1. Principe et fonctionnement

Avant de rentrer dans l’usage concrète de l’IA, rappelons le principe de l’IA générative. La GenAI, ce sont toutes les solutions d’intelligence artificielle qui proposent de générer des éléments sur la base d’un travail d’apprentissage en amont et d’une requête encodée, avec plus ou moins de détails, par l’utilisateur.

A. En amont, un travail d’apprentissage

Nous avons abordé, au point précédent, l’évolution de l’IA depuis les premiers moteurs de recherches jusqu’à l’arrivée de la GenAI, l’IA générative. Nous avons également vu dans le module 2 comment l’IA apprend.

Et bien la GenIA ne fait pas exception. Nous allons illustrer cela au travers de l’exemple de Chat GPT, l’IA générative la plus connue au monde.

Petite histoire de Chat GPT

À l’origine, OpenAI, l’entreprise derrière Chat GPT, voulait développer une IA qui maîtriserait tellement bien le langage, qu’elle serait capable de tenir une conversation de sorte qu’il soit impossible de différentier ses résultats de ceux d’un humain si ce n’est en comptant le nombre de fautes d’orthographe. 

Pour simplifier la compréhension de la suite, nous allons surnommer cette première IA Bob (N.B. C’est un surnom choisi aléatoirement. Il ne correspond pas à un quelconque surnom donné par les membres de l’équipe chargés de la développer).

Pour faire cela, ils ont utilisé la technique de l’apprentissage par renforcement. Mais ils n’ont pas employé une armée d’humains chargés de lire les résultats générés par Bob pour ensuite les critiquer. Ils ont été plus malins que cela. 

Ils ont créé une seconde IA, que nous surnommerons Marie, dont le seul but était de dire si le texte qu’on lui fournissait avait été écrit par un humain ou par Bob. Et à chaque fois que Marie arrivait à identifier le travail de Bob, celui-ci était puni. Bob retravaillait alors son algorithme pour s’améliorer et ainsi de suite jusqu’à ce que Marie ne puisse plus faire la différence entre Bob et un Humain.

Ces systèmes particuliers où une IA a pour rôle de détecter et « punir » une autre IA sont appelés réseaux antagonistes génératifs ou generative adversarial network (GAN) en anglais.

Mais ça ne s’arrête pas là ! Après avoir obtenu une IA capable de converser, il faut faire en sorte que ce qu’elle dit soit intéressant et correct. 

Ce point est une critique qui a très souvent été adressée aux premières versions de Chat GPT. Et c’est là qu’est toute la clé de la stratégie d’Open AI. Ils avaient un produit exceptionnel, mais pas parfait. Ils savaient que ce produit allait s’améliorer à force d’être utilisé, mais que les clients risquaient de vite s’en lasser si les résultats n’étaient pas à la hauteur de leur investissement. 

Ils ont donc tout simplement décidé de distribuer leur solution gratuitement. Très vite, les utilisateurs se sont multipliés. Ils ont discuté avec l’IA, lorsque les résultats étaient mauvais ou erronées, ils l’ont signalé et inversement lorsqu’ils étaient bons.

Petit à petit, l’IA s’est améliorée. Et ce n’est qu’une fois que Chat GPT a été suffisamment performant que l’entreprise a mis en place un système d’abonnement payant.

Finalement, on peut dire qu’ils ont effectivement fait appel à une armée d’humains venue critiquer leur solution pour l’améliorer, à moindre coût. 

B. Créer du neuf sur la base de l’existant

On entend souvent dire que « l’IA peut dessiner ce qui n’existe pas ». Ce n’est qu’en partie vrai. 

En effet, l’IA ne peut pas créer ce qui n’existe pas. L’intelligence artificielle recompose toujours sur la base de ce qu’elle a appris. Et donc sur la base de données qui lui ont été fournies en amont. 

Cependant, il est vrai qu’avec la bonne requête, on peut inciter l’IA à faire des associations qui n’ont pas encore été créés. Ainsi, on peut, par exemple, adapter des images avec le style particulier d’un peintre, comme le montre l’exemple ci-dessous.

Voici une image générée par l’IA. Il lui a été demandé de générer une peinture représentant Pikachu à la façon d’un tableau de Claude Monet.

