Décryptage des termes clés de l'IA : AGI, LLMs et plus

L'intelligence artificielle (IA) transforme le monde tout en inventant un tout nouveau langage pour décrire son fonctionnement. Passez cinq minutes à lire sur l'IA et vous rencontrerez des termes comme LLMs, RAG, RLHF, et une douzaine d'autres qui peuvent rendre même les personnes les plus intelligentes du secteur technologique mal à l'aise. Ce glossaire est notre tentative de remédier à cela. Nous le mettons à jour régulièrement à mesure que le domaine évolue, alors considérez-le comme un document vivant, à l'image des systèmes d'IA qu'il décrit.

Intelligence générale artificielle (AGI)

L'intelligence générale artificielle, ou AGI, est un terme nébuleux. Il fait généralement référence à une IA plus capable que l'humain moyen dans de nombreuses, sinon la plupart, des tâches. Le PDG d'OpenAI, Sam Altman, a décrit l'AGI comme l'« équivalent d'un humain médian que vous pourriez embaucher comme collègue ». Pendant ce temps, la charte d'OpenAI définit l'AGI comme des « systèmes hautement autonomes qui surpassent les humains dans la plupart des travaux économiquement précieux ». La compréhension de Google DeepMind diffère légèrement de ces deux définitions ; le laboratoire considère l'AGI comme « une IA au moins aussi capable que les humains dans la plupart des tâches cognitives ». Vous êtes confus ? Pas de souci — les experts à la pointe de la recherche en IA le sont aussi.

Agent IA

Un agent IA désigne un outil qui utilise des technologies d'IA pour effectuer une série de tâches en votre nom — au-delà de ce qu'un chatbot IA plus basique pourrait faire — comme le dépôt de dépenses, la réservation de billets ou d'une table dans un restaurant, ou même l'écriture et la maintenance de code. Cependant, comme nous l'avons expliqué précédemment, il y a beaucoup d'éléments en mouvement dans cet espace émergent, donc « agent IA » peut signifier des choses différentes pour des personnes différentes. L'infrastructure est également encore en cours de développement pour réaliser ses capacités envisagées. Mais le concept de base implique un système autonome qui peut s'appuyer sur plusieurs systèmes d'IA pour exécuter des tâches en plusieurs étapes.

Points de terminaison API

Pensez aux points de terminaison API comme à des « boutons » à l'arrière d'un logiciel que d'autres programmes peuvent presser pour le faire fonctionner. Les développeurs utilisent ces interfaces pour créer des intégrations — par exemple, permettant à une application de récupérer des données d'une autre, ou permettant à un agent IA de contrôler directement des services tiers sans qu'un humain n'opère manuellement chaque interface. La plupart des appareils intelligents et des plateformes connectées disposent de ces boutons cachés, même si les utilisateurs ordinaires ne les voient jamais ou n'interagissent pas avec eux. À mesure que les agents IA deviennent plus capables, ils sont de plus en plus capables de trouver et d'utiliser ces points de terminaison par eux-mêmes, ouvrant ainsi des possibilités puissantes — et parfois inattendues — pour l'automatisation.

Chaîne de pensée

Face à une question simple, un cerveau humain peut répondre sans trop réfléchir — des choses comme « quel animal est plus grand, une girafe ou un chat ? » Mais dans de nombreux cas, vous avez souvent besoin d'un stylo et d'un papier pour trouver la bonne réponse car il y a des étapes intermédiaires. Par exemple, si un agriculteur a des poules et des vaches, et qu'ensemble ils ont 40 têtes et 120 pattes, vous pourriez avoir besoin d'écrire une simple équation pour trouver la réponse (20 poules et 20 vaches).

Dans un contexte d'IA, le raisonnement en chaîne de pensée pour les grands modèles de langage signifie décomposer un problème en étapes plus petites et intermédiaires pour améliorer la qualité du résultat final. Cela prend généralement plus de temps pour obtenir une réponse, mais la réponse est plus susceptible d'être correcte, en particulier dans un contexte logique ou de codage. Les modèles de raisonnement sont développés à partir de grands modèles de langage traditionnels et optimisés pour la pensée en chaîne de pensée grâce à l'apprentissage par renforcement.

