John McCarthy prend ensuite le relais. En 1956, lors de la conf\u00e9rence de Dartmouth, souvent vue comme le coup d\u2019envoi officiel du domaine, McCarthy forge et introduit le terme \u00ab\u00a0intelligence artificielle\u00a0\u00bb. \u00c0 cette occasion, il r\u00e9unit des figures marquantes telles que Marvin Minsky et Claude Shannon pour discuter des perspectives futures… m\u00eame s’il faut reconna\u00eetre que leurs attentes \u00e9taient sans doute trop optimistes.<\/p>\n
McCarthy ne s’arr\u00eate pas l\u00e0 : d\u00e8s 1958, il cr\u00e9e Lisp (un langage informatique central pour les d\u00e9veloppements en IA). Il contribue aussi au concept du \u00ab\u00a0temps partag\u00e9\u00a0\u00bb, qui permet \u00e0 plusieurs utilisateurs d’exploiter simultan\u00e9ment les ressources d’un m\u00eame ordinateur central.<\/p>\n
Les ann\u00e9es suivantes voient appara\u00eetre les premiers programmes d’IA. Le \u00ab\u00a0Logic Theorist<\/a>\u00a0\u00bb (1956) et le \u00ab\u00a0General Problem Solver<\/a>\u00a0\u00bb (1957), d\u00e9velopp\u00e9s par Allen Newell et Herbert A. Simon, illustrent bien ces d\u00e9buts prometteurs… C’\u00e9tait l’\u00e9mergence de ce qu’on appelle aujourd’hui l’IA symbolique \u2014 une approche qui dominera pendant plusieurs d\u00e9cennies.<\/p>\n Mais parall\u00e8lement se d\u00e9veloppe une autre \u00e9cole : celle de l’IA connexionniste. Frank Rosenblatt propose en 1957 le mod\u00e8le du perceptron<\/a>, inspir\u00e9 par le cerveau humain, qui ouvre la voie aux r\u00e9seaux neuronaux artificiels. Bien que ces travaux suscitent beaucoup d\u2019espoir \u00e0 leurs d\u00e9buts, certaines limites freineront leur essor jusqu\u2019\u00e0 ce que l\u2019apprentissage automatique connaisse une v\u00e9ritable renaissance dans les ann\u00e9es 1980…<\/p>\n Aujourd\u2019hui encore, IA symbolique et IA connexionniste coexistent (et parfois se compl\u00e8tent)… L\u2019approche neurosymbolique combine d\u00e9sormais apprentissage automatique et raisonnement logique pour tirer parti pleinement des atouts respectifs de ces deux visions compl\u00e9mentaires.<\/p>\n L’intelligence artificielle se pr\u00e9sente sous plusieurs formes ayant chacune ses particularit\u00e9s. Elle peut \u00eatre qualifi\u00e9e de faible ou forte, symbolique ou connexionniste. Quand on parle d’intelligence artificielle, l’image d’une machine qui pourrait penser et raisonner comme un humain vient souvent \u00e0 l’esprit… en v\u00e9rit\u00e9, la situation est plus nuanc\u00e9e.<\/p>\n D’un c\u00f4t\u00e9, il y a ce qu’on appelle l’IA \u00ab\u00a0faible\u00a0\u00bb (ou \u00e9troite). Elle est con\u00e7ue pour accomplir des t\u00e2ches sp\u00e9cifiques sans r\u00e9elle compr\u00e9hension du tout global. Par exemple, les logiciels de reconnaissance faciale : ils peuvent identifier un visage sur une photo, mais ne comprennent pas les \u00e9motions qui s’y refl\u00e8tent. Les assistants vocaux comme Siri ou Alexa peuvent r\u00e9pondre \u00e0 vos requ\u00eates ou ex\u00e9cuter des commandes, mais sans saisir le sens \u00e9motionnel de vos mots.<\/p>\n Cette IA faible fait partie int\u00e9grante de notre quotidien. Elle pilote les moteurs de recherche, recommande des films sur Disney Plus et filtre les spams dans nos courriels. Elle est tr\u00e8s dou\u00e9e pour accomplir des t\u00e2ches pr\u00e9cises, mais elle reste confin\u00e9e aux limites strictes de sa programmation.