Publié le 17 février 2024, dernière mise à jour le 22 avril 2025
L'intelligence artificielle (IA) englobe de nombreuses technologies complexes et émergentes qui nécessitaient autrefois une intervention humaine et qui peuvent désormais être effectuées par un ordinateur. De manière générale, l'IA est un programme, un modèle ou un ordinateur non humain qui fait preuve d'une grande capacité à résoudre des problèmes et à faire preuve de créativité. Les ordinateurs peuvent effectuer des fonctions avancées, qui étaient historiquement utilisées pour comprendre et recommander des informations. Grâce à l'IA générative, les ordinateurs peuvent même générer de nouveaux contenus.
L'acronyme "IA" est souvent utilisé de manière interchangeable pour représenter différents types de technologies dans le domaine de l'intelligence artificielle, mais les capacités de l'IA peuvent varier considérablement.
Vous trouverez ici un certain nombre de termes et de concepts concernant l'IA en pratique, sur le Web. Pour en savoir plus sur le machine learning, consultez le glossaire du machine learning.
Comment fonctionne l'IA ?
L'entraînement est la première étape pour chaque modèle. Les ingénieurs en machine learning y créent un algorithme pour fournir au modèle des entrées spécifiques et lui montrer les sorties optimales. En général, les développeurs Web n'ont pas besoin d'effectuer cette étape, mais il peut être utile de comprendre comment un modèle donné a été entraîné. Bien qu'il soit possible d'affiner un modèle, il est préférable de consacrer votre temps à choisir le modèle le plus adapté à votre tâche.
L'inférence est le processus par lequel un modèle tire des conclusions à partir de nouvelles données. Plus un modèle est entraîné dans un domaine spécifique, plus l'inférence est susceptible de générer des résultats utiles et corrects. Toutefois, il n'existe aucune garantie d'inférence parfaite, quelle que soit la quantité d'entraînement reçue par un modèle.
Par exemple, Feu vert utilise un modèle d'IA entraîné sur des données provenant de Google Maps pour comprendre les schémas de trafic. À mesure que davantage de données sont reçues, une inférence est effectuée pour fournir des recommandations afin d'optimiser les feux de circulation.
Où l'IA est-elle utilisée ?
L'entraînement de l'IA est terminé avant qu'un modèle ne soit publié. Il est possible que d'autres entraînements soient effectués, ce qui peut entraîner la création de nouvelles versions de modèles offrant plus de fonctionnalités ou de précision.
Les développeurs Web doivent se soucier de l'endroit où l'inférence de l'IA est effectuée. Le coût de l'utilisation de l'IA est largement affecté par l'inférence. La gamme de capacités d'un modèle unique est également fortement affectée.
IA côté client
Alors que la plupart des fonctionnalités d'IA sur le Web s'appuient sur des serveurs, l'IA côté client s'exécute dans le navigateur de l'utilisateur et effectue l'inférence sur son appareil. Cela offre une latence plus faible, des coûts côté serveur réduits, la suppression des exigences concernant les clés API, une confidentialité accrue pour les utilisateurs et un accès hors connexion. Vous pouvez implémenter une IA côté client qui fonctionne sur tous les navigateurs avec des bibliothèques JavaScript, y compris Transformers.js, TensorFlow.js et MediaPipe.
Il est possible qu'un petit modèle optimisé côté client surpasse un modèle plus grand côté serveur, en particulier lorsqu'il est optimisé pour les performances. Évaluez votre cas d'utilisation pour déterminer la solution qui vous convient.
IA côté serveur
L'IA côté serveur englobe les services d'IA basés dans le cloud. Imaginez Gemini 1.5 Pro s'exécutant dans le cloud. Ces modèles ont tendance à être beaucoup plus volumineux et plus puissants. C'est particulièrement vrai pour les grands modèles de langage.
IA hybride
L'IA hybride désigne toute solution incluant à la fois un composant client et un composant serveur. Par exemple, vous pouvez utiliser un modèle côté client pour effectuer une tâche et revenir à un modèle côté serveur lorsque la tâche ne peut pas être effectuée sur l'appareil.
Machine learning (ML)
Le machine learning (ML) est le processus par lequel un ordinateur apprend et effectue des tâches sans programmation explicite. Alors que l'IA s'efforce de générer de l'intelligence, le ML se compose d'algorithmes permettant de faire des prédictions sur des ensembles de données.
Par exemple, supposons que nous voulions créer un site Web qui évalue la météo d'un jour donné. Traditionnellement, cette opération peut être effectuée par un ou plusieurs météorologues, qui peuvent créer une représentation de l'atmosphère et de la surface de la Terre, calculer et prédire les conditions météorologiques, et déterminer une note en comparant les données actuelles au contexte historique.
Nous pourrions plutôt fournir à un modèle de ML une énorme quantité de données météorologiques, jusqu'à ce qu'il apprenne la relation mathématique entre les tendances météorologiques, les données historiques et les consignes sur ce qui rend la météo bonne ou mauvaise un jour donné. En fait, nous avons créé cette fonctionnalité sur le Web.
IA générative et grands modèles de langage
L'IA générative est une forme de machine learning qui aide les utilisateurs à créer des contenus qui semblent familiers et qui imitent la création humaine. L'IA générative utilise de grands modèles de langage pour organiser les données et créer ou modifier du texte, des images, des vidéos et de l'audio en fonction du contexte fourni. L'IA générative va au-delà de la mise en correspondance de modèles et des prédictions.
Un grand modèle de langage (LLM) comporte de nombreux paramètres (souvent des milliards) que vous pouvez utiliser pour effectuer un large éventail de tâches, comme générer, classer ou résumer du texte ou des images.
