Le paysage de l’intelligence artificielle a été bouleversé il y a moins d’un an avec le lancement de ChatGPT et l’émergence très rapide de l’IA générative. L’année dernière, nous avons publié L’IA pour les débutants, une introduction à la technologie (ci-dessous), et une mise à jour s’impose avec 3 nouveaux concepts.
L’IA générative
L’IA générative est un domaine de l’intelligence artificielle qui crée (génère) un contenu original en réponse à un prompt (une invite). L’IA générative peut générer différents types de contenus tels que du texte, des images, des vidéos, du code, de la musique ou encore des molecules, voire un mélange de différents contenus. Les algorithmes sont entraînés à partir de très grands ensembles de données et apprennent les modèles et les structures sous-jacents. Ensuite, le modèle d’IA peut générer un nouveau contenu basé sur des modèles similaires et peut parfois même produire un contenu très creéatif ou même étonnamment réaliste donnant l’impression d’être produit par un humain.
Le Large Language Model (LLM)
Le Large Language Model (LLM) est un modèle basé sur le langage qui est entraîné sur un ensemble massif de données de contenu et de paramètres : C’est comme un robot super intelligent et capable de s’exprimer qui a été entraîné sur une quantité massive de textes provenant d’Internet et d’autres sources. Ces modèles linguistiques utilisent des algorithmes complexes et des techniques d’apprentissage profonde (deep learning) pour analyser les schémas des données textuelles auxquelles ils ont été exposés. Cela leur permet d’appréhender la grammaire, le vocabulaire et même le contexte. Les LLM les plus connus sont GPT-4, Claude, BERT, LLama 2, PaLM. Les LLM sont utilisés pour un large éventail de tâches, telles que la réponse à des questions, la traduction, l’aide à la rédaction, les chatbots, la creation visuelle, la recherche et bien plus encore.
ChatGP et autres applications d’IA générative ?
ChatGPT se définit comme suit : » ChatGPT est un modèle de langage développé par OpenAI, conçu pour engager une conversation semblable à celle d’un humain et générer des réponses basées sur du texte en comprenant et traitant les entrées de langage naturel.”
Depuis le séisme provoqué par OpenAI il y a moins de 12 mois avec une version publique de ChatGPT assurant l’un des taux d’adoption les plus rapides de l’histoire, de nombreuses entreprises ont livré leurs solutions et applications d’IA générative pour le texte (ChatGPT), les images (MidJourney), la vidéo (RunawayML) ou la musique (MusicLM). La liste est trop longue pour les citer tous ici, mais toutes les grandes entreprises technologiques telles que Google avec BARD, Microsoft avec Copilot et 10 milliards de dollars d’investissement dans Open AI ou Meta avec LLaMa et une galaxie de start-ups et d’entreprises à grande échelle s’efforcent de changer le monde de l’IA.
L’IA pour les débutants, une introduction à la technologie
Assistant vocal, voiture autonome, ville connectée, notre quotidien est désormais rythmé par la technologie et notamment l’Intelligence artificielle, le Deep Learning ou le Natural Language Processing. Mais finalement qu’est qui se cache vraiment derrière tous ces mots aussi fascinants qu’inquiétants ? Nous vous livrons quelques clés pour comprendre un peu mieux de quoi il retourne.
Intelligence Artificielle
Apparue dans les années 50, l’intelligence artificielle regroupe un ensemble de techniques qui ont pour but de permettre à des machines de reproduire des fonctions et des comportements humains comme reconnaître des images, comprendre le langage humain ou gérer des opérations automatisées.
Très tôt, on a pensé pouvoir créer des machines capables de penser par elles-mêmes qui deviendraient plus « intelligentes » que les humains. De nombreuses difficultés n’ont pas permis de réaliser les scénarios des films de science-fiction, mais grâce au développement du Machine Learning et du Deep Learning récemment, une nouvelle ère de l’Intelligence Artificielle s’ouvre désormais.
Machine Learning
Le Machine Learning est une technique d’apprentissage automatique d’une machine pour lui donner la capacité à traiter un volume de données de données et à les organiser. L’objectif est de générer une réponse à partir de nouvelles données qui n’ont encore jamais été traitées.
Le Machine Learning se divise en 2 catégories :
L’apprentissage supervisé : C’est un apprentissage à partir d’un lot de données, préalablement labellisées par un humain, le modèle apprend comme si on apprenait par cœur.
