L'intelligence artificielle (IA) englobe de nombreuses technologies émergentes complexes qui nécessitaient auparavant une intervention humaine et peuvent désormais être exécutées par un ordinateur. Les ordinateurs peuvent exécuter des fonctions avancées qui étaient traditionnellement utilisées pour comprendre et recommander des informations. Désormais, avec l'IA, les ordinateurs peuvent même générer de nouveaux contenus.
L'acronyme "IA" est souvent utilisé de manière interchangeable pour représenter les différents types de technologies qui composent le domaine de l'IA.
Concepts d'IA courants
L'intelligence artificielle et le machine learning sont définis par un certain nombre de termes et concepts qui pourraient vous être utiles. Voici comment travailler avec l'IA dans la pratique, sur le Web
IA générale
De manière générale, l'IA générale est un programme ou un modèle non humain qui démontre un large éventail de possibilités de résolution de problèmes et de créativité. Un model est une très grande équation mathématique, qui inclut un ensemble de paramètres et de structures nécessaires pour qu'une machine renvoie un résultat.
L'IA générale permet d'effectuer plusieurs types de tâches : analyser des données, traduire du texte, composer de la musique, identifier des maladies, etc.
IA étroite
L'IA étroite est un système capable d'effectuer un sous-ensemble de tâches spécifique ou unique. Par exemple, un ordinateur qui joue aux échecs contre un adversaire humain (à ne pas confondre avec le Mechanical Turk). L'IA étroite dispose d'un ensemble prédéfini de paramètres, de contraintes et de contextes qui peuvent s'apparenter à une compréhension, mais qui ne sont en fait que des réponses à une équation.
Vous pouvez constater cela dans la pratique avec les systèmes de reconnaissance faciale, les assistants vocaux et les prévisions météorologiques. Vous pouvez utiliser des modèles très spécifiques pour améliorer certaines fonctionnalités spécifiques de vos sites Web et applications.
Par exemple, vous avez créé un site dédié aux films, sur lequel les utilisateurs peuvent se connecter, évaluer leurs films préférés et découvrir de nouveaux films à regarder. Vous pouvez utiliser une base de données préremplie pour recommander des films en fonction de la page qu'ils consultent. Vous pouvez également utiliser un modèle d'IA étroit qui analyse le comportement et les préférences des utilisateurs afin d'afficher les informations les plus pertinentes pour ce lecteur.
IA générative
Un grand modèle de langage (LLM) est un modèle d'IA de réseau de neurones doté de nombreux paramètres. Vous pouvez l'utiliser pour effectuer de nombreuses tâches, comme générer, classer ou résumer du texte ou des images.
L'IA générative répond aux entrées et crée du contenu en s'appuyant sur le contexte et la mémoire d'un LLM. Cela va au-delà de la correspondance de modèles et des prédictions. Voici quelques-uns des outils d'IA générative les plus courants:
- Gemini, par Google
- GPT pour Chat par Open AI
- Claude, par Anthropic
- Copilot de Microsoft
- Et bien d'autres…
Ces outils permettent de créer du texte écrit, des exemples de code et des images. Ils peuvent vous aider à planifier des vacances, à adoucir ou à professionnaliser le ton d'un e-mail, ou à classer différents ensembles d'informations en catégories.
Les cas d'utilisation sont infinis, pour les développeurs comme pour les non-développeurs.
Machine learning (ML)
Le machine learning (ML) est une forme d'IA qui permet à un ordinateur d'apprendre sans programmation explicite. Là où l'IA s'efforce de générer des informations, le ML permet aux ordinateurs d'apprendre de l'expérience. Le ML se compose d'algorithmes permettant de prédire des ensembles de données.
Le ML est le processus d'entraînement d'un modèle pour réaliser des prédictions utiles ou générer du contenu à partir de données.
Par exemple, supposons que nous voulions créer un site Web qui évalue la météo d'un jour donné. Habituellement, cela peut être fait par un ou plusieurs météorologues, qui pourraient 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.
