Qu'est-ce que l'intelligence artificielle ?

Alexandra Klepper
Alexandra Klepper

L'intelligence artificielle (IA) englobe de nombreuses technologies émergentes et complexes qui nécessitaient auparavant une intervention humaine et peuvent désormais être effectuées par un ordinateur. Les ordinateurs peuvent effectuer des fonctions avancées, qui étaient traditionnellement utilisées pour comprendre et recommander des informations. Aujourd'hui, grâce à 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 constituent le domaine de l'IA.

De nombreux termes et concepts définissent l'intelligence artificielle et le machine learning, et peuvent vous être utiles. Voici quelques exemples de cas d'utilisation de l'IA 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 capacités de résolution de problèmes et de créativité. Un modèle est une très grande équation mathématique, qui comprend un ensemble de paramètres et de structures nécessaires pour qu'une machine renvoie une sortie.

L'IA générale peut effectuer plusieurs types de tâches, comme analyser des données, traduire du texte, composer de la musique, identifier des maladies et bien plus encore.

IA étroite

L'IA étroite est un système capable d'effectuer un sous-ensemble unique ou spécifique de tâches. 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 sembler être de la compréhension, mais qui ne sont en réalité que des réponses à une équation.

Vous pouvez le constater dans la pratique avec les systèmes de reconnaissance faciale, les assistants vocaux et les prévisions météo. 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, noter leurs films préférés et en découvrir de nouveaux 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 restreint qui analyse le comportement et les préférences des utilisateurs pour 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 que vous pouvez utiliser pour effectuer un large éventail de tâches, telles que la génération, la classification ou la synthèse de texte ou d'images.

L'IA générative répond aux entrées et crée du contenu, basé sur le contexte et la mémoire d'un LLM. Cela va au-delà de la mise en correspondance de modèles et des prédictions. Voici quelques-uns des outils d'IA générative les plus courants:

Ces outils peuvent créer des textes, 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.

IA côté client, côté serveur et hybride

Alors que la plupart des fonctionnalités d'IA sur le Web reposent sur des serveurs, l'IA côté client s'exécute directement dans le navigateur de l'utilisateur. Cela offre des avantages tels que la faible latence, les coûts réduits côté serveur, l'absence de clé API, la confidentialité accrue des utilisateurs et l'accès hors connexion. Vous pouvez implémenter une IA côté client qui fonctionne dans tous les navigateurs avec des bibliothèques JavaScript, y compris Transformers.js, TensorFlow.js et MediaPipe.

L'IA côté serveur englobe les services d'IA cloud. Imaginez Gemini 1.5 Pro exécuté sur un cloud. Ces modèles ont tendance à être beaucoup plus volumineux et plus puissants. C'est particulièrement vrai pour les grands modèles de langage.

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.

Il est possible qu'un petit modèle côté client optimisé surpasse un modèle côté serveur plus volumineux, en particulier lorsqu'il est optimisé pour les performances. Évaluez votre cas d'utilisation pour déterminer la solution qui vous convient le mieux.

Machine learning (ML)

Le machine learning (ML) est une forme d'IA, dans laquelle un ordinateur apprend sans programmation explicite. Là où l'IA s'efforce de générer de l'intelligence, le ML permet aux ordinateurs d'apprendre de l'expérience. Le ML consiste en des algorithmes permettant de faire des prédictions sur des ensembles de données.

Le ML consiste à entraîner un modèle pour effectuer des prédictions utiles ou générer du contenu à partir de données.

Par exemple, imaginons que vous souhaitiez créer un site Web qui évalue la météo d'un jour donné. Traditionnellement, cette tâche 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 modèles météorologiques, et déterminer une note en comparant les données actuelles au contexte historique.

À la place, nous pouvons 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 rend la météo bonne ou mauvaise un jour donné. En fait, nous l'avons créé sur le Web.

Deep learning

Le deep learning (DL) est une classe d'algorithmes de ML. Par exemple, les réseaux de neurones profonds (DNN, Deep Neural Network) tentent de modéliser la façon dont le cerveau humain traite les informations.

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 actualité des données

Les grands ensembles de données utilisés pour entraîner divers modèles d'IA sont souvent obsolètes peu de temps après leur utilisation. Par conséquent, 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 obtenir 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 en fonction de vos besoins.

Questions d'éthique et de biais

La technologie d'IA est passionnante et offre un grand potentiel. Cependant, en fin de compte, les ordinateurs et les algorithmes sont conçus par des humains, entraînés sur des données qui peuvent être collectées par des humains et 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 la sortie. Il est important d'aborder la création de technologies d'IA en privilégiant la réduction des biais.

De nombreuses considérations éthiques sont liées aux droits d'auteur des contenus générés par IA. À qui appartient le résultat, en particulier s'il est fortement influencé par du contenu protégé par des droits d'auteur ou directement copié à partir de ce contenu ?

Avant de générer de nouveaux contenus et idées, consultez les règles existantes sur l'utilisation du contenu que vous créez.

Sécurité et confidentialité

De nombreux développeurs Web ont déclaré que la confidentialité et la sécurité étaient leurs principales préoccupations lorsqu'ils utilisaient des outils d'IA. C'est particulièrement vrai dans les contextes d'entreprise où les exigences en matière de données sont strictes, comme les gouvernements et les entreprises de santé. L'exposition des données utilisateur à davantage de tiers avec les API cloud est un problème. 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. De nombreuses recherches et développements restent à accomplir.

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 être plus productif et créer de meilleurs sites Web et applications Web.

Vous pouvez utiliser l'IA pour:

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 parfaitement comment créer des modèles mathématiques et rassembler 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 aucun ajustement supplémentaire. Le réglage consiste à prendre un modèle déjà 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 régler un modèle: