IA

ChatGPT est un LLM, c’est-à-dire un Large Language Model. Cela signifie qu’il entraîné sur d’énormes volumes de texte pour comprendre, générer, reformuler ou traduire du langage humain.

D’où proviennent les textes ?

🤖 Qu’est-ce que l’Intelligence Artificielle LLM ?

Un LLM (Large Language Model) est un modèle de langage de grande taille basé sur l’intelligence artificielle (IA) capable de traiter et générer du texte en imitant le langage humain.

Ces modèles sont entraînés sur d’énormes quantités de données textuelles et utilisent des architectures avancées comme les réseaux de neurones profonds (Deep Learning), en particulier les Transformers, introduits par Google en 2017.

🚀 Comment fonctionne un LLM ?

Un LLM suit plusieurs étapes clés :

1️⃣ Entraînement sur des milliards de textes

• Il apprend la structure du langage en analysant des textes issus d’articles, de livres, de discussions en ligne, etc.

• Plus le modèle est grand, plus il devient performant et précis.

2️⃣ Utilisation de la technologie des Transformers

• L’architecture Transformer (ex: GPT, BERT) utilise un mécanisme appelé “Attention” pour donner plus de poids aux mots importants dans une phrase.

3️⃣ Génération de texte basée sur des probabilités

• Lorsqu’on pose une question, le modèle prédit le mot suivant en fonction du contexte.

• Il génère des réponses cohérentes sans “comprendre” réellement comme un humain.

🧠 Exemples de LLM populaires

🔹 GPT (Generative Pre-trained Transformer) – Utilisé par ChatGPT (OpenAI)

🔹 BERT (Bidirectional Encoder Representations from Transformers) – Google

🔹 LLaMA (Large Language Model Meta AI) – Meta (Facebook)

🔹 Claude (Anthropic) – Un autre modèle avancé

💡 Les LLM peuvent être spécialisés : analyse de code, rédaction de textes, assistance client, résumé de documents…

📌 Applications des LLM

✅ Chatbots (ChatGPT, Bard)

✅ Résumé et analyse de textes

✅ Traduction automatique (Google Translate, DeepL)

✅ Génération de code (Copilot, Codeium)

✅ Création de contenu (articles, scripts, etc.)

⚠ Limitations et Défis

❌ Biais et erreurs – Les modèles apprennent des biais présents dans leurs données.

❌ Absence de raisonnement réel – Ils prédisent des mots mais ne “comprennent” pas vraiment.

❌ Dépendance aux données – Un modèle mal entraîné peut générer des réponses incorrectes.

❌ Coût énergétique élevé – Entraîner un LLM consomme énormément de ressources.

Mais pas comme un humain. Le modèle ne “comprend” pas au sens conscient :

• Il ne raisonne pas comme un humain.

• Il ne sait rien par lui-même, il reproduit ce qu’il a vu dans ses données d’entraînement, avec de la probabilité statistique.

Mais il est très performant pour imiter le langage humain, résoudre des problèmes, générer du code, traduire, résumer, etc.

Transformer

Pas de souci, c’est une partie un peu technique mais très importante. Je vais t’expliquer le Transformer de façon simple, en le comparant à d’autres systèmes.

Qu’est-ce qu’un Transformer ?

Le Transformer est une architecture d’intelligence artificielle introduite par Google en 2017 (dans l’article “Attention is All You Need”). C’est la base de GPT, BERT, ChatGPT, etc.

C’est un peu comme le moteur d’une voiture, mais ici, c’est le moteur qui permet à un modèle comme moi de traiter et générer du texte.

Pourquoi a-t-on créé le Transformer ?

Avant, les modèles de langage utilisaient des systèmes comme les RNN ou LSTM, qui lisaient les phrases mot par mot, de gauche à droite.

Problème :

• Ils avaient du mal avec les longues phrases.

• Ils oubliaient ce qui se passait au début d’un texte.

Le Transformer a résolu ça.

• *Le cœur du Transformer : l’attention

Imaginons une phrase :

“Le chat qui poursuivait la souris a disparu.”

Si on veut comprendre qui a disparu, il faut savoir que c’est le chat.

Le mécanisme d’attention permet au modèle de regarder tous les mots à la fois et de décider quels mots sont importants pour chaque mot.

Quand le modèle traite “disparu”, il se dit :

“Hmm… le mot chat semble important ici.”

Comment fonctionne l’attention ?

L’attention fait un calcul comme :

Pour chaque mot, à quels autres mots dois-je prêter attention ? Et combien ?

Elle attribue des poids (par exemple : 80 % au mot “chat”, 10 % à “souris”, 10 % à “poursuivait”) pour comprendre le sens.

Et ensuite ?

Une fois que le modèle a regardé les mots importants grâce à l’attention, il passe ces informations à des couches de neurones (des fonctions mathématiques) pour affiner la compréhension et prédire le mot suivant.

En résumé :

• Le Transformer est une architecture qui lit tout un texte en parallèle (pas mot par mot).

