L'IA générative est une branche de l'intelligence artificielle capable de produire de nouveaux contenus tels que du texte, des images, du son, de la vidéo ou du code informatique. Elle est notamment à l'origine des assistants conversationnels et de nombreux outils de création aujourd'hui accessibles au grand public.

Avant d'apprendre à utiliser ces outils, à rédiger des prompts efficaces ou à exploiter leurs API, il est indispensable de comprendre quelques notions fondamentales : intelligence artificielle, Machine Learning, modèle génératif, LLM, token, fenêtre de contexte, multimodalité et hallucination.

Ce chapitre présente ces notions de manière volontairement simple et concise afin de fournir les bases nécessaires pour aborder la suite du cours.

1. Qu'est-ce que l'intelligence artificielle ?

L'intelligence artificielle, généralement abrégée IA, est un domaine de l'informatique consacré à la conception de systèmes capables d'accomplir des tâches faisant appel à des capacités telles que l'apprentissage, la reconnaissance, la prédiction, le traitement du langage ou la résolution de problèmes.

Une intelligence artificielle peut par exemple :

• reconnaître des objets dans une image ;
• traduire automatiquement un texte ;
• détecter certaines anomalies dans des données ;
• recommander des vidéos, des produits ou des contenus ;
• comprendre et traiter des instructions formulées en langage naturel ;
• générer du texte, des images, du son, de la vidéo ou du code.

L'intelligence artificielle ne désigne donc pas uniquement des robots. Un moteur de recommandation, un système de reconnaissance d'images ou un assistant conversationnel peuvent également être des systèmes utilisant l'IA.

Il faut également éviter d'assimiler l'IA à l'intelligence humaine. Un système d'IA repose sur des algorithmes, des modèles, des données et des calculs. Ses performances peuvent être impressionnantes sans pour autant impliquer une conscience ou une compréhension humaine du monde.

2. IA classique, Machine Learning et IA générative

Le terme intelligence artificielle désigne un domaine très large qui a évolué au fil du temps. Plusieurs approches peuvent être distinguées.

2.1. IA classique

L'IA classique comprend notamment des approches dans lesquelles des connaissances, des règles ou des mécanismes de raisonnement sont explicitement définis afin de résoudre certains problèmes.

Un exemple historique est celui des systèmes experts, conçus pour reproduire certaines décisions d'un spécialiste à partir d'un ensemble de connaissances et de règles.

2.2. Machine Learning

Le Machine Learning, ou apprentissage automatique, est un sous-domaine de l'intelligence artificielle dans lequel des modèles apprennent des régularités à partir de données.

Au lieu d'écrire manuellement une règle pour chaque situation possible, on utilise des données afin d'entraîner un modèle à effectuer une tâche telle que la classification ou la prédiction.

2.3. Deep Learning

Le Deep Learning, ou apprentissage profond, est une branche du Machine Learning reposant sur des réseaux de neurones comportant plusieurs couches de traitement. Il joue un rôle majeur dans de nombreux systèmes modernes de reconnaissance d'images, de traitement de la parole et d'IA générative.

2.4. IA générative

L'IA générative désigne des systèmes capables de produire de nouveaux contenus à partir des structures apprises lors de leur entraînement.

La relation entre ces notions peut être représentée de manière simplifiée comme suit :

Cette représentation est volontairement simplifiée : l'IA générative constitue un domaine d'application et de modélisation qui ne se réduit pas à une seule technique.

3. Qu'est-ce qu'un modèle génératif ?

Un modèle génératif est un modèle capable de produire de nouvelles données ou de nouveaux contenus en s'appuyant sur les structures et régularités apprises pendant son entraînement.

Contrairement à un modèle uniquement destiné à déterminer si une image contient un chat ou un chien, par exemple, un modèle génératif peut être utilisé pour créer une nouvelle image.

De même, un modèle de langage génératif peut recevoir une instruction telle que :

Explique-moi simplement ce qu'est un réseau de neurones.

Il génère alors une réponse adaptée à cette demande.

Il est important de comprendre que le modèle ne va généralement pas chercher une réponse prédéfinie dans une immense liste de réponses enregistrées. Il génère un résultat à partir de son modèle, du contexte disponible et des mécanismes appris pendant son entraînement.

4. Les différents contenus générés : texte, image, audio, vidéo et code

L'un des principaux intérêts de l'IA générative est sa capacité à produire différents types de contenus.

4.1. Génération de texte

Les modèles de langage peuvent produire des articles, des résumés, des explications, des exercices, des traductions, des courriers ou encore des réponses à des questions.

4.2. Génération d'images

Les modèles de génération d'images permettent de créer des illustrations, des affiches, des miniatures, des concepts graphiques ou des images à partir d'une description textuelle.

4.3. Génération audio

L'IA peut produire de la parole, des voix synthétiques, des effets sonores ou de la musique. Elle peut également intervenir dans la transcription et le traitement de contenus audio.

