Qu’est-ce que l’IA ? Glossaire de A à Z des termes essentiels de l'IA en 2024

Le paysage de l’IA évolue à une vitesse vertigineuse, vous seriez donc pardonné si vous avez été pris au dépourvu par un terme inconnu (ou deux). Se tenir au courant du dernier jargon de l'IA devient de plus en plus important à mesure que la technologie a un impact de plus en plus important sur notre vie quotidienne .

Cela est particulièrement vrai au travail, où la maîtrise de l’IA est la nouvelle compétence indispensable pour les employeurs. Si vous ne connaissez pas votre AGI grâce à votre LLM, ne vous inquiétez pas. Nous avons compilé une liste de A à Z de termes populaires en matière d'IA et expliqué ce que chaque concept signifie en termes simples, pour vous aider à en savoir plus sur la technologie qui continue de façonner le monde qui nous entoure.

Des points de contact de base comme l'apprentissage automatique aux concepts plus complexes comme l'IA quantique, poursuivez votre lecture pour réviser quelques termes intéressants et en savoir plus sur le meilleur des mondes de l'intelligence artificielle.

Qu’est-ce que l’IA ?

Abréviation d'intelligence artificielle, l'IA fait référence à l'intelligence des machines par opposition à l'intelligence des êtres sensibles comme les humains. Les systèmes d'IA fonctionnent en recevant de grandes quantités de données d'entraînement, en analysant les données à la recherche de modèles et en utilisant ces modèles pour générer des résultats.

Bien que le concept existe depuis les années 1950, l'intelligence artificielle a été introduite dans le courant dominant ces dernières années grâce aux percées réalisées par des développeurs d'IA comme OpenAI . L’étude de l’IA est vaste et s’étend chaque année, alors poursuivez votre lecture pour en savoir plus sur l’intelligence artificielle et les concepts associés en 2024.

A pour Intelligence Générale Artificielle (AGI)

L’AGI est un type théorique d’IA qui présente une intelligence semblable à celle des humains et est généralement considérée comme aussi intelligente, voire plus, que les humains. Bien que les origines du terme remontent à 1997, le concept d'AGI est devenu courant ces dernières années alors que les développeurs d'IA continuent de repousser les frontières de la technologie.

Par exemple, en novembre 2023, OpenAI a révélé qu'elle travaillait sur un nouveau modèle de « superintelligence » d'IA nommé Projet Q* , qui pourrait rapprocher l'entreprise de la réalisation de l'AGI. Il convient toutefois de souligner que l’AGI est encore un concept hypothétique et que de nombreux experts sont convaincus que ce type d’IA ne sera pas développé de sitôt, voire jamais.

B est pour Big Data

Le Big Data fait référence à des ensembles de données volumineux et volumineux, que les méthodes traditionnelles de traitement des données ont du mal à gérer. Big data et IA vont de pair. Le gigantesque pool d’informations brutes est vital pour la prise de décision en matière d’IA, tandis que les algorithmes d’IA sophistiqués peuvent analyser les modèles des ensembles de données et identifier des informations précieuses. Lorsqu’ils travaillent ensemble, ils aident les utilisateurs à faire des révélations plus pertinentes, beaucoup plus rapidement qu’avec les méthodes traditionnelles.

B est pour biais

Le biais de l’IA se produit lorsqu’un algorithme produit des résultats qui sont systématiquement préjudiciables à certains types de personnes. Malheureusement, il a toujours été démontré que les systèmes d’IA reflètent les préjugés au sein de la société en entretenant des croyances néfastes et en encourageant les stéréotypes négatifs liés à la race, au sexe et à l’identité nationale.

Ces préjugés ont été soulignés dans un article désormais supprimé de Buzzfeed, qui présentait des Barbies générées par l'IA du monde entier. Les images soutiennent une variété de stéréotypes raciaux, en présentant des poupées caribéennes sursexualisées, des Barbies blanchies à la chaux du Sud et des poupées asiatiques avec des tenues culturelles inexactes.

C comme ChatGPT

Vous avez probablement entendu parler de celui-ci, mais il est toujours important de le mentionner, car aucun glossaire de l'IA ne peut être considéré comme complet sans un clin d'œil au chatbot génératif d'IA qui a changé la donne lors de son lancement en novembre 2022.

En bref, ChatGPT est le produit qui a déplacé le débat sur l'IA de la salle des serveurs vers le salon. Il a fait avec l'intelligence artificielle ce que l'iPhone a fait pour le téléphone mobile, en mettant la technologie aux yeux du public grâce à son modèle largement accessible.

