1. Intelligence Artificielle (IA)

 

En 1956, lors de la conférence de Dartmouth, le terme « intelligence artificielle » a été utilisé pour la première fois. À un niveau basique, il fait référence à un ordinateur capable de reproduire des fonctions humaines telles que l’apprentissage et la résolution de problèmes.

Selon le glossaire du conseil de l’Europe, l’intelligence artificielle est définie comme l’ensemble des sciences, théories et techniques ayant pour objectif de doter une machine des capacités cognitives d’un être humain. Les développements actuels visent à permettre à une machine d’accomplir des tâches complexes qui étaient auparavant réservées aux humains.

Il existe trois types d’intelligence artificielle (IA) : l’IA étroite ou faible, l’IA générale ou forte et la superintelligence artificielle :

• L’intelligence artificielle étroite (ANI) représente le seul type d’intelligence artificielle que nous avons actuellement réussi à développer. L’ANI est conçue pour atteindre des objectifs spécifiques et accomplir des tâches uniques. Par exemple, on la trouve dans la reconnaissance vocale et linguistique de l’assistant virtuel Siri sur les iPhones, la reconnaissance visuelle des voitures autonomes et les moteurs de recommandation qui suggèrent des produits en fonction de votre historique d’achats. Elle est également utilisée en médecine pour diagnostiquer le cancer et d’autres maladies avec une précision remarquable, grâce à la reproduction d’une cognition et d’un raisonnement semblables à ceux des humains.

• L’intelligence artificielle générale (AGI) aspire à égaler les capacités humaines en imitant l’intelligence et les comportements humains. Elle serait capable d’apprendre et d’appliquer son intelligence pour résoudre tout type de problème. Les chercheurs et scientifiques spécialisés dans l’IA s’efforcent de concrétiser l’IA forte, mais cela reste un défi. La théorie de l’esprit, qui vise à mieux comprendre les humains, ainsi que les progrès continus dans la reconnaissance d’images, pourraient être utiles. Cependant, certains estiment que des avancées en recherche fondamentale seront nécessaires pour permettre aux machines de modéliser le monde dans son intégralité, au-delà des simples améliorations des systèmes existants.

• La superintelligence artificielle (ASI) dépasse les capacités humaines, avec des machines dotées de conscience de soi et de compétences intellectuelles supérieures. Cependant, elle peut aussi développer ses propres émotions, besoins, croyances et désirs. Bien que cela puisse sembler séduisant, ce concept soulève de nombreuses conséquences inconnues.

2. IA générative 

L’Intelligence Artificielle Générative, ou IA générative (ou GenAI), est un système d’intelligence artificielle capable de créer du texte, des images ou d’autres médias en réponse à des invitations ou des « prompts ».

Par définition, un prompt est généralement une courte phrase ou une consigne donnée à un modèle de langage ou à un autre système d’IA pour qu’il génère une réponse en conséquence. Cette réponse peut-être sous forme de texte, d’image ou même d’une vidéo. L’avantage des prompts est qu’ils sont très simples à utiliser et ils ne nécessitent aucune connaissance technique avancée. Ils sont également très utiles pour les personnes qui ont des difficultés à utiliser des interfaces plus complexes, comme les programmes informatiques.

Les prompts sont souvent utilisés en combinaison avec des techniques d’apprentissage supervisé pour entraîner des modèles de langage à générer des réponses plus précises et pertinentes en fonction des entrées données.

Les modèles de l’IA générative sont entrainés sur des données massives. Ils utilisent ce qu’ils ont appris pour générer de nouvelles choses qui peuvent être similaires aux données d’entraînement, mais qui peuvent également être totalement nouvelles, dépassant ainsi la simple classification ou prédiction de données. Les modèles sont capables d’apprendre de manière autonome, en interagissant avec les utilisateurs et en s’adaptant à leurs réponses.

L’IA générative exploite des modèles de fondation (FM), qui ont été pré-entraînés sur de vastes ensembles de données. Ces FM sont le fruit des dernières avancées en matière de machine learning, résultant d’une évolution technologique qui s’est développée au fil des décennies.

Les modèles fondamentaux sont d’énormes modèles d’IA qui exploitent de vastes quantités de données et de ressources informatiques pour générer du texte et des images. Ils sont créés de manière non supervisée à partir de données massives et non étiquetées.

Parmi les exemples les plus populaires de modèles fondamentaux, on trouve les réseaux antagonistes génératifs (GAN), les langages de modèle de langage (LLM), les autoencodeurs variationnels (VAEs) et les modèles multimodaux, qui alimentent des outils bien connus tels que ChatGPT, DALLE-2, Segment Anything et BERT.