L’apprentissage non supervisé : C’est un apprentissage à partir d’une base de données brutes sans étiquetage préalable. Il repose sur des algorithmes capables de regrouper et de classifier des données présentant des caractéristiques ou des structures communes.
Auparavant, il était nécessaire de coder 100% et donc prévoir tous les cas de figures d’un programme (les fameux arbres de décisions qui deviennent vite trop ramifiés). Le Machine Learning a ouvert de nouvelles perspectives car il permet à des programmes d’être plus intelligents et aux machines d’être plus utiles. Toutefois on est encore loin des machines qui apprennent toutes seules, notamment à cause des capacités de calcul limitées.
Deep Learning
Le Deep Learning ou apprentissage profond est un domaine de l’intelligence artificielle, issu du Machine Learning et qui se base sur les réseaux neuronaux artificiels.
Grâce à l’explosion de la puissance de calcul et une disponibilité de données sans commune mesure avec le passé, le Deep learning a vu la performance des algorithmes connaître un essor sans précédent.
Le Deep Learning permet un traitement de la donnée brute de manière autonome et est capable de générer une classification autonome, en s’appuyant notamment sur des architectures de réseaux neuronaux complexes.
Appliquée au traitement du langage par exemple, le Deep Learning constitue une révolution. Les performances du Deep Learning, bien supérieures au Machine Learning, permettent aujourd’hui de mieux comprendre le langage et de déterminer la part d’implicite ou l’ambiguïté d’une phrase, en clair comprendre le sens réel d’une phrase.
Neural Network ou Réseau de Neurones artificiels
Un réseau de neurones artificiels est un système mathématique et statistique qui s’inspire grossièrement du vrai fonctionnement d’un neurone de notre système nerveux.
Un réseau de neurones artificiels se compose de couches de nœuds (cellules) avec une entrée (provenant de toutes les cellules d’une couche précédente) et une sortie (vers toutes les cellules de la couche suivante). Chaque cellule multiplie toutes les valeurs entrantes par un nombre, puis transmet le résultat à toutes les cellules de la couche suivante. Ce fonctionnement par couches permet de gérer un volume de données beaucoup plus important et a favorisé l’émergence du Deep Learning
Natural Language Processing ou Traitement Automatique du Langage Naturel
La langage humain (quelle que soit la langue) est par nature imprécis, équivoque, ambigu, alors que les machines utilisent un langage spécifique, normé et structuré.
Le Natural Language Processing (Traitement du Langage Naturel) ou NLP arrive à la rescousse pour permettre le dialogue entre l’humain et la machine en utilisant le langage humain. Le NLP est donc la capacité d’une machine à traiter le langage naturel tel qu’il est écrit ou parlé.
Il s’appuie sur des techniques à la croisée de la linguistique, de l’informatique et des mathématiques. Associé au Machine Learning et au Deep Learning, il permet par exemple de créer un modèle linguistique performant qui pourra analyser automatiquement de manière littérale des phrases formulées à l’oral ou à l’écrit par un humain.
Le NLP est ainsi capable de convertir des données issues du langage (par nature non structurées) dans un format lisible par les machines (donc structurées).
Natural Language Understanding ou Compréhension du Langage Naturel
Grâce au Traitement du Langage Naturel, les machines sont capables de traiter les mots et de les interpréter. Cependant la langue parlée (et même écrite) est très complexe, souvent implicite, ambiguë et le sens dépend du contexte.
Le nouveau défi est de permettre aux machines d’avoir une compréhension approfondie du langage humain, en plus de comprendre ce qui est dit, il s’agit de comprendre le sens. C’est là qu’intervient le Natural Language Understanding (NLU), Compréhension du Langage Naturel. Il s’agit d’un sous-domaine du NLP. Grâce aux techniques de Deep Learning, on est en mesure de traiter des bases de données d’une langue bien plus vaste pour permettre l’analyse automatique de la sémantique et de la syntaxe des phrases formulées par un humain afin de comprendre le sens. Cependant cette technique requiert une vaste base de données de la langue concernée pour être performante.
Le NLU est très utile pour des applications telle que la reconnaissance vocale, car comme il s’agit de comprendre une requête formulée par un être humain avec ses propres mots, il est important que l’algorithme soit capable d’en interpréter le sens afin de délivrer en retour une réponse pertinente.
L’ensemble de ces technologies est mis en œuvre par Telecats aux services du développement de ses solutions, comme AI-Routing avec cette idée directrice que l’intelligence artificielle ne remplacera pas les conseillers mais au contraire les aideront au quotidien dans l’amélioration du service client.
