IA, machine learning, LLM : de quoi parle-t-on ?

« IA » par-ci, « propulsé par l'intelligence artificielle » par-là : le mot est partout, et il recouvre des réalités très différentes. Dans cette première leçon, nous remettons de l'ordre dans le vocabulaire et nous posons le décor du fil rouge du cours : la construction de votre propre « assistant personnel de travail ».

Le fil rouge : votre assistant personnel de travail

Tout au long de ce cours, vous allez construire quelque chose de concret : une bibliothèque de prompts adaptée à votre quotidien. Un prompt, c'est l'instruction que vous écrivez à un assistant d'IA. Votre bibliothèque contiendra des prompts testés pour rédiger, résumer, apprendre et vous organiser. Au chapitre 6, vous l'évaluerez et vous rédigerez votre charte d'usage personnelle.

Pour que cette bibliothèque soit solide, il faut d'abord comprendre ce que l'on manipule. C'est l'objet des trois leçons de ce chapitre.

Trois termes, trois niveaux

Les trois termes les plus courants s'emboîtent comme des poupées russes : le plus grand contient le suivant, qui contient le dernier.

• Intelligence artificielle (IA) : le grand domaine. Il regroupe toutes les techniques qui permettent à une machine d'accomplir des tâches que l'on associe habituellement à l'intelligence humaine : reconnaître une image, traduire, recommander un film, planifier un itinéraire, jouer aux échecs.
• Machine learning (apprentissage automatique) : une approche de l'IA. Au lieu d'écrire des règles à la main, on fournit des exemples à un programme et il en déduit lui-même des régularités.
• Modèle de langage (LLM, « Large Language Model ») : un type de modèle de machine learning entraîné sur d'énormes quantités de texte pour manipuler le langage. « Large » signifie que le modèle est de très grande taille et entraîné sur beaucoup de données.

Il existe aussi un niveau intermédiaire que l'on cite souvent : le deep learning (apprentissage profond), une famille de techniques de machine learning fondée sur des réseaux de neurones à nombreuses couches. Les modèles de langage actuels en font partie. Retenez simplement que ce sont des modèles mathématiques qui ajustent un très grand nombre de réglages internes pour s'améliorer sur une tâche.

Programmer des règles ou apprendre des exemples ?

Imaginez un filtre anti-spam. Dans l'approche classique, un développeur écrit des règles : « si le message contient tel mot, alors c'est un spam ». C'est fragile : les spammeurs changent de vocabulaire, et chaque nouvelle astuce oblige à réécrire les règles.

Avec le machine learning, on procède autrement. On montre au programme des milliers de messages déjà étiquetés « spam » ou « normal ». Il repère par lui-même les indices qui distinguent les deux catégories (certains mots, la structure du message, l'expéditeur) et construit un modèle. Pour un nouveau message, il estime alors s'il ressemble davantage à l'une ou à l'autre catégorie.

Une analogie : apprendre à un enfant à reconnaître un chien. Vous ne lui récitez pas une définition exhaustive ; vous lui montrez des chiens variés, en disant « chien », jusqu'à ce qu'il généralise. Le machine learning fonctionne sur ce principe, avec des quantités d'exemples bien plus grandes.

Ce que veut dire « générative »

Beaucoup de systèmes de machine learning plus anciens étaient discriminatifs : ils classent ou prédisent. Ce mail est-il un spam ? Cette photo montre-t-elle un chat ? Quel sera le délai de livraison de cette commande ?

Une IA générative fait autre chose : elle crée du contenu nouveau, comme un texte, une image, un morceau de musique ou du code. Elle ne recopie pas une réponse stockée quelque part : elle produit une sortie inédite à partir des régularités qu'elle a apprises.

Où se situent les assistants de conversation ?

Les assistants que vous utilisez en discutant (les « chatbots ») reposent généralement sur un modèle de langage, auquel on a ajouté deux choses : une interface de dialogue et un travail de réglage pour qu'il suive vos consignes de façon utile et courtoise. Vous écrivez une instruction, le prompt, et le modèle produit une réponse.

Tout ce cours tourne autour de cette interaction : mieux comprendre le modèle pour mieux rédiger le prompt, puis mieux contrôler ce qui en sort.

Un exemple pour fixer les idées

Prenons une demande simple : « Propose-moi trois idées de titre pour un compte rendu de réunion sur le planning des vacances. » Que se passe-t-il ?

1. Votre texte est transmis au modèle.
2. Le modèle le découpe en petits morceaux et calcule, morceau après morceau, ce qui est le plus plausible comme suite.
3. Le texte produit est affiché dans la conversation.

À aucun moment le modèle n'« ouvre un dossier » sur vos vacances ou ne « réfléchit à ce que vous voulez vraiment ». Il produit une suite de texte cohérente avec ce que vous avez écrit. C'est pourquoi la qualité de votre demande compte autant.

Ce qu'une IA générative n'est pas

Pour éviter les mauvaises surprises, gardez en tête quelques clarifications.

• Ce n'est pas un moteur de recherche. Un moteur retrouve des pages qui existent ; un modèle génère un texte nouveau. Certains outils combinent les deux, mais ce sont deux fonctions distinctes.
• Ce n'est pas une base de données de vérités. Le modèle ne stocke pas des faits rangés dans des tiroirs ; il a appris des régularités du langage.
• Ce n'est pas une personne. Il peut écrire « je pense que… » ou « je suis désolé », mais ce sont des tournures de langage, pas des états mentaux. Cela n'empêche pas l'outil d'être très utile, à condition de ne pas lui attribuer des capacités qu'il n'a pas.
• Ce n'est pas magique ni infaillible. Il peut se tromper, être incohérent d'une réponse à l'autre et reproduire des biais présents dans ses données.

Cette nuance, développée dans la leçon suivante, change la façon de l'utiliser : on le traite comme un collaborateur très rapide, très cultivé en surface, mais dont le travail doit être relu.

À vous de jouer

Exercice 1. Citez cinq applications ou services que vous utilisez déjà (messagerie, photos, streaming, navigation, traduction…). Pour chacune, essayez de dire si l'IA y sert à classer, prédire, recommander ou générer.

Exercice 2. Commencez votre bibliothèque de prompts : créez un document intitulé « Mon assistant personnel de travail » et écrivez en tête trois tâches répétitives de votre semaine (par exemple : répondre à des e-mails, résumer des documents, préparer des réunions). Vous les utiliserez dans tout le cours.

Dans la leçon suivante, nous ouvrons le capot : comment un modèle produit-il concrètement du texte, et pourquoi peut-il se tromper avec aplomb ?