Au lieu de cela, nous pourrions fournir à un modèle de ML une énorme quantité de données météorologiques, jusqu'à ce qu'il apprenne la relation mathématique entre les modèles météorologiques, les données historiques et les consignes sur ce qui fait du bon ou du mauvais temps un jour donné. D'ailleurs, nous l'avons créé sur le Web.
Deep learning
Le deep learning est une classe d'algorithmes de ML. Les réseaux de neurones profonds (DNN, Deep Neural Network) en sont un exemple. Ils tentent de modéliser la façon dont le cerveau humain est censé traiter les informations.
Défis posés par l'IA
Le développement et l'utilisation de l'IA présentent plusieurs défis. Voici quelques-uns des points à prendre en compte.
Qualité et récence des données
Les ensembles de données volumineux permettant d'entraîner divers modèles d'IA sont souvent et par nature obsolètes, peu de temps après leur utilisation. Ainsi, lorsque vous recherchez les informations les plus récentes, vous pouvez bénéficier de l'ingénierie des invites 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 répondre efficacement à certains cas d'utilisation. Il peut être utile d'essayer de travailler avec plusieurs outils ou de personnaliser le modèle en fonction de vos besoins.
Questions liées à l'éthique et aux biais
La technologie d'IA est passionnante et présente un grand potentiel. Toutefois, au final, les ordinateurs et les algorithmes sont construits par des humains, entraînés à partir de données susceptibles d'être collectées par des êtres humains, et sont donc soumis à plusieurs défis. Par exemple, les modèles peuvent apprendre et amplifier les biais humains et les stéréotypes nuisibles, ayant un impact direct sur le résultat. Il est important d'aborder le développement de technologies d'IA en priorité.
Il existe de nombreuses considérations éthiques relatives aux droits d'auteur des contenus générés par IA. Qui en est le propriétaire, surtout s'il est fortement influencé par des contenus protégés par des droits d'auteur ou copié directement à partir d'un contenu protégé par des droits d'auteur ?
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 lorsqu'ils utilisent des outils d'IA. Cela est particulièrement vrai dans les contextes commerciaux où les exigences en matière de données sont strictes, par exemple les gouvernements et les entreprises de santé. Rendre les données utilisateur accessibles à davantage de tiers grâce aux API Cloud est un sujet de préoccupation. Il est important que toute transmission de données soit sécurisée et surveillée en permanence.
L'IA intégrée à l'appareil peut s'avérer essentielle pour résoudre ces cas d'utilisation. MediaPipe est une solution en cours de développement pour résoudre ce problème, mais il reste beaucoup à faire en recherche et développement.
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 façon d'utiliser des modèles existants pour gagner en productivité et créer de meilleurs sites Web et applications Web.
Vous pouvez utiliser l'IA pour:
- Améliorez la saisie semi-automatique pour la recherche sur votre site.
- Détectez la présence d'objets courants, comme des humains ou des animaux de compagnie, avec une caméra connectée.
- Traitez le spam dans les commentaires à l'aide d'un modèle de langage naturel.
- Améliorez votre productivité en activant la saisie semi-automatique pour votre code.
- Créez une expérience de rédaction WYSIWYG avec des suggestions pour la phrase ou le mot suivant.
- Fournir une explication conviviale d'un jeu 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 à bien comprendre comment créer des modèles mathématiques ni collecter des 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 autre ajustement. Le réglage consiste à prendre un modèle, qui a déjà été entraîné sur un ensemble de données volumineux, puis à effectuer un entraînement supplémentaire pour répondre à vos besoins d'utilisation spécifiques. Il existe plusieurs techniques pour régler un modèle:
- L'apprentissage par renforcement à partir du feedback humain (RLHF) est une technique qui utilise le feedback humain pour améliorer l'alignement d'un modèle avec les préférences et intentions humaines.
- L'adaptation de rang faible (LoRA) est une méthode efficace pour les LLM qui réduit le nombre de paramètres pouvant être entraînés, tout en maintenant les performances du modèle.