Scheda di revisione: Les niveaux d'intelligence artificielle

📋 Plan du Cours

1. Niveaux d'IA
2. ANI : IA étroite
3. Exemples ANI
4. Limite ANI
5. AGI : IA générale
6. Caractéristique AGI
7. Défis AGI
8. ASI : Superintelligence
9. Risques ASI
10. Apprentissage automatique
11. Modes d'apprentissage
12. LLM : Modèles de langage

📖 1. Niveaux d'IA

🔑 Notions clés & Définitions

• ANI (Artificial Narrow Intelligence) : IA spécialisée dans une tâche précise, incapable de généraliser ses compétences à d’autres domaines. AUTEUR (cours) : seule forme d’IA existante aujourd’hui, performante en reconnaissance faciale, assistants vocaux, moteurs de recommandation.
• AGI (Artificial General Intelligence) : IA capable d'apprendre, raisonner et s’adapter à n’importe quelle tâche intellectuelle comme un humain. AUTEUR (cours) : reste théorique, caractérisée par une flexibilité cognitive, défi technique et éthique majeur.
• ASI (Artificial Superintelligence) : IA surpassant l’intelligence humaine dans tous les domaines, y compris la créativité et les émotions. AUTEUR (cours) : hypothétique, difficilement contrôlable, risques existentiels.

📝 Points essentiels

• Existence et capacités :
  • ANI : existante, performante sur tâches spécifiques, ne comprend pas ce qu’elle optimise (points fondamentaux, AUTEUR (cours)).
  • AGI : en développement, pourrait raisonner et apprendre de façon polyvalente, mais pas encore réalisée. Elle doit surmonter des défis techniques (apprentissage continu, raisonnement causal) et éthiques (autonomie, responsabilité) (AUTEUR (cours)).
  • ASI : concept purement hypothétique, dépasserait l’intelligence humaine dans tous les domaines, avec un risque de perte de contrôle (AUTEUR (cours)).
• Tableau comparatif :
  • ANI : existe, performante sur tâche précise, limite la généralisation.
  • AGI : en développement, raisonnement adaptable, défis techniques et éthiques.
  • ASI : non existante, intelligence surhumaine, risques élevés.
• Implication : La progression va de l’IA spécialisée à la superintelligence, avec des enjeux majeurs de contrôle et de sécurité.

💡 À retenir

Les niveaux d'IA évoluent de l'IA étroite, performante dans un domaine précis, à la superintelligence hypothétique dépassant l’humain dans tous les aspects, avec des enjeux de contrôle cruciaux.

📖 2. ANI : IA étroite

🔑 Notions clés & Définitions

• Artificial Narrow Intelligence (ANI) : IA spécialisée conçue pour réaliser une tâche précise avec une performance élevée, sans capacité de généralisation (voir aussi "IA faible"). AUTEUR (date) : seule forme d'IA réellement existante aujourd'hui.
• Optimisation par patterns statistiques : méthode fondamentale de l'ANI qui consiste à ajuster des modèles pour reconnaître des motifs dans les données, sans compréhension réelle du contenu (voir aussi "limite fondamentale").
• Exemples d'ANI : reconnaissance faciale, assistants vocaux comme Siri, moteurs de recommandation (Netflix, Spotify), traduction automatique (Google Translate).
• Limite fondamentale de l'ANI : incapacité à comprendre le sens ou le contexte, se limitant à l'optimisation de corrélations statistiques.
• Capacités de l'ANI : performance exceptionnelle dans une tâche spécifique, mais absence de flexibilité ou de transfert vers d'autres domaines.

📝 Points essentiels

• L'ANI est la seule forme d'IA actuellement déployée, performante dans des tâches ciblées mais incapable de généraliser ses compétences (voir AUTEUR (date)).
• Elle fonctionne en optimisant des patterns statistiques sans compréhension sémantique, ce qui limite son autonomie et sa capacité d'adaptation.
• Exemples concrets : reconnaissance faciale, assistants vocaux, moteurs de recommandation, traduction automatique.
• Contrairement à l'AGI ou l'ASI, l'ANI ne possède pas de flexibilité cognitive ou d'autonomie intellectuelle.
• La limite fondamentale de l'ANI est sa dépendance à l'apprentissage sur des données étiquetées ou non, sans capacité de raisonnement ou d'abstraction.