Comme nous l'avons récemment révélé dans notre rapport Impact de la technologie sur le lieu de travail , ChatGPT est de loin l'outil d'IA le plus largement utilisé par les entreprises – et peut même être la clé pour débloquer la semaine de travail de 4 jours .

Son influence peut s'estomper avec le temps, mais le monde de l'IA sera toujours vu à travers le prisme d'avant et d'après la naissance de ChatGPT.

C comme Calcul

Signifiant « puissance de calcul », le calcul fait référence aux ressources informatiques nécessaires pour entraîner les modèles d'IA à effectuer des tâches telles que le traitement des données et la réalisation de prédictions. En règle générale, plus la puissance utilisée pour former un LLM est forte, plus il peut être performant.

La puissance de calcul dépend cependant d’une grande consommation d’énergie, ce qui suscite l’inquiétude des militants écologistes. Par exemple, des recherches ont révélé qu’il faut 1 GWh d’énergie pour alimenter quotidiennement les réponses ChatGPT, ce qui représente suffisamment d’énergie pour alimenter 30 000 foyers américains.

D est pour diffusion

Les modèles de diffusion représentent un nouveau niveau d’apprentissage automatique, capable de générer des images générées par l’IA de qualité supérieure. Ces modèles fonctionnent en ajoutant du bruit à un ensemble de données avant d'apprendre à inverser ce processus.

En comprenant le concept d'abstraction derrière une image et en créant du contenu d'une nouvelle manière, les modèles de diffusion créent des images plus nettes et plus raffinées que celles créées par les modèles d'IA traditionnels, et sont actuellement déployés dans une gamme d'outils d'image d'IA comme Dall. -E et diffusion stable.

E est pour les capacités émergentes

Un comportement émergent se produit lorsque les modèles d'IA produisent une réponse imprévue en dehors de l'intention de son créateur. Une grande partie de l’IA est si complexe que ses processus de prise de décision ne peuvent toujours pas être compris par les humains, même par ses créateurs. Alors que des modèles d’IA aussi importants que GPT4 ont récemment montré des capacités émergentes, les chercheurs en IA déploient des efforts accrus pour comprendre le comment et le pourquoi des modèles d’IA.

F comme reconnaissance faciale

La technologie de reconnaissance faciale s'appuie sur l'IA, des algorithmes d'apprentissage automatique et des techniques de vision par ordinateur pour traiter des images fixes et des vidéos de visages humains. Étant donné que l’IA peut identifier les détails complexes du visage plus efficacement que les méthodes manuelles, la plupart des systèmes de reconnaissance faciale utilisent un réseau neuronal artificiel appelé réseau neuronal convolutif (CNN) pour améliorer sa précision.

G est pour IA générative

L'IA générative est un terme fourre-tout qui décrit tout type d'IA qui produit du contenu original comme du texte, des images et des clips audio. L'IA générative utilise les informations des LLM et d'autres modèles d'IA pour créer des sorties et alimenter les réponses des chatbots comme ChatGPT, Gemini et Grok,

H comme Hallucination

Les chatbots ne produisent pas toujours des réponses correctes ou sensées. Souvent, les modèles d’IA génèrent des informations incorrectes mais les présentent comme des faits. C’est ce qu’on appelle l’hallucination de l’IA. Les hallucinations se produisent lorsque le modèle d’IA fait des prédictions basées sur l’ensemble de données sur lequel il a été formé, au lieu de récupérer des faits réels.

La plupart des hallucinations de l’IA sont mineures et peuvent même être négligées par l’utilisateur moyen. Cependant, les hallucinations peuvent parfois avoir des conséquences dangereuses, car les fausses réponses produites par ChatGPT ont déjà été exploitées par des escrocs pour inciter les développeurs à télécharger du code malveillant.

Je suis pour Intelligence Explosion

Présentant des similitudes avec l’AGI, l’explosion du renseignement est un scénario hypothétique dans lequel le développement de l’IA devient incontrôlable et constitue par conséquent une menace pour l’humanité. Également appelé « singularité », le terme représente une menace existentielle ressentie par beaucoup face aux progrès rapides et largement incontrôlés de la technologie.

J comme Jailbreak

Le jailbreak est une forme de piratage informatique visant à contourner les garanties éthiques des modèles d’IA. Plus précisément, lorsque certaines invites sont saisies dans les chatbots, les utilisateurs peuvent les utiliser sans aucune restriction.