Les modèles obtiennent des résultats incroyablement polyvalents, pouvant être déployés pour de nombreuses tâches et utilisations, telles que la classification d’images, la détection d’objets, le traitement du langage naturel, les logiciels de conversion de la parole en texte et les nombreux outils d’IA qui jouent un rôle dans notre vie quotidienne et notre travail.

Bien que les capacités et les possibilités qui en résultent pour les FM pré-entraînés soient extraordinaires, leur adaptabilité par le biais de la personnalisation pour exécuter des fonctions spécifiques à un domaine les rend encore plus intéressantes pour les entreprises. Les entreprises peuvent ainsi créer des applications hautement différenciées à l’aide des FM en n’utilisant qu’une petite fraction des données et des calculs nécessaires à l’entraînement d’un modèle à partir de zéro.

3. Les modèles fondamentaux les plus populaires 

Les réseaux de neurones génératifs (GAN – ou Generative Adversarial Networks) : un système qui consiste en deux réseaux de neurones qui travaillent ensemble pour générer de nouvelles images, de la musique ou des textes qui ressemblent à ceux produits par des humains. Leur fonctionnement ingénieux a été considéré par Yann LeCun comme l’idée la plus importante en machine learning de ces 10 dernières années.

Les GANs comprennent un générateur et un discriminant qui s’entraînent en compétition. Le générateur génère le contenu, et le discriminant doit déterminer si le contenu généré est réel ou non. Grâce à cette concurrence, les deux modèles s’améliorent simultanément au fil de l’entraînement.

Les VAE, ou Variational Auto-Encoders sont une variantes des auto-encodeurs : un système qui apprend à reproduire ses propres données d’entrée en utilisant un encodage et un décodage.

L’encodeur a pour but d’encoder la donnée d’entrée dans un vecteur de petite taille. Et le décodeur permet de reconstruire la donnée d’entrée à partir de son encodage.

L’intérêt de cette approche, est de construire un espace latent dans lequel les encodages de toutes les données d’entrées sont rangées de telle sorte que des opérations simples soient possibles. On peut, avec cette méthode, générer de nouvelles données qui ressembleront à l’espace latent.

Transformers : une architecture spécifique de réseau neuronal auto-apprenant, basée sur le machine learning. Ce dernier est capable d’interpoler des informations en créant une situation nouvelle proche de cas d’usages observés pendant l’entrainement du modèle. Ils utilisent les mécanismes d’attention, des approches d’apprentissage par renforcement, ou encore des modèles plus traditionnels et moins gourmands comme les chaînes de Markov cachées.

LLM : Une classe de FM, tels que les modèles GPT, communément appelés grands modèles de langage (LLM), est spécifiquement axée sur les tâches basées sur le langage, telles que le résumé, la génération de texte (par exemple, la création d’un article de blog), la classification, les questions-réponses ouvertes et l’extraction d’informations. La particularité des grands modèles de langage est qu’ils peuvent exécuter beaucoup plus de tâches parce qu’ils contiennent un grand nombre de paramètres qui les rendent capables d’apprendre des concepts avancés. Et grâce à leur exposition, avant l’entraînement, à des données à l’échelle de l’Internet sous toutes leurs formes et dans une myriade de modèles, les LLM apprennent à appliquer leurs connaissances dans un large éventail de contextes.

Multimodal : un système d’IA générative peut être construit à partir de plusieurs modèles génératifs, ou d’un modèle entraîné sur plusieurs types de données. Par exemple, une version du GPT-4 d’OpenAI accepte à la fois les entrées de texte et d’image20.

4. Quelles sont les applications de l’Intelligence artificielle générative ?

L’IA générative trouve des applications variées :

• Texte : GPT-3, LaMDA, LLaMA, BLOOM, GPT-4 et d’autres

• Code : OpenAI Codex, GitHub copilot. Ce sont des modèles de langage sachant créer du code source pour produire de nouveaux programmes informatiques

• Images :  Imagen, DALL-E, Midjourney peuvent créer des images à partir de requêtes textuelles

• Molécules : SMILES, AlphaFold

• Musique : MusicLM (Google). Google vient de lancer MusicLM, un générateur de musique par IA capable de créer des morceaux de musique à partir d’une description textuelle (aussi appelé prompt), et/ou d’une mélodie fredonnée.

• Video : Gen1 par RunwayML et Make-A-Video de Meta Platforms. Une requête textuelle peut générer une séquence animée avec des outils comme Fliki qui est gratuit, Synthesia et Creative Reality Studio (basé sur GPT 3) ou encore Stable diffusion, un modèle public d’apprentissage automatique mais qui ne répond pas aux règles du logiciel libre.