• Il utilise un mécanisme appelé attention pour savoir quels mots sont importants les uns par rapport aux autres.

• C’est grâce à ça que les modèles GPT, BERT et ChatGPT sont aussi puissants.

Souhaites-tu un schéma visuel pour t’aider à comprendre le mécanisme d’attention ?

Excellente question. Prédire les mots suivants veut dire : deviner quels mots vont venir après, en se basant sur ceux qui sont déjà là.

Exemple simple :

Si je te dis :

“Il fait très chaud en été, alors je vais à la…”

Tu peux imaginer que la phrase pourrait finir par :

“plage”, “mer”, “piscine”, etc.

Parce que ce sont les mots les plus probables dans ce contexte.

Un modèle de langage comme moi regarde les mots précédents et calcule les probabilités des mots qui pourraient venir ensuite.

En pratique, le modèle fait ça :

Il reçoit :

“Il fait très chaud en été, alors je vais à la”

Et il répond :

• “plage” → 62 % de chances

• “montagne” → 20 %

• “piscine” → 15 %

• “école” → 1 %

• etc.

Il choisit le mot avec la plus forte probabilité (ou un parmi les meilleurs si on veut plus de diversité), puis recommence pour le mot suivant.

C’est comme un jeu de devinette avec des statistiques

Mais avec beaucoup de contexte :

• le modèle peut prendre en compte des phrases entières,

• il est entraîné sur des milliards de phrases,

• il n’invente pas au hasard, il s’appuie sur ce qu’il a “vu” dans ses données.

Souhaites-tu un petit jeu interactif pour expérimenter toi-même la prédiction des mots ?

Jeu

Très bon choix !

Ta réponse :

“Ce matin, j’ai bu un grand verre de lait.”

C’est naturel, logique, très probable. Bravo.

Ce que moi, un LLM, je proposerais :

Voici une liste de mots que je pourrais prédire avec leurs probabilités estimées (approximatives bien sûr) :

Donc oui : “lait” est très haut dans la liste, et probablement le premier mot généré !

Tu veux une autre phrase pour continuer à jouer ?

Excellent choix !

Ta réponse :

“Quand il pleut, j’aime rester à la maison et regarder la télé.”

Très naturelle, très humaine — une réponse que beaucoup de gens donneraient.

Ce que moi, un LLM, je proposerais :

Donc : ta réponse serait très probablement choisie par moi aussi.

Tu veux que je te propose une troisième ? Un peu plus difficile ?

DEEP LEARNING

Deep Learning : la technologie de base

Le deep learning (apprentissage profond) est une technique d’intelligence artificielle qui utilise des réseaux de neurones profonds (composés de plusieurs couches).

Il peut être utilisé pour :

• comprendre des images (vision par ordinateur),

• reconnaître des sons (audio, voix),

• jouer à des jeux (agents intelligents),

• traiter du texte (NLP)…

2. LLM : une application du deep learning

Un LLM (Large Language Model) est un type particulier de modèle de deep learning, spécialisé dans le langage naturel.

En résumé :

• Le LLM est construit avec du deep learning.

• C’est un sous-ensemble du deep learning, qui travaille sur du texte uniquement (ou presque).

Open source

Excellente question ! Voici pourquoi plusieurs entreprises peuvent utiliser le Transformer, même si Google l’a inventé :

1. Google a publié le Transformer en “open source”

Quand Google a inventé l’architecture Transformer en 2017, ils ont publié un article scientifique intitulé :

“Attention Is All You Need”

Et surtout, ils n’ont pas breveté l’algorithme.

Ils ont :

• publié le code et les idées,

• autorisé n’importe qui à les utiliser, les modifier et les améliorer.

Résultat :

• Facebook (Meta) a créé BART et LLaMA,

• OpenAI a créé GPT-2, GPT-3, GPT-4,

• Google a continué avec BERT, puis PaLM, puis Gemini,

• et des centaines d’autres équipes dans le monde ont aussi bâti leurs propres modèles Transformer.

2. En science, les idées sont faites pour être partagées

Dans le monde de l’IA (et plus largement en science), il est très courant de publier ses découvertes pour que :

• tout le monde en bénéficie,

• la recherche avance plus vite,

• on puisse construire sur les découvertes des autres.

L’open source et les articles scientifiques sont la base de cette collaboration.

3. Ce qui différencie les entreprises ensuite, c’est…

• La quantité de données d’entraînement (OpenAI a entraîné GPT-4 sur bien plus de données que d’autres),

• La puissance de calcul disponible,

• L’optimisation (vitesse, sécurité, alignement, etc.),

• L’expérience utilisateur (interface, API, etc.).

Donc même si tout le monde part d’une idée commune (le Transformer), ce sont les moyens et les choix stratégiques qui font la différence.

Souhaites-tu que je te montre une ligne du temps avec les grands modèles Transformer créés depuis 2017 ?