2. Que peut-on générer ?

Les applications pratiques de l’IA générative sont très nombreuses. Ce qui explique en partie l’engouement qui s’est créé autour de cette technologie. 

En effet, de très nombreux métiers sont susceptibles d’employer des solutions d’IA pour les aider au quotidien.

Nous avons déjà pu aborder un certain nombre de ces applications. En commençant par la génération de texte au sens large, poésie ou code informatique, tous les styles y passent. 

La génération d’image, bien sûr, nous venons d’aborder le sujet plus haut.

Mais il est aussi possible de générer d’autres formats, comme une vidéo, du son ou du code informatique.  

Bruce Willis a par exemple vendu les droits d’usage de sa voix, qui est désormais générée par IA, juste avant que son état de santé se dégrade. Cela permet donc d’utiliser sa voix pour la création de tous nouveaux contenus.

3. Quelles solutions choisir ?

Nous n’allons pas vous dicter vos choix. En revanche, nous allons vous transmettre certaines clés qui peuvent vous aider à trancher.

A. Quel est votre objectif ?

Et oui, la première des questions à se poser avant de choisir une IA plutôt qu’une autre, c’est de savoir ce que l’on veut faire. Si vous cherchez à réaliser une tâche spécifique, il vaudra mieux choisir une IA spécialisée. À l’inverse, si vous cherchez de la polyvalence, alors une IA générique sera idéale pour vous.

L’image suivante montre, pour différentes IA, d’où viennent leurs données (de pages d’internet, de données conversationnelles, de livres, de données scientifiques ou de codes).

On comprend, grâce à ces graphiques ci-dessus, qu’un codeur préférera employer AlphaCode tandis qu’un chercheur universitaire utilisera Galactica. Chat GPT quant à lui permettra une certaine polyvalence dans ses tâches.

B. Qu’avez-vous à votre disposition (budget, données, etc.) ?

Le choix d’une IA dépend également de vos ressources. Avec un budget limité par exemple, il sera préférable d’opter pour des solutions d’IA open source ou des plateformes qui offrent des modèles pré-entraînés, ce qui peut réduire les coûts de développement initial.

Concernant les données, si vous avez accès à une grande quantité de données spécifiques à votre domaine, une IA personnalisée pourrait être développée pour exploiter ces informations. Sinon, des solutions nécessitant moins de données ou pouvant fonctionner avec des données plus générales seraient plus adaptées.

C. Vos données et informations fournies à l’IA sont-elles sensibles ?

Si vous cherchez à rédiger une lettre de motivation, vous ne devriez pas trop vous en faire. Les informations que vous fournirez ne devraient pas poser de problèmes.

En revanche, si vous souhaitez analyser les résultats de ventes de votre entreprise, alors il vaudrait mieux éviter de partager ces informations sensibles voire confidentielles. 

En fonction de la confidentialité des données, nous vous conseillons de bien prendre en considération les conditions d’utilisation de vos solutions, car souvent, les informations que vous fournissez à une IA sont réemployées pour alimenter sa base de données.

D. À quel point êtes-vous sensible à l’exploitation des données à caractères personnelles ?

Si vous vous sentez consterné.e par l’usage qui est fait de vos données personnelles sur le web, nous vous conseillons de privilégier des solutions européennes, comme Mistral. En effet, ces entreprises sont généralement plus au fait du respect du RGPD (Règlement Général sur la Protection des Données). Bien qu’une entreprise qui exerce une activité sur le sol européen est supposée respecter ce règlement, quel que soit son pays d’origine.

Le Prompting : qu’est-ce qu’un bon prompt ?

Les IA génératives sont ce qu’on appelle des LLM (Large Language Modèle). Comme leur nom l’indique, elles fonctionnent sur la base du langage. Pour les utiliser, il faut donc converser avec elles. Et cette conversation passe par ce qu’on appelle un prompt.

Le prompt c’est la requête qu’on fournit à l’IA afin d’obtenir le résultat attendu. Que ce soit du texte, de l’audio, de l’image, etc.

Donc maîtriser l’art du prompt, c’est maîtriser l’IA.

Un bon prompt, répond à 2 exigences qui permettront à l’IA de nous comprendre : la clarté et l’exhaustivité.

Méthode avancée de bon prompting