COULEURS-DE-LA-VIE

COULEURS-DE-LA-VIE

L'Intelligence Artificielle (I. A.) - Ce qu'il faut savoir

futur-ia-predictions.png

 

Source dans limage

 

IA apparaît dans apparemment tous les coins de la vie moderne, de la musique et des médias aux affaires et à la productivité, même les rencontres. Il y a tellement de choses qu'il peut être difficile de suivre - alors lisez la suite pour tout savoir, des derniers grands développements aux termes et entreprises que vous devez connaître pour rester à jour dans ce domaine en évolution rapide.

 

Pour commencer, assurons-nous simplement que nous sommes tous sur la même longueur d'onde : qu'est-ce que l' IA ?

 

L'intelligence artificielle , également appelée apprentissage automatique, est une sorte de système logiciel basé sur des réseaux de neurones, une technique qui a en fait été pionnière il y a des décennies mais qui s'est très récemment épanouie grâce à de nouvelles ressources informatiques puissantes. L'IA a permis une reconnaissance efficace de la voix et des images, ainsi que la capacité de générer des images et des paroles synthétiques. Et les chercheurs travaillent dur pour permettre à une IA de naviguer sur le Web, de réserver des billets, de peaufiner des recettes et plus encore.

 

Oh, mais si vous vous inquiétez d'une montée des machines de type Matrix, ne le soyez pas. Nous en reparlerons plus tard !

 

Notre guide sur l'IA comporte trois parties principales, chacune d'elles que nous mettrons à jour régulièrement et que vous pourrez lire dans n'importe quel ordre :

 

  • Tout d'abord , les concepts les plus fondamentaux que vous devez connaître ainsi que les concepts plus récemment importants.
  • Ensuite , un aperçu des principaux acteurs de l'IA et de leur importance.
  • Et enfin , une liste organisée des titres et développements récents dont vous devriez être au courant.

 

À la fin de cet article, vous serez à peu près aussi à jour que n'importe qui peut espérer l'être de nos jours. Nous allons également le mettre à jour et l'étendre à mesure que nous avancerons dans l'ère de l'IA.

 

IA 101

 

L'une des choses les plus folles à propos de l'IA est que bien que les concepts de base remontent à plus de 50 ans, peu d'entre eux étaient familiers même aux férus de technologie avant très récemment. Donc, si vous vous sentez perdu, ne vous inquiétez pas, tout le monde l'est.

 

Et une chose que nous voulons clarifier dès le départ : bien que cela s'appelle "l'intelligence artificielle", ce terme est un peu trompeur. Il n'y a pas de définition unique de l'intelligence, mais ce que font ces systèmes est certainement plus proche des calculatrices que des cerveaux. L'entrée et la sortie de cette calculatrice sont beaucoup plus flexibles. Vous pourriez penser à l'intelligence artificielle comme à la noix de coco artificielle - c'est une intelligence d'imitation.

 

Cela dit, voici les termes de base que vous trouverez dans toute discussion sur l'IA.

 

Réseau neuronal

 

Nos cerveaux sont en grande partie constitués de cellules interconnectées appelées neurones, qui s'entremêlent pour former des réseaux complexes qui effectuent des tâches et stockent des informations. La recréation de ce système étonnant dans un logiciel a été tentée depuis les années 60, mais la puissance de traitement requise n'était largement disponible qu'il y a 15 à 20 ans, lorsque les GPU ont laissé prospérer les réseaux de neurones définis numériquement . 

 

Au fond, ce ne sont que des tas de points et de lignes : les points sont des données et les lignes sont des relations statistiques entre ces valeurs. Comme dans le cerveau, cela peut créer un système polyvalent qui prend rapidement une entrée, la fait passer à travers le réseau et produit une sortie. Ce système s'appelle un modèle .

 

Modèle

 

Le modèle est la collection réelle de code qui accepte les entrées et renvoie les sorties. La similarité terminologique avec un modèle statistique ou un système de modélisation qui simule un processus naturel complexe n'est pas fortuite. Dans l'IA, le modèle peut faire référence à un système complet comme ChatGPT , ou à peu près n'importe quelle construction d'IA ou d'apprentissage automatique, quoi qu'elle fasse ou produise. Les modèles sont disponibles en différentes tailles, ce qui signifie à la fois l'espace de stockage qu'ils occupent et la puissance de calcul qu'ils nécessitent pour fonctionner. Et ceux-ci dépendent de la façon dont le modèle est formé.

 

Entraînement

 

Pour créer un modèle d'IA, les réseaux de neurones constituant la base du système sont exposés à un ensemble d'informations dans ce qu'on appelle un ensemble de données ou un corpus . Ce faisant, ces réseaux géants créent une représentation statistique de ces données. Ce processus de formation est la partie la plus intensive en calcul, ce qui signifie qu'il prend des semaines ou des mois (vous pouvez en quelque sorte aller aussi longtemps que vous le souhaitez) sur d'énormes banques d'ordinateurs très puissants. La raison en est que non seulement les réseaux sont complexes, mais que les ensembles de données peuvent être extrêmement volumineux : des milliards de mots ou d'images qui doivent être analysés et représentés dans le modèle statistique géant. D'autre part, une fois que le modèle est cuit, il peut être beaucoup plus petit et moins exigeant lorsqu'il est utilisé, un processus appeléinférence .