Agent de codage

C'est un concept plus spécifique qu'un « agent IA », ce qui signifie un programme capable d'agir de manière autonome, étape par étape, pour atteindre un objectif. Un agent de codage est une version spécialisée appliquée au développement logiciel. Plutôt que de simplement suggérer du code à un humain pour qu'il le révise et le colle, un agent de codage peut écrire, tester et déboguer du code de manière autonome, gérant le type de travail itératif et d'essai-erreur qui consomme généralement la journée d'un développeur. Ces agents peuvent opérer sur l'ensemble des bases de code, repérant des bogues, exécutant des tests et poussant des corrections avec un minimum de supervision humaine. Pensez-y comme à l'embauche d'un stagiaire très rapide qui ne dort jamais et ne perd jamais de concentration — bien que, comme pour tout stagiaire, un humain doive toujours revoir le travail.

Calcul

Bien que quelque peu un terme polyvalent, le calcul fait généralement référence à la puissance de calcul vitale qui permet aux modèles d'IA de fonctionner. Ce type de traitement alimente l'industrie de l'IA, lui donnant la capacité d'entraîner et de déployer ses modèles puissants. Le terme est souvent un raccourci pour désigner les types de matériel qui fournissent la puissance de calcul — des choses comme les GPU, CPU, TPU, et d'autres formes d'infrastructure qui forment le socle de l'industrie moderne de l'IA.

Apprentissage profond

Un sous-ensemble de l'apprentissage automatique auto-améliorant dans lequel les algorithmes d'IA sont conçus avec une structure de réseau de neurones artificiels (ANN) à plusieurs couches. Cela leur permet de faire des corrélations plus complexes par rapport aux systèmes d'apprentissage automatique plus simples, tels que les modèles linéaires ou les arbres de décision. La structure des algorithmes d'apprentissage profond s'inspire des voies interconnectées des neurones dans le cerveau humain.

Les modèles d'IA en apprentissage profond sont capables d'identifier eux-mêmes des caractéristiques importantes dans les données, plutôt que de nécessiter que des ingénieurs humains définissent ces caractéristiques. La structure prend également en charge des algorithmes capables d'apprendre de leurs erreurs et, grâce à un processus de répétition et d'ajustement, d'améliorer leurs propres résultats. Cependant, les systèmes d'apprentissage profond nécessitent beaucoup de points de données pour produire de bons résultats (des millions ou plus). Ils prennent également généralement plus de temps à entraîner par rapport aux algorithmes d'apprentissage automatique plus simples — donc les coûts de développement tendent à être plus élevés.

Diffusion

La diffusion est la technologie au cœur de nombreux modèles d'IA générant de l'art, de la musique et du texte. Inspirés par la physique, les systèmes de diffusion « détruisent » lentement la structure des données — par exemple, des photos, des chansons, etc. — en ajoutant du bruit jusqu'à ce qu'il ne reste plus rien. En physique, la diffusion est spontanée et irréversible — le sucre diffusé dans le café ne peut pas être restauré sous forme de cube. Mais les systèmes de diffusion en IA visent à apprendre un processus de « diffusion inverse » pour restaurer les données détruites, acquérant la capacité de récupérer les données à partir du bruit.

Distillation

La distillation est une technique utilisée pour extraire des connaissances d'un grand modèle d'IA avec un modèle « enseignant-élève ». Les développeurs envoient des requêtes à un modèle enseignant et enregistrent les sorties. Les réponses sont parfois comparées à un ensemble de données pour vérifier leur précision. Ces sorties sont ensuite utilisées pour entraîner le modèle élève, qui est formé pour approcher le comportement de l'enseignant.

La distillation peut être utilisée pour créer un modèle plus petit et plus efficace basé sur un modèle plus grand avec une perte de distillation minimale. C'est probablement ainsi qu'OpenAI a développé GPT-4 Turbo, une version plus rapide de GPT-4.