• Multimodal :  GPT-4 d’OpenAI

5. Comment l’IA générative affectera-t-elle les branches d’activité ?

Bien que l’IA générative concerne tous les secteurs et de multiples applications possibles, certains secteurs sont plus concernés ou s’y sont plus rapidement intéressés.

Services financiers :

• Les services financiers peuvent utiliser l’IA générative pour améliorer le service client et réduire les coûts.

• Les bots conversationnels alimentés par des modèles de fondation peuvent générer des recommandations de produits et répondre aux demandes des clients.

• Les modèles de fondation peuvent accélérer l’approbation des prêts dans les marchés financièrement mal desservis, notamment dans les pays en développement.

• Les banques peuvent utiliser l’IA générative pour détecter rapidement les fraudes liées aux réclamations ou aux cartes de crédit/prêts.

• Les entreprises d’investissement peuvent fournir des conseils financiers personnalisés à leurs clients à faible coût en exploitant la puissance des modèles de fondation.

Soins de santé et sciences de la vie :

• L’IA générative est prometteuse pour accélérer la découverte de médicaments et la recherche en santé.

• Les modèles génératifs sont utilisés pour créer de nouvelles séquences protéiques pour la conception d’anticorps, d’enzymes, de vaccins et pour la thérapie génique.

• Ils peuvent être utilisés pour concevoir des séquences géniques synthétiques pour la biologie synthétique et l’ingénierie métabolique.

• Les modèles génératifs peuvent créer des données synthétiques sur les patients et les soins de santé, utiles pour l’entraînement des modèles d’IA, la simulation d’essais cliniques et l’étude de maladies rares sans accéder à de grandes quantités de données réelles.

Industrie et construction automobile :

L’IA générative est utilisée dans l’industrie automobile pour divers cas d’utilisation, de l’ingénierie à l’expérience embarquée et au service client.

• Elle permet d’optimiser la conception des pièces mécaniques pour améliorer l’aérodynamisme des véhicules.

• L’IA générative crée de nouvelles expériences à bord des véhicules, permettant la conception d’assistants personnels.

• Elle améliore le service client en fournissant des réponses rapides aux questions courantes des clients.

• Elle favorise la création de nouvelles conceptions de matériaux, de puces et de pièces pour optimiser les processus de fabrication et réduire les coûts.

• L’IA générative génère des données synthétiques pour tester des applications, y compris des cas de test rares ou périphériques qui ne sont pas souvent inclus dans les jeux de données.

Média et divertissement :

• L’IA générative peut produire du contenu innovant de haute qualité dans le domaine des médias et du divertissement à moindre coût et en moins de temps.

• Les artistes peuvent utiliser l’IA générative pour compléter et améliorer leurs albums avec de la musique générée, ou même créer de nouveaux genres musicaux.

• Les entreprises de médias peuvent améliorer l’expérience de leur public en proposant du contenu et des publicités personnalisés grâce à l’IA générative, ce qui peut augmenter leurs revenus.

• Dans le secteur des jeux, l’IA générative est utilisée pour créer de nouveaux jeux et permettre aux joueurs de créer des avatars personnalisés.

Telecom :

• L’IA générative est utilisée dans le secteur des télécommunications pour réinventer l’expérience client.

• Des agents conversationnels en temps réel sont utilisés pour améliorer le service client.

• L’IA générative analyse les données du réseau pour optimiser ses performances et recommander des solutions.

• Des assistants commerciaux hyperpersonnalisés sont utilisés pour réinventer les relations avec les clients.

Energie :

• L’IA générative est utilisée dans le secteur de l’énergie pour l’analyse de données complexes, la reconnaissance de modèles, les prévisions et l’optimisation.

• Elle permet d’améliorer le service client en analysant les données des clients pour proposer des offres de produits ciblées, des programmes d’efficacité énergétique ou des initiatives de réponse à la demande.

• L’IA générative est utile dans la gestion du réseau, pour accroître la sécurité opérationnelle des sites et optimiser la production d’énergie grâce à la simulation de réservoirs.

Conclusion

La révolution est en marche, même s’il reste à relever le grand défi des problèmes éthiques, de sécurité, de propriété intellectuelle ou encore d’amélioration des algorithmes. Tout comme l’impact inévitable sur l’environnement et, bien-sûr l’emploi.

Pour autant, OpenAI prépare une opération financière avec une valorisation comprise entre 80 et 90 milliards de $ en cette fin septembre 2023.

Google continue de travailler sur le lancement de Gemini. De même, Meta travaille sur son propre moteur, tandis que Amazon a investi 4 milliards de dollars dans Anthropic … fondé par d’anciens membres d’Open AI.

Hadjer Moussaoui – Data Scientist Phd