Découvrez le modèle : données, schémas et entraînement

Lorsque nous disons qu’un modèle d’IA « apprend », nous ne parlons pas d’un apprentissage semblable à celui des humains. L’IA ne construit pas sa compréhension à partir d’une expérience vécue, de la curiosité ou de relations. Les systèmes d’apprentissage automatique sont plutôt entraînés à l’aide de données. En traitant de nombreux exemples, ils peuvent repérer des schémas et des relations qui les aident à réagir à de nouvelles informations.

Ces schémas peuvent servir de différentes façons. Un modèle peut apprendre à déterminer si un courriel est un pourriel. Un autre peut prédire le film que vous aimerez probablement regarder ensuite. Un modèle d’IA générative peut utiliser des schémas du langage pour générer une réponse à votre requête.

Dans ce chapitre, nous explorerons comment cet apprentissage se déroule, comment les données façonnent ce que l’IA apprend, comment les modèles passent des schémas aux prédictions et ce qui se produit lorsque ces prédictions commencent à influencer des décisions.

Lorsqu’on entend aujourd’hui le terme IA, on pense facilement d’abord aux agents conversationnels d’IA générative. Pourtant, des modèles d’IA sont aussi intégrés à de nombreuses technologies que nous utilisons déjà tous les jours.

Vous les rencontrez probablement chaque jour, parfois sans vous en rendre compte.

Ces systèmes accomplissent des tâches différentes, mais ils reposent sur une idée importante : les modèles d’IA utilisent des schémas dans les données pour produire un résultat, comme une prédiction, une recommandation, une classification ou une réponse. L’IA n’est pas toujours un outil autonome ni quelque chose d’étiqueté clairement comme de « l’IA ». Beaucoup d’entre nous utilisent depuis des années des technologies alimentées par l’IA sans même s’en rendre compte.

Au chapitre 1, nous avons vu que l’apprentissage automatique est une façon d’entraîner des systèmes d’IA à apprendre des schémas à partir de données plutôt que de se fier uniquement à des règles fixes préprogrammées (pensez à une calculatrice de base qui suit des règles programmées). Ces schémas appris servent ensuite à faire des prédictions et à produire des résultats. Mais tous les modèles n’apprennent pas ces schémas de la même façon.

Il existe plusieurs approches courantes en apprentissage automatique. Examinons-en trois : l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement.

Quel type d’apprentissage ?

L’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement décrivent différentes façons dont un modèle peut apprendre. Ces approches ne nous disent pas nécessairement ce que le modèle fera une fois entraîné. Les modèles d’IA peuvent utiliser les schémas qu’ils apprennent pour accomplir différents types de tâches.

Que peut faire un modèle ?

Qu’en est-il de l’IA multimodale ?

Au chapitre 1, nous avons exploré l’IA multimodale, qui peut traiter différents types d’information, comme du texte, des images, du contenu audio et des vidéos. Ces capacités deviennent de plus en plus courantes. De nombreux grands modèles de langage, y compris ceux qui alimentent les agents conversationnels et les assistants d’IA les plus connus, peuvent maintenant traiter plusieurs modalités, ce qui leur permet d’interpréter une image, de répondre à la parole, de générer une image à partir de texte ou de créer du contenu audio.

Les modèles d’IA peuvent apprendre de différentes façons et utiliser ce qu’ils apprennent pour accomplir différents types de tâches. L’apprentissage supervisé, non supervisé et par renforcement décrivent la façon dont les modèles apprennent, tandis que classer, prédire, recommander et générer décrivent ce que les modèles peuvent faire.

Nous avons exploré différentes façons dont les modèles d’IA peuvent apprendre et différents types de tâches qu’ils peuvent accomplir. Examinons maintenant de plus près ce qui se passe pendant l’entraînement.

Un modèle est entraîné à l’aide de données. En les traitant, il repère des schémas et des relations qui peuvent l’aider à réagir à de nouvelles informations par la suite.

Par exemple, un modèle entraîné à reconnaître des chiens n’a pas besoin d’avoir vu tous les chiens possibles. En apprenant des schémas à partir de nombreux exemples pendant l’entraînement, il peut les utiliser pour reconnaître une nouvelle image qu’il n’a jamais rencontrée auparavant (Poole & Mackworth, 2023).

Voyons un exemple simplifié de la façon dont cela fonctionne.

Nous utilisons le mot « apprendre » pour les humains comme pour les machines, mais ils n’apprennent pas de la même façon.

Les humains apprennent par l’expérience, les relations, les sens, l’enseignement, la réflexion et leurs connaissances existantes. La recherche sur l’apprentissage montre aussi que ce que nous savons déjà, ainsi que les contextes sociaux, culturels et physiques qui nous entourent, façonne notre manière de donner un sens aux nouvelles informations (National Academies of Sciences, Engineering, and Medicine [NASEM], 2018; Downes, 2023). Nous pouvons relier de nouvelles informations à notre compréhension du monde, réfléchir à leur signification et appliquer ce que nous savons dans de nouvelles situations.

Quand nous disons qu’un modèle d’apprentissage automatique « apprend », nous voulons dire autre chose. Pendant l’entraînement, le modèle repère des schémas et des relations mathématiques dans les données. Ces schémas appris lui permettent de produire des résultats lorsqu’il rencontre de nouvelles informations.

Cette distinction est très importante. Un modèle d’IA peut devenir très performant pour une tâche donnée sans comprendre cette tâche comme le ferait une personne. Comprendre ce que nous voulons dire lorsque nous affirmons que l’IA « apprend » nous donne une base pour la question suivante : qu’est-ce qui façonne les schémas qu’un modèle apprend au départ ?