<\/p>\n \u00c0 l’oppos\u00e9, il y a ce qu’on appelle l’IA \u00ab\u00a0forte\u00a0\u00bb. Celle-ci vise \u00e0 reproduire une intelligence humaine compl\u00e8te,\u00a0 avec conscience et capacit\u00e9 d’apprentissage g\u00e9n\u00e9ral. Pour saisir le concept il faut imaginer une machine capable non seulement de comprendre votre langage, mais aussi d’\u00e9prouver des \u00e9motions ou m\u00eame de cr\u00e9er quelque chose par elle-m\u00eame. Pour le moment, cela reste th\u00e9orique (et tr\u00e8s loin d’\u00eatre r\u00e9alisable), mais rien que la perspective soul\u00e8ve d\u00e9j\u00e0 des questions morales complexes : quels droits accorderait-on \u00e0 une telle entit\u00e9 ? Et si elle surpassait l\u2019humain… quelles en seraient les cons\u00e9quences ?<\/p>\n Pour comprendre comment on en est arriv\u00e9 l\u00e0, il faut revenir aux deux grandes approches qui ont fa\u00e7onn\u00e9 le d\u00e9veloppement de l\u2019IA : l\u2019approche symbolique et l\u2019approche connexionniste.<\/p>\n L\u2019IA symbolique repose sur des r\u00e8gles logiques explicites, comme si on essayait de mod\u00e9liser la pens\u00e9e humaine avec des \u00ab\u00a0si… alors…\u00a0\u00bb. Par exemple : \u00ab SI un patient pr\u00e9sente fi\u00e8vre ET \u00e9ruption cutan\u00e9e ALORS il pourrait avoir la rougeole \u00bb. C’\u00e9tait dominant dans les premi\u00e8res d\u00e9cennies du domaine, mais cela a montr\u00e9 ses limites face \u00e0 la complexit\u00e9 du r\u00e9el.<\/p>\n C\u2019est ici que l’approche connexionniste entre en sc\u00e8ne. Inspir\u00e9e par le fonctionnement du cerveau humain (sans toutefois pr\u00e9tendre le r\u00e9pliquer), elle repose sur des r\u00e9seaux neuronaux artificiels capables d’apprendre par eux-m\u00eames \u00e0 partir de donn\u00e9es brutes. Ces r\u00e9seaux ajustent leurs connexions au fil du temps et deviennent progressivement meilleurs\u2014un peu comme nous apprenons par exp\u00e9rience. Gr\u00e2ce \u00e0 cela, on a vu appara\u00eetre des applications impressionnantes telles que la reconnaissance d\u2019images ou encore le traitement automatique du langage naturel.<\/p>\n Au c\u0153ur de ces r\u00e9seaux neuronaux se trouve \u00e9videmment l\u2019apprentissage, qui peut prendre plusieurs formes selon les besoins.<\/p>\n L\u2019apprentissage supervis\u00e9 est probablement celui qui para\u00eet le plus intuitif : vous fournissez au syst\u00e8me une s\u00e9rie d’exemples o\u00f9 vous connaissez d\u00e9j\u00e0 la r\u00e9ponse correcte, disons mille images \u00e9tiquet\u00e9es \u00ab\u00a0chien\u00a0\u00bb ou \u00ab\u00a0chat\u00a0\u00bb,\u00a0 puis il apprend progressivement \u00e0 distinguer ces cat\u00e9gories lui-m\u00eame.<\/p>\n Ensuite vient l’apprentissage non supervis\u00e9, o\u00f9 aucune r\u00e9ponse n’est donn\u00e9e au d\u00e9part. La machine doit d\u00e9couvrir seule certains motifs dans les donn\u00e9es fournies, comme assembler un puzzle sans avoir vu auparavant son image finale.<\/p>\n Enfin nous avons l’apprentissage par renforcement, inspir\u00e9 directement du conditionnement comportemental chez les animaux vivants. Ici encore AlphaGo (le programme d\u00e9velopp\u00e9 par DeepMind) reste embl\u00e9matique : apr\u00e8s avoir jou\u00e9 litt\u00e9ralement contre lui-m\u00eame pendant des millions de parties successives (!), il avait appris quelles strat\u00e9gies maximisaient ses chances contre n’importe quel humain au jeu de Go.<\/p>\n Chaque m\u00e9thode comporte ses avantages propres tout autant que certaines faiblesses inh\u00e9rentes\u2026 C\u2019est pourquoi combiner ces approches devient aujourd’hui n\u00e9cessaire pour am\u00e9liorer continuellement leurs performances globales.