4.4. Génération vidéo

Les modèles génératifs peuvent créer ou transformer des séquences vidéo à partir d'un texte, d'une image ou d'autres informations fournies par l'utilisateur.

4.5. Génération de code

Les assistants d'IA peuvent également générer, expliquer, compléter et corriger du code informatique dans de nombreux langages de programmation.

5. Qu'est-ce qu'un LLM ?

Le terme LLM signifie Large Language Model, que l'on peut traduire par grand modèle de langage.

Un LLM est un modèle entraîné sur de très grandes quantités de données textuelles afin d'apprendre des régularités du langage et de pouvoir traiter ou générer du texte.

Un LLM peut notamment :

• répondre à des questions ;
• expliquer un concept ;
• résumer un document ;
• traduire un texte ;
• reformuler un contenu ;
• générer du code ;
• participer à une conversation.

Les LLM modernes contiennent généralement un très grand nombre de paramètres. Ces paramètres sont ajustés pendant l'entraînement et permettent au modèle de représenter des relations complexes présentes dans les données.

Il ne faut pas confondre LLM et chatbot. Le LLM constitue le modèle sous-jacent, tandis qu'un assistant conversationnel est une application qui peut s'appuyer sur un ou plusieurs modèles et sur d'autres outils.

6. Comment fonctionne un LLM ?

Le fonctionnement réel d'un LLM est complexe, mais son principe général peut être compris sans entrer immédiatement dans les détails mathématiques.

Lorsqu'un utilisateur envoie une instruction, le texte est d'abord découpé en petites unités appelées tokens. Ces unités sont converties en représentations numériques pouvant être traitées par le modèle.

Les LLM modernes utilisent généralement une architecture appelée Transformer. Celle-ci permet notamment au modèle de tenir compte des relations entre les différents éléments du contexte.

Pour générer du texte, le modèle calcule des probabilités sur les tokens susceptibles de suivre le contexte déjà présent, puis poursuit progressivement la génération.

On peut représenter ce fonctionnement de manière très simplifiée :

Cette explication simplifiée permet de comprendre un point essentiel : un LLM ne fonctionne pas exactement comme une base de données qui rechercherait simplement une réponse déjà enregistrée.

7. Comprendre les tokens et la fenêtre de contexte

7.1. Qu'est-ce qu'un token ?

Un token est une unité utilisée par un modèle pour traiter le texte. Selon le modèle et la langue, un token peut correspondre à un mot entier, une partie de mot, un signe de ponctuation ou une autre séquence de caractères.

Il ne faut donc pas considérer systématiquement :

La manière exacte de découper un texte dépend du tokenizer utilisé par le modèle.

7.2. Qu'est-ce que la fenêtre de contexte ?

La fenêtre de contexte représente la quantité d'informations que le modèle peut prendre en compte au cours d'une interaction donnée, selon le modèle et le système utilisé.

Elle peut contenir notamment :

• les instructions de la conversation ;
• les messages précédents disponibles dans le contexte ;
• les documents ou informations fournis au modèle ;
• la réponse en cours de génération.

La taille de la fenêtre de contexte est donc importante lorsqu'on travaille avec de longs documents, de grandes bases de code ou des conversations volumineuses.

8. Qu'est-ce qu'un modèle multimodal ?

Un modèle multimodal est un modèle ou un système capable de travailler avec plusieurs types de données, appelés modalités.

Ces modalités peuvent notamment être :

• le texte ;
• l'image ;
• l'audio ;
• la vidéo.

Un système multimodal peut par exemple recevoir une image accompagnée de la question :

Explique-moi ce que montre ce schéma.

Il peut alors analyser les informations visuelles et utiliser le texte de la question pour produire une réponse.

La multimodalité permet ainsi de dépasser les interactions uniquement textuelles et de développer des assistants capables de travailler avec plusieurs formes d'informations.

9. Qu'est-ce qu'une hallucination en IA ?

Une hallucination désigne, dans le contexte de l'IA générative, un résultat incorrect, inventé ou non suffisamment fondé que le modèle peut néanmoins présenter de manière convaincante.

Un modèle peut par exemple :

• inventer une référence bibliographique ;
• attribuer une citation à la mauvaise personne ;
• donner une date incorrecte ;
• inventer une fonctionnalité qui n'existe pas ;
• produire du code plausible mais erroné ;
• affirmer avec assurance une information fausse.

Une réponse bien formulée n'est donc pas nécessairement une réponse correcte.

Pour réduire les risques, il est conseillé de vérifier les informations importantes, de consulter les sources pertinentes et de demander au système de s'appuyer sur des documents ou données fiables lorsque cela est possible.

La capacité à utiliser efficacement l'IA implique donc également d'apprendre à vérifier ses réponses.

10. Les principales limites de l'IA générative

L'IA générative possède des capacités impressionnantes, mais elle n'est ni infaillible ni adaptée à toutes les situations.