 

IA-google-2.jpg

 

Crédits image : Google

 

Inférence

 

Lorsque le modèle fait réellement son travail, nous appelons cette inférence, très bien le sens traditionnel du mot : énoncer une conclusion en raisonnant sur les preuves disponibles. Bien sûr, il ne s'agit pas exactement de "raisonner", mais de relier statistiquement les points dans les données qu'il a ingérées et, en fait, de prédire le point suivant. Par exemple, en disant « Complète la séquence suivante : rouge, orange, jaune… », il trouverait que ces mots correspondent au début d'une liste qu'il a ingérée, les couleurs de l'arc-en-ciel, et en déduit l'élément suivant jusqu'à ce qu'il ait produit le reste de cette liste. L'inférence est généralement beaucoup moins coûteuse en calcul que la formation : c'est comme si vous parcouriez un catalogue sur fiches plutôt que de l'assembler. Les grands modèles doivent toujours fonctionner sur des superordinateurs et des GPU, mais les plus petits peuvent être exécutés sur un smartphone ou quelque chose d'encore plus simple.

 

IA générative

 

Tout le monde parle d'IA générative, et ce terme général désigne simplement un modèle d'IA qui produit une sortie originale, comme une image ou un texte. Certaines IA résument, certaines réorganisent, certaines identifient, etc., mais une IA qui génère réellement quelque chose (qu'elle "crée" ou non est discutable) est particulièrement populaire en ce moment. N'oubliez pas que ce n'est pas parce qu'une IA a généré quelque chose qu'elle est correcte, ni même qu'elle reflète la réalité ! Seulement qu'il n'existait pas avant que vous ne le demandiez, comme une histoire ou une peinture.

 

Les principaux termes d'IA d'aujourd'hui

 

Au-delà des bases, voici les termes d'IA les plus pertinents à la mi-2023.

 

Grand modèle de langage

 

La forme d'IA la plus influente et la plus polyvalente disponible aujourd'hui, les grands modèles de langage sont entraînés sur à peu près tout le texte qui compose le Web et une grande partie de la littérature anglaise. L'ingestion de tout cela se traduit par un modèle de fondation (lire la suite) d'une taille énorme. Les LLM sont capables de converser et de répondre aux questions en langage naturel et d'imiter une variété de styles et de types de documents écrits, comme en témoignent ChatGPT, Claude et LLaMa. Bien que ces modèles soient indéniablement impressionnants, il faut garder à l'esprit qu'ils sont toujours des moteurs de reconnaissance de formes, et quand ils répondent, c'est une tentative de compléter un modèle qu'il a identifié, que ce modèle reflète ou non la réalité. Les LLM hallucinent fréquemment dans leurs réponses, ce sur quoi nous reviendrons bientôt.

 

Si vous voulez en savoir plus sur les LLM et ChatGPT, nous avons un article à part sur ceux-ci !

 

Modèle de fondation

 

La formation d'un énorme modèle à partir de zéro sur d'énormes ensembles de données est coûteuse et complexe, et vous ne voulez donc pas avoir à le faire plus que nécessaire. Les modèles de base sont les grands modèles à partir de zéro qui nécessitent des superordinateurs pour fonctionner, mais ils peuvent être réduits pour tenir dans des conteneurs plus petits, généralement en réduisant le nombre de paramètres . Vous pouvez les considérer comme le nombre total de points avec lesquels le modèle doit fonctionner, et de nos jours, cela peut se chiffrer en millions, en milliards ou même en billions.

 

Réglage fin

 

Un modèle de base comme GPT-4 est intelligent, mais c'est aussi un généraliste de par sa conception - il a tout absorbé, de Dickens à Wittgenstein en passant par les règles de Dungeons & Dragons, mais rien de tout cela n'est utile si vous voulez qu'il vous aide à écrire une lettre de motivation pour votre CV. Heureusement, les modèles peuvent être affinés en leur donnant un peu de formation supplémentaire à l'aide d'un ensemble de données spécialisé, par exemple quelques milliers de demandes d'emploi qui traînent. Cela donne au modèle une bien meilleure idée de la façon de vous aider dans ce domaine sans perdre les connaissances générales qu'il a recueillies à partir du reste de ses données de formation.

 

L'apprentissage par renforcement à partir de la rétroaction humaine, ou RLHF, est un type particulier de réglage fin dont vous entendrez beaucoup parler - il utilise les données des humains interagissant avec le LLM pour améliorer ses compétences en communication.

 

La diffusion

 

À partir d'un article sur une technique de post-diffusion avancée, vous pouvez voir comment une image peut être reproduite à partir de données même très bruitées. 