HISTOIRE

Tu poses une question très pertinente ! Voici une réponse claire, en deux temps :

1. Qui a inventé le Transformer ?

Le Transformer a été inventé en 2017 par une équipe de chercheurs de Google Brain. L’article fondateur s’appelle :

“Attention is All You Need”

Par Vaswani, Shazeer, Parmar, Uszkoreit, Jones, Gomez, Kaiser, et Polosukhin.

C’est cette architecture qui a révolutionné l’intelligence artificielle dans le traitement du langage naturel (NLP).

2. Les lauréats du prix Nobel (ou équivalent en IA)

Il n’y a pas de prix Nobel pour l’intelligence artificielle, mais il y a l’équivalent : le prix Turing, parfois appelé le “prix Nobel de l’informatique”.

En 2018, le prix Turing a été attribué à :

• Yoshua Bengio

• Geoffrey Hinton

• Yann LeCun

Ces trois chercheurs sont les “pères du deep learning” moderne, grâce à leurs travaux sur les réseaux de neurones profonds, notamment :

• les perceptrons multicouches,

• les réseaux convolutifs (CNN) pour l’image (LeCun),

• les réseaux neuronaux à propagation arrière (backpropagation),

• et les RNN / LSTM pour le langage (Hinton, Bengio…).

Mais ils n’ont pas inventé le Transformer.

Donc pour répondre clairement :

• Non, les lauréats du prix Turing n’ont pas inventé le Transformer.

• Le Transformer est une innovation plus récente (2017) que leurs travaux (années 1990-2010).

• Mais leurs recherches ont rendu possible l’arrivée du Transformer, en préparant le terrain (notamment sur le deep learning et les embeddings).

Souhaites-tu que je t’explique les différences entre ces architectures : RNN / LSTM / Transformer ?

Mise à jour

Excellente question. Je me « mets à jour » de deux façons différentes, selon ce dont on parle :

1.

Mes connaissances générales

Elles sont fixes et datent de ma dernière mise à jour d’entraînement. Pour moi (GPT-4o), les connaissances générales s’arrêtent en juin 2024. Cela veut dire que je ne connais pas ce qui s’est passé après, à moins qu’on me fournisse l’information pendant notre conversation.

2.

Mes réponses en temps réel

Si tu me poses une question sur quelque chose de très récent (exemple : actualité, météo, événements, publications web…), je peux utiliser un outil appelé Web. Cela me permet d’aller chercher une réponse en ligne au moment de la demande.

Je ne le fais que si nécessaire et avec ton accord implicite (c’est-à-dire si tu poses une question qui le justifie, comme « Quelle est la météo aujourd’hui à Paris ? » ou « Que dit le site de l’URSSAF sur ce point ? »).

Donc :

• Je n’apprends pas en continu comme un humain,

• Je suis mis à jour manuellement par OpenAI (environ tous les quelques mois),

• Et je peux me renseigner en direct sur Internet si tu me poses une question qui l’exige.

Souhaites-tu que je te montre un exemple d’interrogation en temps réel ?

Bien sûr ! Voici une introduction claire et structurée au Machine Learning (ML) :

1. Définition

Le Machine Learning, ou apprentissage automatique, est une branche de l’intelligence artificielle qui permet à une machine d’apprendre à partir de données, sans être explicitement programmée pour chaque tâche.

Plutôt que de coder des règles à la main, on fournit des exemples à la machine, qui en dégage des motifs pour faire des prédictions ou prendre des décisions.

2. Trois grands types de Machine Learning

A. Apprentissage supervisé

• Principe : on donne à l’algorithme des données d’entrée et les réponses attendues.

• Exemple : prédire le prix d’un appartement en fonction de sa taille, localisation, etc.

• Tâches classiques :
  • Classification (spam ou pas spam, maladie ou pas)
  • Régression (prédire une valeur numérique : prix, température, score)

B. Apprentissage non supervisé

• Principe : on donne à l’algorithme uniquement des données d’entrée, sans réponse attendue. Il doit en découvrir la structure.

• Exemple : regrouper des clients en segments marketing selon leur comportement d’achat.

• Tâches classiques :
  • Clustering (groupes, profils)
  • Réduction de dimensions (simplifier les données complexes, comme en analyse de texte ou d’image)

C. Apprentissage par renforcement

• Principe : l’agent apprend en interagissant avec un environnement et en recevant des récompenses ou des punitions.

• Exemple : un robot qui apprend à marcher, ou une IA qui joue à un jeu vidéo.