Bien que toutes les entreprises d'IA utilisent la distillation en interne, elle a également pu être utilisée par certaines entreprises d'IA pour rattraper des modèles de pointe. La distillation à partir d'un concurrent viole généralement les conditions de service des API d'IA et des assistants de chat.

Affinage

Cela fait référence à l'entraînement supplémentaire d'un modèle d'IA pour optimiser les performances pour une tâche ou un domaine plus spécifique que ce qui était auparavant le point focal de son entraînement — généralement en alimentant de nouvelles données spécialisées (c'est-à-dire orientées vers une tâche).

De nombreuses startups d'IA prennent de grands modèles de langage comme point de départ pour construire un produit commercial, mais cherchent à augmenter l'utilité pour un secteur ou une tâche cible en complétant les cycles d'entraînement antérieurs par un affinage basé sur leur propre expertise et connaissances spécifiques au domaine.

Réseau antagoniste génératif (GAN)

Un GAN, ou réseau antagoniste génératif, est un type de cadre d'apprentissage automatique qui sous-tend certains développements importants en IA générative en matière de production de données réalistes — y compris (mais pas seulement) des outils de deepfake. Les GANs impliquent l'utilisation d'une paire de réseaux de neurones, dont l'un s'appuie sur ses données d'entraînement pour générer une sortie qui est transmise à l'autre modèle pour évaluation.

Les deux modèles sont essentiellement programmés pour essayer de se surpasser. Le générateur essaie de faire passer sa sortie devant le discriminateur, tandis que le discriminateur travaille à repérer les données générées artificiellement. Ce concours structuré peut optimiser les sorties de l'IA pour les rendre plus réalistes sans nécessiter d'intervention humaine supplémentaire. Bien que les GANs fonctionnent mieux pour des applications plus étroites (comme la production de photos ou de vidéos réalistes), plutôt que pour une IA à usage général.

Hallucination

Hallucination est le terme préféré de l'industrie de l'IA pour désigner les modèles d'IA qui inventent des informations — générant littéralement des informations incorrectes. Évidemment, c'est un énorme problème pour la qualité de l'IA.

Les hallucinations produisent des sorties de GenAI qui peuvent être trompeuses et pourraient même entraîner des risques dans la vie réelle — avec des conséquences potentiellement dangereuses (pensez à une requête de santé qui renvoie des conseils médicaux nuisibles).

Le problème des IA fabriquant des informations est considéré comme une conséquence des lacunes dans les données d'entraînement. Les hallucinations contribuent à une poussée vers des modèles d'IA de plus en plus spécialisés et/ou verticaux — c'est-à-dire des IA spécifiques à un domaine qui nécessitent une expertise plus étroite — comme moyen de réduire la probabilité de lacunes de connaissances et de diminuer les risques de désinformation.

Inférence

L'inférence est le processus d'exécution d'un modèle d'IA. C'est le fait de laisser un modèle libre de faire des prédictions ou de tirer des conclusions à partir de données précédemment vues. Pour être clair, l'inférence ne peut pas se produire sans entraînement ; un modèle doit apprendre des motifs dans un ensemble de données avant de pouvoir extrapoler efficacement à partir de ces données d'entraînement.

De nombreux types de matériel peuvent effectuer des inférences, allant des processeurs de smartphone aux GPU puissants en passant par des accélérateurs d'IA conçus sur mesure. Mais tous ne peuvent pas exécuter des modèles de manière égale. Des modèles très volumineux prendraient des âges à faire des prédictions sur, disons, un ordinateur portable par rapport à un serveur cloud avec des puces d'IA haut de gamme.

Modèle de langage de grande taille (LLM)

Les grands modèles de langage, ou LLMs, sont les modèles d'IA utilisés par des assistants IA populaires, tels que ChatGPT, Claude, Gemini de Google, Llama de Meta, Copilot de Microsoft, ou Le Chat de Mistral. Lorsque vous discutez avec un assistant IA, vous interagissez avec un grand modèle de langage qui traite votre demande directement ou avec l'aide de différents outils disponibles, tels que la navigation sur le web ou les interprètes de code.

Les LLMs sont des réseaux de neurones profonds.