<\/p>\n Les mod\u00e8les de langage de grande taille (ou \u00ab\u00a0LLM\u00a0\u00bb pour Large Language Models) sont au c\u0153ur des r\u00e9centes perc\u00e9es en intelligence artificielle, particuli\u00e8rement dans le traitement du langage naturel (NLP). Leur fonctionnement repose sur un principe simple mais puissant : la pr\u00e9diction des mots.<\/p>\n Prenons l’exemple de GPT-4 d’OpenAI. Ces mod\u00e8les sont entra\u00een\u00e9s \u00e0 partir d’\u00e9normes volumes de donn\u00e9es textuelles (livres, articles, pages web\u2026). \u00c0 chaque \u00e9tape de g\u00e9n\u00e9ration de texte, ils calculent la probabilit\u00e9 que tel ou tel mot suive les pr\u00e9c\u00e9dents. Ensuite, soit ils s\u00e9lectionnent le mot avec la probabilit\u00e9 maximale, soit ils appliquent une fonction probabiliste qui permet d\u2019ajouter un peu de variation au choix.<\/p>\n Cette m\u00e9thode leur permet non seulement de produire des phrases grammaticalement correctes mais aussi contextuellement pertinentes. Ils peuvent comprendre les subtilit\u00e9s du langage, les r\u00e9f\u00e9rences culturelles et m\u00eame certaines expressions idiomatiques\u2026 ce qui est assez impressionnant quand on y pense.<\/p>\n Bien s\u00fbr, tout n’est pas parfait. En s’appuyant sur des probabilit\u00e9s issues des donn\u00e9es d’entra\u00eenement, ces mod\u00e8les ont parfois tendance \u00e0 g\u00e9n\u00e9rer des r\u00e9ponses g\u00e9n\u00e9riques ou biais\u00e9es (ce que l’on appelle un \u00ab\u00a0biais algorithmique\u00a0\u00bb). Ils reproduisent souvent les sch\u00e9mas dominants pr\u00e9sents dans leurs donn\u00e9es sources\u2026 ce qui peut limiter la diversit\u00e9 ou renforcer certains st\u00e9r\u00e9otypes.<\/p>\n Pour contourner ces limitations, on utilise aujourd’hui diverses techniques : ajustement fin (fine-tuning), modification de certains param\u00e8tres ou encore utilisation d’algorithmes sp\u00e9cifiques comme nous le faisons avec notre algorithme WAIZZ-Gen pour diversifier davantage les r\u00e9ponses. Ces approches permettent aussi de r\u00e9duire certains biais et d’affiner la personnalisation du contenu g\u00e9n\u00e9r\u00e9.<\/p>\n Lorsque vous discutez avec un chatbot utilisant un LLM… le processus est similaire mais adapt\u00e9 \u00e0 l\u2019interaction en temps r\u00e9el. Le syst\u00e8me analyse rapidement ce que vous avez \u00e9crit (en identifiant par exemple quelques mots-cl\u00e9s), puis tente d\u2019interpr\u00e9ter votre intention derri\u00e8re ces mots. Gr\u00e2ce \u00e0 ses vastes connaissances accumul\u00e9es lors de son entra\u00eenement initial, il anticipe alors quelle pourrait \u00eatre la meilleure r\u00e9ponse possible.<\/p>\n Maintenir une coh\u00e9rence tout au long d’une conversation demande une compr\u00e9hension fine du contexte global… C\u2019est l\u00e0 qu\u2019interviennent certaines am\u00e9liorations suppl\u00e9mentaires int\u00e9gr\u00e9es dans certains syst\u00e8mes afin d\u2019adapter le ton ou encore personnaliser davantage selon vos besoins sp\u00e9cifiques.<\/p>\n Gr\u00e2ce au fine-tuning \u00e9voqu\u00e9 plus t\u00f4t… il devient possible d\u2019adapter ces mod\u00e8les pour r\u00e9pondre aux besoins particuliers de secteurs pr\u00e9cis : sant\u00e9, juridique… voire m\u00eame certaines industries cr\u00e9atives ! En affinant leur formation sur des jeux sp\u00e9cifiques, on obtient alors non seulement davantage de pertinence mais aussi beaucoup plus de sp\u00e9cialisation dans leurs r\u00e9ponses.