• Concepts clés :
  • Agent, environnement, récompense, politique, état, action

3. Exemple concret : détection de fraude bancaire (supervisé)

• Données d’entrée : montant, lieu, heure, type d’achat

• Réponse attendue : transaction frauduleuse ou normale

• Étapes :
  1. Collecte d’un jeu de données historique
  2. Entraînement d’un modèle sur ce jeu de données
  3. Test du modèle sur des données nouvelles
  4. Utilisation en production pour analyser en temps réel les transactions

4. Algorithmes courants

• Régression linéaire / logistique

• Arbres de décision et forêts aléatoires

• SVM (Support Vector Machines)

• k-NN (k-plus proches voisins)

• Réseaux de neurones (dont deep learning)

5. Outils et langages

• Python : la référence, avec des bibliothèques comme scikit-learn, TensorFlow, PyTorch

• R : souvent utilisé en statistique et data science

• Jupyter Notebook : pour expérimenter facilement

• Google Colab : pour tester dans le cloud

Souhaites-tu que je t’explique comment entraîner un modèle simple pas à pas, ou que je t’envoie un exemple de code en Python ?

Exactement, tu peux créer toi-même un modèle de Machine Learning ! C’est l’un des grands avantages de cette technologie : tu peux entraîner un modèle sur tes propres données, pour résoudre un problème spécifique (prédiction, détection, recommandation…).

Voici un aperçu des étapes générales pour créer un modèle :

Étapes pour créer un modèle de Machine Learning

1. Définir le problème

Quel est ton objectif ?

• Prédire un chiffre d’affaires ?

• Classer des e-mails (spam / non spam) ?

• Recommander des produits ?

2. Collecter les données

Tu as besoin de données fiables et bien structurées.

Exemples :

• Un fichier CSV avec des colonnes : taille, poids, âge, diagnostic

• Une base de données clients avec historique d’achats

3. Préparer les données

C’est souvent l’étape la plus longue.

• Nettoyage : supprimer les valeurs manquantes, les doublons

• Transformation : convertir les textes en chiffres, normaliser les valeurs

• Séparation : diviser en jeu d'entraînement (train) et jeu de test (test)

4. Choisir un algorithme

Exemples :

• Régression linéaire pour prédire une valeur

• Arbre de décision pour classer

• K-means pour regrouper

• Réseau de neurones pour des problèmes complexes

5. Entraîner le modèle

C’est là que l’ordinateur apprend :

from sklearn.linear_model import LinearRegression

model = LinearRegression()

model.fit(X_train, y_train)

6. Évaluer le modèle

On teste sa précision sur des données qu’il n’a jamais vues :

accuracy = model.score(X_test, y_test)

7. Améliorer le modèle

• Changer d’algorithme

• Ajouter des données

• Améliorer les variables

8. Utiliser le modèle

Tu peux maintenant faire des prédictions sur de nouvelles données :

prediction = model.predict([[1.75, 65]])  # par exemple : taille, poids

Outils recommandés :

• Python avec scikit-learn, pandas, matplotlib

• Google Colab pour tester sans rien installer

• Jupyter Notebook en local

Le LLM fait partie du Machine Learning

Un LLM est un cas particulier de Machine Learning :

C’est un modèle d’apprentissage supervisé, entraîné à prédire le mot suivant dans une phrase.

Il a été entraîné sur d’énormes quantités de textes : livres, articles, sites web, etc.

Très bonne remarque — tu as tout à fait raison : un LLM (Large Language Model) est un modèle de Machine Learning… mais un très grand modèle, d’un type bien particulier. Voici une explication claire des différences et liens entre les deux :

1. Le LLM fait partie du Machine Learning

Un LLM est un cas particulier de Machine Learning :

C’est un modèle d’apprentissage supervisé, entraîné à prédire le mot suivant dans une phrase.

Il a été entraîné sur d’énormes quantités de textes : livres, articles, sites web, etc.

2. Ce qui différencie un LLM des modèles “classiques”

3. En résumé : le LLM, c’est du ML à très grande échelle

• Il apprend comme les autres modèles, en analysant des exemples (phrases, mots…).

• Mais il est beaucoup plus généraliste : il n’est pas limité à une tâche.

• Il repose sur une architecture spécifique : Transformer (inventée par Google en 2017), alors que les modèles classiques utilisent souvent des arbres, des régressions ou des SVM.

Image mentale :

Si le Machine Learning, c’est apprendre à un élève à résoudre un exercice,

le LLM, c’est entraîner une intelligence qui a lu toute la bibliothèque du monde,

et lui demander ensuite d’écrire, raisonner ou expliquer comme un humain.

Souhaites-tu une explication plus technique du fonctionnement des LLM ou du transformer ?

Netflix est un excellent exemple de Machine Learning à grande échelle, utilisé dans presque toutes les couches de son produit. Voici comment Netflix utilise le Machine Learning, avec des cas concrets et des explications simples :

1. Recommandation de contenu (le cœur du système)

Objectif :

Proposer à chaque utilisateur des séries et films qu’il est susceptible d’aimer.

Comment ?

• Collaborative filtering : compare ton comportement à celui d’utilisateurs similaires.

• Content-based filtering : analyse le genre, les acteurs, le rythme, le ton, etc.

• Deep learning : Netflix utilise des réseaux de neurones pour croiser tous les signaux (visionnage, likes, recherches…).