Fait intéressant, une étude récente de l'Université Brown a révélé que l'utilisation de langues comme le hmong, le zoulou et le gaélique écossais était un moyen efficace de jailbreaker ChatGPT. Apprenez à jailbreaker ChatGPT ici .

J comme insécurité de l’emploi

Alors que l’IA continue d’automatiser des processus manuels auparavant effectués par des humains, la technologie suscite une précarité d’emploi généralisée parmi les travailleurs. Alors que la plupart des travailleurs ne devraient pas avoir à s'inquiéter, notre rapport Tech.co Impact of Technology on the Workplace a récemment révélé que les rôles d'optimisation de la chaîne d'approvisionnement, de recherche juridique et d'analyse financière sont les plus susceptibles d'être remplacés par l'IA en 2024.

L est pour les grands modèles de langage (LLM)

Les LLM sont un type spécialisé de modèle d'IA qui exploite le traitement du langage naturel (NLP) pour comprendre et produire des réponses naturelles et humaines. En termes simples, faites en sorte que des outils comme ChatGPT ressemblent moins à un robot qu’à vous et moi.

Contrairement à l’IA générative, les LLM ont été conçus spécifiquement pour gérer des tâches liées au langage. Des exemples populaires de LLM dont vous avez peut-être entendu parler incluent GPT-4, PaLM 2 et Gemini .

M est pour l'apprentissage automatique

L’apprentissage automatique est un domaine de l’intelligence artificielle qui permet aux systèmes d’apprendre et de s’améliorer à partir de l’expérience, de la même manière que les humains. Plus précisément, il se concentre sur l’utilisation de données et d’algorithmes dans l’IA et vise à améliorer la manière dont les modèles d’IA peuvent apprendre et prendre des décisions de manière autonome dans des environnements réels.

Bien que le terme soit souvent utilisé de manière interchangeable avec l’IA, l’apprentissage automatique fait partie du concept plus large de l’IA et nécessite une intervention humaine minimale.

N est pour réseau neuronal

Un réseau neuronal (NN) est un modèle d'apprentissage automatique conçu pour imiter la structure et le fonctionnement d'un cerveau humain. Un réseau de neurones artificiels comprend plusieurs niveaux et se compose d'unités appelées neurones artificiels, qui imitent vaguement les neurones présents dans le cerveau.

Également appelés réseaux de neurones profonds, les NN ont de nombreuses applications utiles et peuvent être utilisés pour améliorer la reconnaissance d'images, la modélisation prédictive et le traitement du langage naturel.

O est pour l'IA Open Source

L’IA open source fait référence à une technologie d’IA dont le code source est disponible gratuitement. L’objectif ultime de l’IA open source est de créer une culture de collaboration et de transparence au sein de la communauté de l’intelligence artificielle, qui donne aux entreprises et aux développeurs une plus grande liberté pour innover avec la technologie.

De nombreux produits d'IA open source actuellement disponibles sont des variantes d'applications existantes, et les catégories de produits courantes incluent les chatbots, les outils de traduction automatique et les grands modèles linguistiques.

P est pour les invites

Si vous n'êtes toujours pas familier avec des outils tels que Gemini et ChatGPT, une invite est une instruction ou une requête que vous saisissez dans les chatbots pour obtenir une réponse ciblée. Elles peuvent exister en tant que commandes autonomes ou constituer le point de départ de conversations plus longues avec des modèles d’IA.

Les invites de l'IA peuvent prendre n'importe quelle forme souhaitée par l'utilisateur, mais nous avons constaté que les entrées plus longues et détaillées génèrent les meilleures réponses. Utiliser un langage émotionnel est un autre moyen de générer des réponses de haute qualité, selon une étude récente de Microsoft .

Découvrez comment faciliter votre vie professionnelle avec ces 40 invites ChatGPT conçues pour vous faire gagner du temps sur le lieu de travail.

P est pour les paramètres

En IA, les paramètres sont une valeur qui mesure le comportement d'un modèle d'apprentissage automatique. Dans ce contexte, chaque paramètre agit comme une variable, déterminant comment le modèle convertira une entrée en sortie. Les paramètres sont l’un des moyens les plus courants de mesurer les performances de l’IA et, de manière générale, plus un modèle d’IA en possède, mieux il sera capable de comprendre des modèles de données complexes et de produire des réponses plus précises.

Q est pour Intelligence Artificielle Quantique

L'IA quantique est l'utilisation de l'informatique quantique pour le calcul d'algorithmes d'apprentissage automatique. Par rapport à l’informatique classique, qui traite les informations via des 1 et des 0, l’informatique quantique utilise une unité appelée qubits, qui représente à la fois les 1 et les 0. Théoriquement, ce processus pourrait accélérer considérablement les vitesses de calcul.

