Qu’est-ce que l’intelligence artificielle ?
L'IA est une boîte à outils de méthodes qui aident les ordinateurs à résoudre des tâches.
Ce que vous apprendrez
- Expliquez : l'IA n'est pas un type unique de modèle
- Appliquez l’idée dans un exemple : Qu’est-ce que l’intelligence artificielle ?
- Reconnaître les limites et vérifier le résultat de l'exercice
L'IA est une boîte à outils de méthodes qui aident les ordinateurs à résoudre des tâches. Chez Luna Workshop, nous souhaitons choisir le bon outil avant de choisir un modèle.
Vous pouvez suivre ce cours sans compte ni programmation. Les exemples utilisent des données synthétiques et les résultats de l’IA doivent être vérifiés.
Comment ça marche, étape par étape
L'IA n'est pas un type unique de modèle
L'intelligence artificielle est une famille de méthodes de reconnaissance, de prédiction, de planification et de génération. Un système basé sur des règles suit les instructions écrites par des personnes. L'apprentissage automatique apprend les relations à partir d'exemples ; l’apprentissage profond utilise des réseaux à plusieurs couches. L'IA générative produit du nouveau contenu. Un LLM fonctionne avec le langage, mais les recommandations de produits ou la détection de défauts peuvent utiliser d'autres modèles. Pensez à une boîte à outils : choisissez un outil pour le problème. Un algorithme simple peut être plus adapté qu’un agent pour une règle fixe.
Comment l'apprentissage change un modèle
Les données d'entraînement sont l'ensemble d'exemples utilisés pour ajuster les paramètres du modèle. L'apprentissage supervisé inclut une cible, telle que le « spam ». L'apprentissage non supervisé trouve une structure, comme des groupes de clients. L'apprentissage auto-supervisé crée des objectifs à partir de données, par exemple prédire le texte suivant. La validation aide à choisir les paramètres ; l'ensemble de test reste séparé jusqu'à l'évaluation finale. Un modèle qui mémorise des exemples et échoue sur de nouvelles données est surajusté. Une répartition appropriée empêche les informations de l'ensemble de test de se retrouver dans les données d’entraînement.
Des tokens à la réponse
Un jeton est une unité de texte : parfois un mot, parfois un fragment de mot ou un signe de ponctuation. Le modèle traite les jetons de contexte et estime une distribution sur le jeton suivant. La sélection se répète jusqu'à l'arrêt. Le mécanisme d’attention des Transformers combine des informations sur les relations entre les jetons ; ce n'est pas l'attention humaine. L’entraînement modifie les paramètres, tandis que l'inférence utilise le modèle entraîné. Une réponse peut paraître cohérente sans être vraie : générer du texte ne vérifie pas les faits de manière indépendante.
Le schéma explicatif
Suivez les flèches pleines pour le flux principal. Les flèches bleues en pointillés fournissent des données ou un contexte ; les flèches roses en pointillés affichent des commentaires ou des résultats renvoyés. Les couleurs et les formes distinguent les modèles, les magasins, les décisions et les sorties. Sur un petit écran, faites défiler horizontalement pour suivre le schéma complet.
Un exemple complet
Une calculatrice ajoute les prix à l'aide de règles. Un filtre anti-spam apprend des exemples. Un LLM rédige des descriptions. La vision détecte les défauts ; un recommandateur classe les produits. Un robot combine perception et action.
Essayez-le vous-même
- Regroupez ces exemples : calculatrice, filtre anti-spam, chatbot, OCR, recommandations, robot, prévision et traduction.
- Enregistrez l’entrée, la source et le résultat attendu avant d’exécuter l’expérience. Utilisez uniquement les données fictives de l'exemple.
- Suivez les étapes du diagramme. À chaque étape, enregistrez les informations reçues et produites ; ne confondez pas le résultat intermédiaire avec le résultat final.
- Répétez après avoir supprimé les informations nécessaires ou rendu la saisie ambiguë. Vérifiez si le système clarifie, arrête ou invente une réponse.
- Comparez avec la solution expliquée. Conservez la configuration, la date, le résultat et une explication des différences. Changez une chose et retestez.
Une solution expliquée
L'arithmétique fixe utilise des règles ; la classification apprend ; l’écriture génère. Tous n’ont pas besoin d’un LLM ou d’un agent. Un exercice réussi vous permet de montrer le lien entre les contributions, les étapes et les résultats. Lorsqu’une information manque, une réponse prudente est plus utile que des détails inventés. Comparez bien plus que le style : vérifiez également les conditions, les sources et les opérations.
Quand cette approche est utile et quelles sont ses limites
Une interface de chat n’identifie pas la technologie qui la sous-tend. Choisissez cette approche lorsqu’elle améliore un besoin mesuré. Gardez une base de référence simple et comparez les résultats en utilisant des entrées identiques. Un exemple réussi n’établit pas la fiabilité dans toutes les situations.
Vérifiez vos connaissances
Est-ce que chaque automatisation est une IA ?
Non. Une règle fixe peut automatiser quelque chose sans apprentissage ni raisonnement flexible.
Pourquoi ne pas évaluer uniquement sur les données d'entraînement ?
Nous voulons des performances sur des situations nouvelles, pas des preuves de mémorisation.
Quel résultat cet exercice devrait-il produire ?
L'arithmétique fixe utilise des règles ; la classification apprend ; l’écriture génère. Tous n’ont pas besoin d’un LLM ou d’un agent.
Les mots à retenir
- AI: Une famille de méthodes, pas synonyme de chatbot.
- Surapprentissage: Le modèle correspond de trop près aux exemples qu'il a vus.
- Jeton (token): Une unité utilisée par le modèle pour les limites du texte et du contexte.
Sources et votre prochaine étape
Pour se préparer : aucun cours préalable n'est requis.
Continuez avec : F02 — Comment une machine apprend-elle ? · F06 — Chatbot, assistant, agent et système agentique