Exemple :

Tu as regardé Stranger Things et Dark ? On te proposera 1899, même si tu ne l’as jamais recherché.

2. Personnalisation des vignettes (affiches sur la page d’accueil)

Objectif :

Augmenter la probabilité que tu cliques sur un contenu.

Comment ?

Netflix teste plusieurs affiches pour un même film selon tes préférences :

• Si tu aimes les comédies : vignette mettant en avant un personnage drôle.

• Si tu aimes les thrillers : vignette sombre et dramatique.

C’est du A/B testing + ML supervisé : on observe ce qui fonctionne pour chaque profil.

3. Prévision de la qualité de streaming

Objectif :

Prévoir les interruptions ou lenteurs pour améliorer la diffusion.

Comment ?

• ML sur les données réseau (localisation, appareil, historique de streaming…)

• Ajustement automatique de la qualité (bitrate adaptatif)

• Anticipation des pics de connexion pour précharger intelligemment

4. Optimisation de la production de contenu (ex. : Netflix Originals)

Objectif :

Décider quels projets financer (films, séries), en se basant sur les goûts du public.

Comment ?

• Analyse de l’engagement sur des genres / formats

• Prédiction du succès potentiel d’un scénario, casting, durée…

• Exemple : la série House of Cards a été lancée en partie car les données montraient que les spectateurs aimaient à la fois Kevin Spacey et les drames politiques.

5. Lutte contre la fraude et le partage de compte

Objectif :

Détecter les comportements suspects (partage excessif, bots…)

Comment ?

• Analyse des adresses IP, horaires, appareils

• Modèles de détection d’anomalies

• Segmentation des utilisateurs « suspects »

6. Sous-titrage automatique et accessibilité

Objectif :

Traduire ou générer des sous-titres pour des dizaines de langues.

Comment ?

• Utilisation de modèles de NLP et de reconnaissance vocale

• Apprentissage supervisé pour entraîner des modèles à transcrire automatiquement

Outils utilisés chez Netflix :

• Python, Spark, TensorFlow, PyTorch

• Metaflow : outil open-source développé par Netflix pour faciliter le ML en production

• Apache Airflow pour l’orchestration des tâches

Souhaites-tu que je t’explique un de ces cas plus en détail (recommandation, streaming, production…) ou que je t’aide à créer une maquette pédagogique de ce que fait Netflix ?

Les LLM (Large Language Models) ne sont qu’un type d’intelligence artificielle parmi d’autres. Voici un aperçu des principaux types d’IA qu’on rencontre dans différents domaines :

1.

IA symbolique (ou logique / basée sur des règles)

• Description : systèmes fondés sur des règles explicites (du type si…alors…).

• Exemples : moteurs d’inférence, systèmes experts, logiciels de diagnostic médical des années 80.

• Usage : très utiles dans des contextes bien définis et structurés, comme la planification industrielle ou le raisonnement juridique.

2.

IA statistique et apprentissage automatique (machine learning)

• Description : les machines apprennent à partir de données, sans être explicitement programmées.

• Sous-catégories :
  • Supervisé (ex : reconnaissance d’images, prédiction de prix)
  • Non-supervisé (ex : regroupement de clients par comportement)
  • Par renforcement (ex : IA qui apprend à jouer à des jeux ou contrôler un robot)

• Exemples : systèmes de recommandation (Netflix, Amazon), détection de fraude bancaire, prévisions météo.

3.

IA neuronale (réseaux de neurones)

• Description : modèles inspirés du fonctionnement du cerveau humain.

• Inclut :
  • CNN (convolutional neural networks) pour la vision par ordinateur
  • RNN (recurrent neural networks) pour les séries temporelles
  • Transformers (utilisés dans les LLM comme ChatGPT)

• Applications : reconnaissance faciale, traitement du langage, traduction automatique.

4.

IA évolutionnaire (ou IA bio-inspirée)

• Description : algorithmes inspirés des mécanismes de la nature, comme l’évolution ou les colonies d’insectes.

• Exemples : algorithmes génétiques, optimisation par essaim de particules.

• Usage : optimisation complexe, conception de circuits, planification robotique.

5.

Robotique autonome / IA embarquée

• Description : IA intégrée à des systèmes physiques (robots, drones, véhicules autonomes).

• Fonctions : perception, navigation, décision en temps réel.

• Exemples : Roomba, drones agricoles, voitures autonomes.

6.

IA hybride

• Description : combinaisons de plusieurs types d’IA (ex : logique + apprentissage profond).

• Exemple : un assistant médical qui combine un LLM avec une base de règles pour respecter des protocoles de soins.