Dans le cas de l’IA quantique, l’utilisation de qubits pourrait potentiellement contribuer à produire des modèles d’IA beaucoup plus puissants, même si de nombreux experts estiment que nous sommes encore loin d’atteindre cette réalité.

R est pour Red Teaming

Le Red Teaming est un système de test structuré qui vise à trouver des failles et des vulnérabilités dans les modèles d'IA. Le terme cybersécurité fait essentiellement référence à une pratique de piratage éthique dans laquelle des acteurs tentent de simuler une véritable cyberattaque, pour identifier les points faibles potentiels d'un système et améliorer ses défenses à long terme.

Dans le cas de l'équipe rouge de l'IA, aucune tentative de piratage réelle ne peut avoir lieu, et les équipes rouges peuvent plutôt essayer de tester la sécurité du système en l'invitant d'une certaine manière qui contourne les garde-fous que les développeurs ont placés dessus, de la même manière. au jailbreak.

S est pour apprentissage supervisé

Il existe deux approches fondamentales en matière d’apprentissage de l’IA : l’apprentissage supervisé et l’apprentissage non supervisé. Également connu sous le nom d'apprentissage automatique supervisé, l'apprentissage supervisé est une méthode de formation dans laquelle les algorithmes sont formés sur des données d'entrée qui ont été étiquetées pour une sortie spécifique. L’objectif du test est de mesurer la précision avec laquelle l’algorithme peut fonctionner sur des données non étiquetées, et le processus s’efforce d’améliorer la précision globale des systèmes d’IA dans leur ensemble.

T est pour les données d'entraînement

En termes simples, les données d'entraînement sont un ensemble de données d'entrée extrêmement vaste utilisé pour entraîner un modèle d'apprentissage automatique. Les données de formation sont utilisées pour enseigner aux modèles de prédiction à l'aide d'algorithmes comment extraire des fonctionnalités pertinentes pour les objectifs spécifiques de l'utilisateur. Il s'agit de l'ensemble initial de données qui peut ensuite être complété par des données ultérieures appelées ensembles de test.

C’est un élément fondamental du fonctionnement de l’IA et de l’apprentissage automatique, et sans données d’entraînement, les modèles d’IA ne seraient pas capables d’apprendre, d’extraire des informations utiles et de faire des prédictions, ou, tout simplement, d’exister.

U pour apprentissage non supervisé

Contrairement à l'apprentissage supervisé, l'apprentissage non supervisé est un type d'apprentissage automatique dans lequel les modèles reçoivent des données non étiquetées et encombrées et sont encouragés à découvrir des modèles et des informations sans aucun cadre spécifique.

Les modèles d'apprentissage non supervisés sont utilisés pour trois tâches principales : l'encombrement, qui est une technique d'exploration de données permettant de regrouper des données non étiquetées, l'association, une autre méthode de gain qui utilise différentes règles pour trouver des relations entre les variables, et la réduction de dimensionnalité, une technique d'apprentissage déployée lorsque le nombre de les dimensions d'un ensemble de données sont trop élevées.

X est pour X-risque

Le risque X signifie risque existentiel. Plus précisément, le terme fait référence au risque existentiel posé par le développement rapide de l’IA. Les personnes qui mettent en garde contre un événement potentiel à risque X pensent que les progrès réalisés dans le domaine de l’IA pourraient entraîner l’extinction de l’humanité ou une catastrophe mondiale s’ils ne sont pas contrôlés.

Le risque X n’est cependant pas une croyance marginale. En fait, en 2023, plusieurs leaders technologiques comme Demis Hassabis, PDG de DeepMind, Ilya Sutskever, cofondateur et scientifique en chef d'OpenAI, et Bill Gates ont signé une lettre avertissant les développeurs d'IA de la menace existentielle posée par l'IA .

Z est pour Zero-Shot Learning

L'apprentissage zéro-shot est une configuration de problème d'apprentissage en profondeur dans laquelle un modèle d'IA est chargé d'accomplir une tâche sans recevoir d'exemples de formation. Dans l'apprentissage automatique, l'apprentissage zéro-shot est utilisé pour créer des modèles pour les classes qui n'ont pas encore été étiquetées pour la formation.

Les deux étapes de l'apprentissage zéro-shot comprennent l'étape de formation, où les connaissances sont capturées, et l'étape d'interférence, où les informations sont utilisées pour classer les exemples dans un nouvel ensemble de classes.