<\/p>\n Les possibilit\u00e9s semblent sans fin\u2026<\/p>\n Les origines de l’intelligence artificielle s’enracinent dans des concepts qui ont profond\u00e9ment influenc\u00e9 l’\u00e9volution de l’informatique. Alan Turing, math\u00e9maticien britannique, a jet\u00e9 les bases th\u00e9oriques du domaine. Durant la Seconde Guerre mondiale, il s’est distingu\u00e9 par son travail sur le d\u00e9cryptage du code Enigma utilis\u00e9 par les Allemands, un apport d\u00e9terminant \u00e0 la victoire des Alli\u00e9s.<\/p>\n En 1936, Turing publie \u00ab\u00a0On Computable Numbers<\/a>\u00ab\u00a0, un texte fondateur o\u00f9 il pr\u00e9sente ce que nous appelons aujourd’hui la \u00ab\u00a0Machine de Turing\u00a0\u00bb. Gr\u00e2ce \u00e0 elle, il \u00e9tablit un cadre conceptuel pour comprendre ce qu’une machine peut accomplir en suivant une s\u00e9rie d’instructions… Un jalon majeur dans la th\u00e9orie du calcul. Puis en 1950, avec \u00ab\u00a0Computing Machinery and Intelligence<\/a>\u00ab\u00a0, Turing va encore plus loin en posant une question devenue c\u00e9l\u00e8bre : \u00ab\u00a0Les machines peuvent-elles penser ?\u00a0\u00bb Pour y r\u00e9pondre, il propose ce que l’on conna\u00eet sous le nom de Test de Turing (un test visant \u00e0 d\u00e9terminer si une machine peut imiter un humain lors d’une conversation). Ces r\u00e9flexions ont ouvert la voie \u00e0 des d\u00e9bats sur la conscience et l\u2019intelligence artificielle.<\/p>\n John McCarthy prend ensuite le relais. En 1956, lors de la conf\u00e9rence de Dartmouth, souvent vue comme le coup d\u2019envoi officiel du domaine, McCarthy forge et introduit le terme \u00ab\u00a0intelligence artificielle\u00a0\u00bb. \u00c0 cette occasion, il r\u00e9unit des figures marquantes telles que Marvin Minsky et Claude Shannon pour discuter des perspectives futures… m\u00eame s’il faut reconna\u00eetre que leurs attentes \u00e9taient sans doute trop optimistes.<\/p>\n McCarthy ne s’arr\u00eate pas l\u00e0 : d\u00e8s 1958, il cr\u00e9e Lisp (un langage informatique central pour les d\u00e9veloppements en IA). Il contribue aussi au concept du \u00ab\u00a0temps partag\u00e9\u00a0\u00bb, qui permet \u00e0 plusieurs utilisateurs d’exploiter simultan\u00e9ment les ressources d’un m\u00eame ordinateur central.<\/p>\n Les ann\u00e9es suivantes voient appara\u00eetre les premiers programmes d’IA. Le \u00ab\u00a0Logic Theorist<\/a>\u00a0\u00bb (1956) et le \u00ab\u00a0General Problem Solver<\/a>\u00a0\u00bb (1957), d\u00e9velopp\u00e9s par Allen Newell et Herbert A. Simon, illustrent bien ces d\u00e9buts prometteurs… C’\u00e9tait l’\u00e9mergence de ce qu’on appelle aujourd’hui l’IA symbolique \u2014 une approche qui dominera pendant plusieurs d\u00e9cennies.<\/p>\nLes diff\u00e9rents types d’intelligence artificielle<\/h2>\n
IA faible vs IA forte<\/h3>\n
![\"Comparatif](\"https:\/\/medias.waizz.net\/sites\/2\/2024\/10\/ia-faible-vs-ia-forte.png\")
<\/p>\nApproches symbolique et connexionniste<\/h3>\n
![\"Comparaison](\"https:\/\/medias.waizz.net\/sites\/2\/2024\/10\/ia-approche-symbolique-vs-connexionniste.png\")
<\/p>\nLes diff\u00e9rentes m\u00e9thodes d\u2019apprentissage<\/h3>\n
Fonctionnement des LLM et Chatbots<\/h2>\n
Comment fonctionnent les LLM ?<\/h3>\n
Interaction avec les chatbots<\/h3>\n
Adaptabilit\u00e9 et personnalisation<\/h3>\n
Origine, dates cl\u00e9s et pionniers de l’IA<\/h2>\n