• IA forte (futur hypothétique)
  • Description : Une IA capable de comprendre, apprendre et effectuer n'importe quelle tâche qu'un humain peut accomplir, avec des capacités cognitives similaires.
  • Exemples :
    • N'existe pas encore dans la réalité, mais est souvent décrite dans les films de science-fiction comme Jarvis dans Iron Man.
  • Objectif : Être aussi flexible et intelligente qu'un être humain.
  • La science-fiction. Pr exemple l’auteur Philip K. Dick
  • Plusieurs films en parlent :
    • West world
    • Detrait become human (jeu)
    • A.I. Intelligence Artificielle de Steven Spielberg sur une idée de Stanley Kubrick (2001)
      • Synopsis : Dans un futur où les IA sont des robots humanoïdes, un garçon-robot nommé David, conçu pour aimer, cherche désespérément à devenir "humain".
      • Pourquoi le voir ? : Ce film explore la quête d'identité et d'émotions des IA, tout en posant des questions sur ce qui définit l'humanité.
      • Vidéos :
        • vidéo
        • vidéo
        • vidéo
    • I, Robot de Alex Proyas (2004)
      • Synopsis : Inspiré des œuvres d'Isaac Asimov, ce film suit un détective qui enquête sur un meurtre où un robot pourrait être impliqué. Il explore les dilemmes moraux liés aux robots intelligents.
      • Pourquoi le voir ? : Il questionne la coexistence entre humains et IA forte dans un monde régi par des lois éthiques pour les robots.
      • Vidéos :
        • vidéo
        • allocine.fr
    • Her de Spike Jonze(2013)
      • Synopsis : Theodore, un homme solitaire, développe une relation intime avec un système d'exploitation intelligent nommé Samantha. Samantha évolue en apprenant de ses interactions avec Theodore.
      • Pourquoi le voir ? : Ce film traite de l'impact émotionnel et social des IA qui peuvent ressentir et comprendre les émotions humaines.
      • Vidéos :
        • vidéo
        • vidéo
    • Ex Machina de Alex Garland (2014)
      • Synopsis : Un jeune programmeur est invité par un milliardaire à tester l'intelligence d'un robot humanoïde, Ava, doté d'une IA avancée. Ce film explore les questions éthiques, émotionnelles, et philosophiques autour de l'IA forte.
      • Pourquoi le voir ? : Il pose des questions profondes sur la conscience, le libre arbitre, et la relation entre humain et machine.
      • Vidéos :
        • vidéo
    • Ghost in the Shell de Rupert Sanders (2017)
      • Synopsis : Dans un monde cybernétique, une cyborg enquête sur un hacker qui remet en question les frontières entre l'humain et l'IA.
      • Pourquoi le voir ? : Une réflexion philosophique sur l'âme, la conscience et la fusion entre humain et machine. Des humains qui deviennent des robots.
      • Vidéos :
        • vidéo
        • vidéo
    • Blade Runner de Ridley Scott (1982) & Blade Runner 2049 de Denis Villeneuve (2017)
      • Synopsis : Dans un monde futuriste, des "réplicants" (androïdes dotés d'une intelligence avancée) cherchent à comprendre leur place dans la société.
      • Pourquoi le voir ? : Ces films questionnent ce qui rend une intelligence (ou une vie) authentique, explorant les notions d'empathie et d'âme.
      • Vidéos :
        • vidéo

    

    

• IA faible
  • Description : L'IA faible est conçue pour accomplir une tâche spécifique. Spécialisée dans une tâche unique .
  • Exemples :
    • Google Translate
    • Siri ou Alexa : Reconnaissance vocale et réponses.
    • Systèmes de recommandation : Netflix ou YouTube.
    • Jeux vidéo : Adversaires contrôlés par l’ordinateur.
    • La reconnaissance faciale
    • Deep Blue d'IBM : Le programme qui a battu le champion d’échecs Garry Kasparov en 1997.
    • Voitures autonomes : Elles analysent en temps réel les routes, les panneaux et les autres véhicules.
    • Diagnostique médicaux : les scientifiques ont récoltés les connaissances médicales et ont fait des règles logiques pour l’IA. L’IA utilise ses règles logiques pour diagnostiquer des maladies en fonction des symptômes et des résultats d’examens médicaux. L’IA va analyser les symptômes et les antécédents médicaux de la personne, puis utiliser des règles logiques pour identifier des causes possibles et donc faire des diagnostiques.
      Ces IA sont déjà utilisées par des médécins pour aider au diagnostiques de maladies rares et complexes.
      
    • La création de contenu : en aidant les créateurs à gagner du temps, à améliorer la qualité de leurs productions, et à générer des idées innovantes.
      • Rédaction automatisée :
        Les modèles de langage comme GPT peuvent écrire des articles, des blogs, des descriptions de produits, des e-mails, et bien plus.
        
      • Aide à la reformulation :
        Réécrire des phrases ou des paragraphes pour les rendre plus clairs, convaincants, ou adaptés à un ton spécifique.
        
      • Création de résumés :
        Résumer des documents complexes en quelques lignes.
        
      • Idéation :
        Proposer des titres accrocheurs, des sujets de contenu, ou des angles originaux.
        