 

La génération d'images peut se faire de nombreuses manières, mais la plus réussie à ce jour est de loin la diffusion , qui est la technique au cœur de Stable Diffusion, Midjourney et d'autres IA génératives populaires. Les modèles de diffusion sont formés en leur montrant des images qui sont progressivement dégradées en ajoutant du bruit numérique jusqu'à ce qu'il ne reste plus rien de l'original. En observant cela, les modèles de diffusion apprennent également à faire le processus en sens inverse, ajoutant progressivement des détails au bruit pur afin de former une image arbitrairement définie. On commence déjà à aller au-delà pour les images, mais la technique est fiable et relativement bien maîtrisée, alors ne vous attendez pas à ce qu'elle disparaisse de sitôt.

 

Hallucination

 

À l'origine, il s'agissait d'un problème de certaines images de la formation glissant vers des sorties sans rapport, telles que des bâtiments qui semblaient être faits de chiens en raison d'une surprédominance de chiens dans l'ensemble de formation. Maintenant, on dit qu'une IA hallucine quand, parce qu'elle a des données insuffisantes ou contradictoires dans son ensemble d'entraînement, elle invente quelque chose.

 

Il peut s'agir d'un actif ou d'un passif ; une IA à qui l'on demande de créer de l'art original ou même dérivé hallucine sa production ; on peut dire à un LLM d'écrire un poème d'amour dans le style de Yogi Berra, et il le fera avec plaisir - bien qu'une telle chose n'existe nulle part dans son ensemble de données. Mais cela peut être un problème lorsqu'une réponse factuelle est souhaitée ; les modèles présenteront avec confiance une réponse à moitié réelle, à moitié hallucinante. À l'heure actuelle, il n'y a pas de moyen facile de dire qui est quoi, sauf vérifier par vous-même, car le modèle lui-même ne sait pas vraiment ce qui est «vrai» ou «faux», il essaie seulement de compléter un modèle du mieux qu'il peut.

 

AGI ou IA forte

 

L'Intelligence Générale Artificielle, ou IA forte, n'est pas vraiment un concept bien défini, mais l'explication la plus simple est qu'il s'agit d'une intelligence suffisamment puissante non seulement pour faire ce que les gens font, mais aussi pour apprendre et s'améliorer comme nous le faisons . Certains craignent que ce cycle d'apprentissage, d'intégration de ces idées, puis d'apprentissage et de croissance plus rapide ne se perpétue et aboutisse à un système super intelligent impossible à maîtriser ou à contrôler . Certains ont même proposé de retarder ou de limiter les recherches pour prévenir cette éventualité.

 

C'est une idée effrayante, bien sûr, et des films comme "The Matrix" et "Terminator" ont exploré ce qui pourrait arriver si l'IA devenait incontrôlable et tentait d'éliminer ou d'asservir l'humanité. Mais ces histoires ne sont pas ancrées dans la réalité. L'apparition de l'intelligence que nous voyons dans des choses comme ChatGPT est un acte impressionnant, mais n'a pas grand-chose à voir avec le raisonnement abstrait et l'activité multi-domaine dynamique que nous associons à l'intelligence « réelle ». Bien qu'il soit presque impossible de prédire comment les choses vont progresser, il peut être utile de considérer l'AGI comme quelque chose comme un voyage spatial interstellaire : nous comprenons tous le concept et y travaillons apparemment, mais en même temps, nous sommes incroyablement loin de réaliser quelque chose comme ça. Et en raison des immenses ressources et des avancées scientifiques fondamentales requises, personne ne va tout à coup l'accomplir par accident !

 

L'IAG est intéressante à penser, mais cela n'a aucun sens d'emprunter des ennuis lorsque, comme le soulignent les commentateurs, l'IA présente déjà des menaces réelles et conséquentes aujourd'hui malgré, et en fait en grande partie à cause de, ses limites. Personne ne veut de Skynet, mais vous n'avez pas besoin d'une super intelligence armée de bombes nucléaires pour causer de vrais dommages : les gens perdent leur emploi et tombent dans le piège des canulars aujourd'hui. Si nous ne pouvons pas résoudre ces problèmes, quelle chance avons-nous contre un T-1000 ?

 

Elon Musk

 

Pas du genre à être laissé de côté, Musk a exprimé ouvertement ses craintes concernant l'IA incontrôlable, ainsi que quelques raisins aigres après avoir contribué à OpenAI au début et cela est allé dans une direction qu'il n'aimait pas. Bien que Musk ne soit pas un expert sur ce sujet, comme d'habitude, ses bouffonneries et ses commentaires suscitent de nombreuses réponses (il était signataire de la lettre "AI pause" mentionnée ci-dessus) et il tente de créer sa propre équipe de recherche ... 



14/08/2023
6 Poster un commentaire

A découvrir aussi


Inscrivez-vous au blog

Soyez prévenu par email des prochaines mises à jour

Rejoignez les 500 autres membres