Parmi ses principales limites, on peut citer :

• les hallucinations et erreurs factuelles ;
• la présence possible de biais ;
• les limites liées aux données et à l'entraînement ;
• les limites liées au contexte disponible ;
• les erreurs de raisonnement ou d'interprétation ;
• les difficultés à garantir l'exactitude de certains résultats ;
• les questions de droits d'auteur et de propriété intellectuelle ;
• les risques de production de contenus trompeurs ou de désinformation.

L'utilisation d'une IA doit donc être adaptée au niveau de risque. Plus une décision est importante, plus la vérification humaine et le recours à des sources fiables deviennent essentiels.

11. Confidentialité et protection des données

L'utilisation d'outils d'IA générative implique souvent l'envoi d'informations vers un service informatique. Il est donc indispensable de réfléchir à la nature des données transmises.

Il faut notamment être prudent avec :

• les mots de passe et identifiants ;
• les données personnelles ;
• les données bancaires ;
• les documents professionnels confidentiels ;
• les données médicales ;
• les informations concernant des clients, étudiants ou collaborateurs ;
• les clés API et autres secrets informatiques.

Avant de transmettre un document à un outil d'IA, il convient de vérifier les conditions d'utilisation, les paramètres de confidentialité et les règles applicables à son organisation.

Lorsque cela est nécessaire, les informations sensibles peuvent être supprimées ou anonymisées avant leur traitement.

Une règle simple peut être retenue : ne transmettez pas à un service d'IA une information confidentielle sans savoir comment elle sera traitée et sans être autorisé à le faire.

12. Les principaux domaines d'application de l'IA générative

L'IA générative peut être utilisée dans un très grand nombre de domaines. Elle constitue généralement un outil d'assistance permettant d'accélérer certaines tâches, d'explorer des idées ou de produire une première version d'un contenu.

12.1. Éducation et formation

L'IA peut aider à produire des explications, des exercices, des questionnaires, des exemples, des supports pédagogiques et des parcours d'apprentissage personnalisés.

12.2. Programmation

Les développeurs peuvent utiliser l'IA pour générer du code, expliquer un programme, rechercher certaines erreurs, produire des tests ou documenter une application.

12.3. Création de contenu

L'IA générative peut participer à la rédaction d'articles, de descriptions, de scripts, de publications et de nombreux autres contenus.

12.4. Création graphique

Elle permet de générer des images, des illustrations, des concepts visuels, des affiches et des miniatures à partir d'instructions textuelles.

12.5. Audio et vidéo

L'IA peut être utilisée pour la synthèse vocale, la narration, la génération ou la transformation de contenus audio et vidéo.

12.6. Entreprises et productivité

Elle peut aider à synthétiser des documents, préparer des rapports, extraire certaines informations, rédiger des courriers ou assister différents processus professionnels.

12.7. Recherche et analyse

Les outils d'IA peuvent aider à explorer des documents, organiser des informations, comparer des contenus et assister certaines tâches de recherche, tout en nécessitant une vérification des résultats.

12.8. Cybersécurité

L'IA peut assister les professionnels de la cybersécurité dans l'analyse de données, l'explication de vulnérabilités, la documentation, l'étude de journaux ou l'automatisation de certaines tâches défensives.

L'IA générative ne doit donc pas être considérée uniquement comme un outil permettant de « discuter avec un chatbot ». Elle constitue une technologie polyvalente pouvant être intégrée à de nombreux logiciels, services et processus.

13. À retenir

• L'intelligence artificielle regroupe des techniques permettant aux machines d'accomplir certaines tâches complexes.
• Le Machine Learning permet à des modèles d'apprendre des régularités à partir de données.
• Le Deep Learning repose sur des réseaux de neurones profonds et joue un rôle important dans l'IA moderne.
• L'IA générative permet de produire de nouveaux contenus.
• Un LLM est un grand modèle de langage capable de traiter et de générer du texte.
• Les LLM manipulent le texte sous forme de tokens.
• La fenêtre de contexte détermine la quantité d'informations pouvant être prise en compte dans une interaction selon le système utilisé.
• Un modèle multimodal peut travailler avec plusieurs types de données comme le texte, l'image ou l'audio.
• Une hallucination correspond à une information incorrecte ou inventée produite par une IA.
• Les réponses importantes doivent être vérifiées.
• Les informations confidentielles et sensibles doivent être protégées lors de l'utilisation des services d'IA.
• L'IA générative possède de nombreuses applications dans l'éducation, la programmation, la création, la recherche, les entreprises et la cybersécurité.

Auteur : Younes Derfoufi
Lieu de travail : CRMEF OUJDA
Site Web : www.tresfacile.net
Chaine YouTube : https://www.youtube.com/user/InformatiquesFacile
Me contacter : https://www.tresfacile.net/me-contacter/