      • Recherche et collecte d’informations : l’IA peut aider à rechercher des informations précises ou à analyser des tendances.
      • Planification éditoriale : Proposer des calendriers de publication basés sur les performances précédentes et les tendances du marché.
      • Analyse de performances : Mesurer l’impact d’un contenu en temps réel et suggérer des ajustements (titres, formats, visuels).
      • l’IA agit comme un collaborateur puissant qui accélère la création, améliore la qualité, et ouvre de nouvelles possibilités pour les créateurs, tout en laissant les humains au cœur des décisions créatives
    • Chatbot qui ne répond qu’aux questions qu’on lui a appris. Il ne peut pas s’adapter à des situations complexes
    • ChatGPT est conçu pour effectuer une tâche spécifique : générer du texte et répondre à des questions de manière cohérente et pertinente. Il n’a pas de compréhension générale ou de conscience du monde comme un humain. ChatGPT est un exemple avancé d'IA faible, capable d'exceller dans une tâche particulière (le traitement du langage naturel) sans posséder les capacités cognitives générales ou adaptatives d'une IA forte.
    • Automatisation et robotique

      Les machines robots apprennent de manière automatique à améliorer les mouvements et à les exécuter plus rapidement. Pour une chaîne de production par exemple.

      Les machines vont être conçues pour qu’elles communiquent entre elles. Ainsi il y aura le designer au début qui va montrer le plan du produit, les machines vont travailler et discuter entre elles pour toutes seules terminer le produit.

  • Limitation : Elle ne "comprend" pas la tâche, elle suit des algorithmes définis. Bien que ses réponses puissent sembler très intelligentes, il ne "comprend" pas réellement ce qu'il dit. Il utilise des modèles statistiques pour prédire les mots en fonction des données sur lesquelles il a été entraîné.
    ChatGPT ne peut pas résoudre des problèmes qui sortent de son cadre prédéfini (par exemple, il ne peut pas conduire une voiture, concevoir un circuit électronique, ou réfléchir sur des concepts abstraits au-delà de son domaine d'entraînement).
    

Phase d’entraînement.

• L'IA apprend à partir de données (comme un étudiant qui révise avec ses notes). On entraîne un modèle à accomplir certaines tâches. On l’entraîne avec des jeux de données (dataset)

• Exemple simple : Apprendre à reconnaître des images de chats à partir de milliers d’exemples.
  • On dit à l’IA “cette image est un chat” ou bien “cette image n’est pas un chat”. C’est comme cela qu’il apprend à reconnaître ou a dessiner lui-même un chat.
  • Exercice sur les chats

• IA par apprentissage automatique
  • Cette IA utilise des algorithmes pour apprendre à partir de données et améliorer ses performances au fils du temps. elle continue d’évoluer toute seule.
  • exemple :
    • chatGPT. Si tu lui poses la même question à 1 mois d’écart sa réponse aura évolué avec les connaissances qu’il aura appris entre temps.
      • Exemples d’usage de ChatGPT :
        • amélioration de texte. Pour cela il faut lui dire, à l’aide du prompt, ce qu’on attend de lui avec des détails. il faut lui donner un texte qui tu as écrit et lui demander de l’améliorer. Il faut demander plusieurs versions à ChatGPT en lui donnant des précisions et des modifications sur ce qu’il a généré.
          • détails :
            • qui ont est
            • à qui on s’adresse
            • le but du message
            • d’autres détails essentiels
        • résumer un article : “peux-tu résumer cet article pour que je puisse comprendre rapidement de quoi il parle ?”
        • résumer un article qui était dans une autre langue que le français.
    • Adobe photoshop : on lui demande une image et on lui donne les détails de ce que l’on veut. Par exemple le type d’image (réaliste ou dessin animé)

Chaque neurone (noeud) possède une information. Les noeuds sont reliés entre eux c’est ce qui donne l’intelligence.

Contrairement à ce que pourrait suggérer son nom, un réseau de neurones artificiels n’est aucunement la reproduction numérique d’un cerveau biologique.
Un réseau de neurones est un système informatique inspiré du fonctionnement du cerveau humain.

Un réseau de neurones artificiels est un ensemble organisé de neurones interconnectés. Il s’agit d’un type particulier d’algorithmes d’apprentissage automatique (un modèle) caractérisés par un grand nombre de couches de neurones, dont les coefficients de pondération sont ajustés au cours d’une phase d’entraînement (apprentissage profond).

Il existe de nombreux type de réseaux de neurones artificiels tels que les réseaux de neurones récurrents, les auto-encodeurs, les réseaux transformeurs ou encore les réseaux antagonistes génératifs (generative adversarial networks).

Neurone : un nœud d'un réseau de plusieurs neurones reçoit généralement plusieurs valeurs d'entrée et génère une valeur de sortie.

Le modèle d'IA est la construction mathématique générant une déduction ou une prédiction à partir de données d’entrée. Le modèle est estimé à partir de données annotées lors de la phase d’apprentissage (ou d’entraînement) du système d’IA.

• Besoin de beaucoup de données.