Les chatbots sont devenus des outils incroyablement populaires pour utiliser l'IA générative, y compris :
Ces outils peuvent créer des textes, des exemples de code et des illustrations. Ils peuvent vous aider à planifier des vacances, à adoucir ou à rendre plus professionnel le ton d'un e-mail, ou à classer différents ensembles d'informations dans des catégories.
Les cas d'utilisation sont infinis, que vous soyez développeur ou non.
Deep learning
Le deep learning (DL) est une classe d'algorithmes de ML. Par exemple, les réseaux de neurones profonds (DNN, Deep Neural Networks) tentent de modéliser la façon dont le cerveau humain traite les informations.
Un algorithme de deep learning peut être entraîné à associer certaines caractéristiques d'images à un libellé ou une catégorie spécifiques. Une fois entraîné, l'algorithme peut effectuer des prédictions qui identifient cette même catégorie dans de nouvelles images. Par exemple, Google Photos peut identifier la différence entre les chats et les chiens sur une photo.
Traitement du langage naturel (TLN)
Le traitement du langage naturel est une classe de ML qui vise à aider les ordinateurs à comprendre le langage humain, des règles d'une langue particulière aux spécificités, au dialecte et à l'argot utilisés par les individus.
Défis liés à l'IA
La création et l'utilisation de l'IA présentent plusieurs défis. Voici quelques points à prendre en compte.
Qualité et fraîcheur des données
Les grands ensembles de données utilisés pour entraîner divers modèles d'IA sont souvent obsolètes peu de temps après leur utilisation. Cela signifie que, lorsque vous recherchez les informations les plus récentes, vous pouvez bénéficier de l'ingénierie des requêtes pour améliorer les performances d'un modèle d'IA sur des tâches spécifiques et produire de meilleurs résultats.
Les ensembles de données peuvent être incomplets ou trop petits pour prendre en charge efficacement certains cas d'utilisation. Il peut être utile d'essayer de travailler avec plusieurs outils ou de personnaliser le modèle pour l'adapter à vos besoins.
Questions liées à l'éthique et aux biais
La technologie d'IA est passionnante et offre un grand potentiel. Toutefois, les ordinateurs et les algorithmes sont en fin de compte conçus par des humains et entraînés sur des données qui peuvent être collectées par des humains. Ils sont donc soumis à plusieurs défis. Par exemple, les modèles peuvent apprendre et amplifier les biais humains et les stéréotypes nuisibles, ce qui a un impact direct sur les résultats. Il est important d'aborder la création de technologies d'IA en accordant la priorité à l'atténuation des biais.
De nombreuses considérations éthiques concernent les droits d'auteur des contenus générés par IA. Qui détient la propriété du résultat, en particulier s'il est fortement influencé par des contenus protégés par des droits d'auteur ou s'il en est directement copié ?
Avant de générer de nouveaux contenus et de nouvelles idées, tenez compte des règles existantes sur l'utilisation des contenus que vous créez.
Sécurité et confidentialité
De nombreux développeurs Web ont déclaré que la confidentialité et la sécurité étaient leurs principales préoccupations concernant l'utilisation des outils d'IA. C'est particulièrement vrai dans les contextes professionnels où les exigences en matière de données sont strictes, comme les administrations et les entreprises du secteur de la santé. L'exposition des données utilisateur à un plus grand nombre de tiers avec les API cloud est une source d'inquiétude. Il est important que toute transmission de données soit sécurisée et surveillée en permanence.
L'IA côté client peut être la clé pour répondre à ces cas d'utilisation. Il reste encore beaucoup de recherches et de développement à effectuer.
Premiers pas avec l'IA sur le Web
Maintenant que vous connaissez les nombreux types d'intelligence artificielle, vous pouvez commencer à réfléchir à la manière d'utiliser les modèles existants pour devenir plus productif et créer de meilleurs sites Web et applications Web.
Vous pouvez utiliser l'IA pour :
- Créez une saisie semi-automatique plus performante pour la recherche sur votre site.
- Détecter la présence d'objets courants, comme des personnes ou des animaux de compagnie, avec une caméra intelligente
- Lutter contre le spam dans les commentaires avec un modèle de langage naturel
- Améliorez votre productivité en activant la saisie semi-automatique pour votre code.
- Créez une expérience d'écriture WYSIWYG avec des suggestions pour le mot ou la phrase suivants.
- Fournissez une explication compréhensible d'un ensemble de données.
- Et plus encore…
Les modèles d'IA pré-entraînés peuvent être un excellent moyen d'améliorer nos sites Web, nos applications Web et notre productivité, sans avoir besoin de comprendre pleinement comment créer les modèles mathématiques et collecter les ensembles de données complexes qui alimentent les outils d'IA les plus populaires.
Vous constaterez peut-être que la plupart des modèles répondent immédiatement à vos besoins, sans nécessiter d'ajustement supplémentaire. Le réglage consiste à prendre un modèle qui a déjà été entraîné sur un grand ensemble de données et à l'entraîner davantage pour répondre à vos besoins d'utilisation spécifiques. Il existe plusieurs techniques pour affiner un modèle :
- L'apprentissage par renforcement qui utilise le feedback humain (RLHF) est une technique qui utilise le feedback humain pour améliorer l'alignement d'un modèle avec les préférences et les intentions humaines.
- Low-Rank Adaption (LoRA) est une méthode efficace en termes de paramètres pour les LLM. Elle réduit le nombre de paramètres entraînables tout en maintenant les performances du modèle.