10 mots par idée.” => Ajoute des contraintes pour structurer la réponse.

Astuce: Plus le prompt est clair, précis et contextuel, meilleure sera la réponse de l’IA.

Hallucination

Les hallucinations sont un type d’erreur qui se produit lorsque l’IA affirme avec certitude quelque chose qui semble plausible, mais qui est en réalité faux. Cela est dû au fait que le modèle ne comprend pas vraiment le sens de ses propos, car la réponse est construite en fonction du mot suivant le plus probable dans le contexte donné. 

Plusieurs facteurs peuvent aggraver ce problème, et parmis ceux-ci : 

• • La pénalisation du doute: selon une étude d’ OpenAI, les systèmes d’évaluation actuels favorisent les réponses aléatoires ou affirmatives plutôt que l’admission d’une incertitude, renforçant les comportements hallucinatoires. voir la documentation de claude par Anthropic pour quelques conseils pour réduire les hallucinations

• Le manque d’ancrage: un modèle d’IA peut avoir des difficultés à comprendre réellement le monde réel. Ce qui peut paraître évident à un humain ne l’est en fait pas du tout pour un modèle, des connaissances telles que les informations factuelles, des propriétés physiques ou même de la logique. Certains modèles ne distinguent pas le vrai du faux et produisent ce qui est cohérent statistiquement. 

• La qualité des données d’entraînement:  des données incomplètes, biaisées, erronées ou obsolètes constituent une mauvaise base d’apprentissage pour un modèle et peuvent l’amener à inventer des faits pour combler des lacunes. Par exemple l’entraînement sur des contenus créés par d’autres IA peut introduire des cycles de rétroaction et propager des erreurs. Un autre exemple peut être le manque de couverture; si le domaine est niche et que les données le concernant sont insuffisantes ou de mauvaise qualité, le modèle pourrait inventer des détails.

Connaître ces quelques principes permet de prendre du recul sur les réponses d’une IA et de rester vigilant lors des interactions.