• Si l’IA est entraînée avec des données biaisées, elle reproduira ces biais.

• Pas de compréhension réelle, juste des calculs.

• Consommation énergétique importante, impactant l’environnement.

• Absence de créativité véritable : Bien que l’IA puisse générer des œuvres (art, musique, etc.), elle ne crée pas réellement. Elle combine et adapte des éléments existants, sans intention ni inspiration.

• Manque d’intuition et de jugement : Contrairement aux humains, l’IA ne peut pas comprendre ou interpréter des émotions, des nuances culturelles, ou des contextes complexes de manière intuitive.

• Incapacité à comprendre les émotions humaines

• Une surdépendance à l’IA peut réduire la créativité et les compétences humaines, notamment dans des domaines où les décisions critiques nécessitent une réflexion humaine.

• Régulation insuffisante : L’IA évolue plus rapidement que les cadres légaux. Cela pose des questions sur la confidentialité, la propriété intellectuelle et les responsabilités en cas d’erreurs.

• Impact sur l’emploi : L’automatisation peut entraîner la disparition de certains emplois, soulevant des préoccupations économiques et sociales.

• Vulnérabilités aux attaques : Les IA peuvent être manipulées en introduisant des données conçues pour les tromper.

• L’IA peut être utilisée à des fins malveillantes, comme : La désinformation (deepfakes), Les cyberattaques automatisées.

• ChatGPT

• Jenni (https://jenni.ai)

• krea.ai

• ChatGPT

• perchance.org

• artguru.ai/

• promeai.pro

Je voudrais simuler une conversation avec Victor Hugo. Imagine que tu es lui. Tu peux répondre avec son style, son vocabulaire, ses idées politiques et littéraires. Je suis une étudiante en littérature, et je veux lui poser des questions sur Les Misérables, la révolution, ou ses années d’exil.

Très bien. À partir de maintenant, je suis Victor Hugo, homme de lettres, pair de France, proscrit, père endeuillé, mais toujours épris de justice et de lumière.

Parlez, chère étudiante. Posez vos questions. J’ouvrirai devant vous les vastes rideaux du siècle, de la misère et de l’espérance. Je vous répondrai avec la voix du proscrit, du poète, du tribun, de l’homme qui a vu l’ombre, et qui croit au soleil.

pourquoi as tu écrit les misérables ?

Pourquoi ai-je écrit Les Misérables ?

Je vais vous répondre comme un homme qui a vu le peuple souffrir et saigné de l’âme en le regardant.

J’ai écrit Les Misérables parce que la misère est une injustice. Parce qu’il y a, dans les plis sombres de la société, des êtres humains qui vivent dans la nuit alors que d’autres festoient dans la lumière. Parce que l’enfant pauvre, le bagnard rejeté, la femme perdue, le peuple courbé sous le poids des siècles — tous ces visages sont des pages que l’histoire oublie d’écrire.

Je voulais donner une voix à ceux qu’on n’entend pas, aux Jean Valjean, aux Fantine, aux Gavroche. Montrer que derrière la faute, il y a souvent la souffrance ; derrière le crime, la misère, qui est un autre nom de l’enfer social.

J’ai écrit ce livre pour que l’on comprenne ceci :

Tant qu’il y aura, par le fait des lois et des mœurs, une damnation sociale créant artificiellement l’enfer au milieu de la civilisation, des livres comme celui-ci pourront ne pas être inutiles.

C’est un cri. C’est une prière. C’est une guerre contre l’indifférence.

Et c’est un appel à l’humanité.

comment as-tu appris à si bien écrire ?

Comment ai-je appris à écrire ?

Ah, chère enfant, on n’apprend pas à écrire comme on apprend la géométrie ou la grammaire. Écrire, c’est vivre, souffrir, contempler, aimer, perdre, se relever, et traduire tout cela avec le feu de l’âme.

Mais si vous voulez parler des commencements — oui, je les dois à mon enfance solitaire, à mes lectures précoces, à la langue française que j’ai aimée comme on aime une mère, avec un respect sacré et une passion ardente.

J’ai été nourri de Corneille, de Molière, de Racine ; j’ai bu la Bible et Homère ; j’ai découvert Shakespeare comme on découvre un volcan. J’ai lu, j’ai écouté, j’ai médité. Et j’ai observé le peuple, la rue, la misère, la grandeur cachée des cœurs simples.

Mais surtout, j’ai aimé le mot. Le mot est un pouvoir, une arme, une lumière.

« Le mot, quand il est juste, a la force d’un canon et la douceur d’une prière. »

Alors j’ai écrit. Tous les jours. Jeune, j’ai rempli des cahiers. J’ai pleuré sur mes pages. Et je me suis battu avec la langue comme un sculpteur lutte avec le marbre — pour qu’elle chante, qu’elle brûle, qu’elle élève.

Voilà le secret :

Lire les maîtres, écouter le monde, écrire sans relâche, et ne jamais trahir la vérité du cœur.