Les 10 mots pour comprendre l’intelligence artificielle sans avoir besoin d’être ingénieur

Votre enfant ou votre petit-cousin vous parle de faire ces devoirs sur « Chatgepete » mais vous ne connaissez aucun auteur avec ce nom ? Vous essayez de comprendre pourquoi on parle autant de Mistral quand on parle de la taxe Zucman ? Lorsque votre collègue du service IT vous dit qu’il a développé un prompt avec hyper peu de tokens pour se faciliter la vie, c’est du charabia ? Entre termes techniques et anglicisme, pas facile de s’y retrouver dans les discussions qui parlent d’intelligence artificielle. A l’occasion des Assises nationales de l’IA qui ont lieu ce jeudi à Caen, on vous propose un petit guide de survie façon lexique.

Intelligence artificielle (IA)

C’est le grand mot-valise. Le terme « intelligence artificielle » désigne toutes les techniques capables d’imiter certaines facultés humaines : comprendre un texte, reconnaître un visage, proposer une traduction… L’IA n’est pas une magie noire, mais une boîte à outils mathématique et statistique, qui existait déjà à l’époque des premiers jeux vidéo, mais qui s’invite désormais dans nos smartphones, nos voitures et nos moteurs de recherche. De plus en plus, ce terme plus général est utilisé pour désigner les LLM (« large language model », grand modèle de langage), qui se spécialisent dans la discussion, la rédaction, l’analyse et la synthèse de texte.

Algorithme

Un algorithme, c’est une recette : des étapes précises qui permettent d’arriver à un résultat. Cette manière de traiter l’information est à la base de la programmation et donc de l’IA. Les algorithmes sont partout, des suggestions Netflix aux GPS. Attention à ne pas leur prêter une neutralité absolue, alors qu’ils sont toujours façonnés par les choix et les données de leurs concepteurs.

Données (datas)

L’or noir du numérique. Chaque photo, clic, conversation ou achat génère des données, matière première des systèmes d’IA. Plus il y en a, mieux la machine peut « apprendre » dessus. Pour distinguer les décisions optimales, reconnaître un objet ou un animal, ou savoir quoi faire face à une situation nouvelle, la machine s’entraîne sur des tonnes de données. Mais elles non plus ne sont pas neutres : elles reflètent nos biais, nos habitudes, nos inégalités. Et si l’on nourrit une IA avec de mauvaises infos, elle restituera de mauvaises réponses.

Machine learning, deep learning et réseaux de neurones

On rentre dans le dur. Le machine learning permet aux programmes de s’améliorer en apprenant des données. Le deep learning, plus sophistiqué, empile des « couches » de ce qu’on appelle des réseaux de neurones artificiels. Inspirés du cerveau humain, ces neurones gèrent et combinent des paramètres différents pour permettre à l’intelligence artificielle de répondre à des problèmes complexes. Ce cocktail a rendu possible la reconnaissance faciale, les voitures semi-autonomes ou les assistants vocaux. Impressionnant, mais parfois aussi un peu opaque.

Modèle

Un modèle d’IA, c’est le résultat de tout cet entraînement : une sorte de cerveau numérique capable de prédire, classer ou générer du contenu. Certains sont spécialisés (détecter des tumeurs, identifier une fraude), d’autres généralistes (écrire des textes, résumer des documents). Leur performance dépend de deux choses : la qualité des données et la puissance de calcul derrière.

Prompt

On passe du côté utilisateur. Le prompt, c’est la consigne qu’on donne à une IA générative, surtout les modèles généralistes qui ont une interface utilisateur simple et accessible. « Écris un poème », « Crée une image de chat cosmonaute »… Plus la demande est précise, meilleur sera le résultat. On parle même maintenant de « prompt engineering » pour désigner l’art subtil d’écrire la question parfaite.

Deepfake

Johnny Hallyday qui chante du Taylor Swift ? Un discours de Macron qui n’a jamais existé ? Bienvenue dans l’ère du deepfake, les contenus truqués par IA. Si certaines utilisations peuvent être divertissantes, un risque majeur se cache aussi derrière ce phénomène : la désinformation. Difficile de croire ses yeux à l’heure où l’image, longtemps synonyme de preuve, peut être manipulée à volonté.

Token

Les tokens sont les petites unités de texte que les modèles de langage manipulent. Un token peut être un bout de phrase, un mot ou juste une syllabe. L’IA ne compte pas en nombre de caractères ou en mégaoctets mais en tokens. Plus une demande où la réponse attendue est longue, plus elle coûte cher en puissance, en énergie et en temps.

Hallucination

Comme chez les humains, une hallucination, c’est quand l’IA invente une réponse fausse mais convaincante. Elle cite un livre qui n’existe pas, invente un chiffre, ou attribue une phrase à la mauvaise personne. La machine n’a pas d’intention de tromper. C’est juste que, au fond, elle fonctionne sur des statistiques : quelle est la probabilité que cette image soit celle d’un chat ? Quelle est la probabilité que les prochains mots soient « 20 Minutes » ? Quand elle hallucine, elle a mal deviné.

AGI (Artificial General Intelligence)

C’est le fantasme ultime, et l’objectif affiché de certaines entreprises : créer une intelligence artificielle « générale », aussi souple et polyvalente que celle d’un humain. Elle saurait apprendre n’importe quelle tâche, raisonner, improviser, voire même s’améliorer elle-même sans intervention humaine. Pour l’instant, malgré les discours marketing, on en est bien loin : les IA actuelles restent spécialisées. Mais l’idée d’une AGI nourrit les débats… et surtout les scénarios de science-fiction.