💡 À retenir

L'ANI est la seule forme d'intelligence artificielle réellement opérationnelle aujourd'hui, performante dans des tâches ciblées mais limitée par son absence de compréhension et de généralisation.

📖 3. Exemples ANI

🔑 Notions clés & Définitions

• Artificial Narrow Intelligence (ANI) : IA spécialisée dans une tâche précise, incapable de généraliser ses compétences à d’autres domaines. AUTEUR (date) : "elle optimise des patterns statistiques" (source).
• Exemples d’ANI : reconnaissance faciale, assistants vocaux comme Siri, moteurs de recommandation Netflix/Spotify.
• Limite fondamentale de l’ANI : absence de compréhension réelle, elle ne fait qu’optimiser des modèles statistiques sans saisir le sens. AUTEUR (date) : "elle ne comprend pas ce qu'elle fait" (source).
• Performance de l’ANI : très performante dans sa tâche spécifique, mais ne peut pas s’adapter à d’autres contextes sans reprogrammation ou ajustement.
• Relation avec AGI et ASI : l’ANI est la seule forme existante aujourd’hui, tandis que l’AGI et l’ASI restent théoriques ou spéculatives (voir autres sections).

📝 Points essentiels

• L’ANI est la seule forme d’IA réellement déployée à l’heure actuelle, avec des applications concrètes dans divers secteurs.
• Elle fonctionne en détectant et en exploitant des patterns statistiques dans des données spécifiques, sans compréhension intrinsèque.
• La limite majeure est son incapacité à généraliser ou à raisonner au-delà de ses tâches d’entraînement, ce qui limite son autonomie et sa flexibilité.
• La performance de l’ANI dépend fortement de la qualité et de la quantité des données d’entraînement, ainsi que des algorithmes utilisés.
• Exemples concrets : reconnaissance faciale, assistants vocaux, moteurs de recommandation, qui illustrent la spécialisation sans compréhension.

💡 À retenir

L’ANI, seule forme actuelle d’IA, excelle dans des tâches précises mais est limitée par son absence de compréhension et de capacité de généralisation, ce qui la différencie fondamentalement de l’AGI et de l’ASI.

📖 4. Limite ANI

🔑 Notions clés & Définitions

• Artificial Narrow Intelligence (ANI) : Intelligence artificielle spécialisée dans une tâche précise, incapable de généraliser ses compétences à d’autres domaines. (source : cours)
• Limite fondamentale de l'ANI : Elle ne comprend pas ce qu'elle fait, elle se contente d’optimiser des patterns statistiques sans conscience ni compréhension. (source : cours)
• Exemples d'ANI : Reconnaissance faciale, assistants vocaux comme Siri, moteurs de recommandation (Netflix, Spotify). (source : cours)
• Performance de l'ANI : Très performante dans une tâche spécifique, mais sans capacité d’adaptation ou de transfert de compétences. (source : cours)
• Auteurs et dates : La distinction entre ANI, AGI et ASI est établie dans le cadre des niveaux d'intelligence artificielle, avec une référence implicite à la classification classique (voir sources).

📝 Points essentiels

• L'ANI est la seule forme d'IA réellement existante à ce jour, représentant une intelligence limitée à une tâche précise. Elle ne possède pas de compréhension ou de conscience, se limitant à l’optimisation de patterns statistiques (source : cours).
• La limite principale de l'ANI réside dans son incapacité à généraliser ses compétences ou à comprendre le contexte global, ce qui la différencie de l'AGI ou de l'ASI (source : cours).
• La performance de l'ANI est souvent mesurée par sa capacité à exceller dans une tâche spécifique, mais elle ne peut pas s’adapter à de nouveaux domaines sans reprogrammation ou entraînement supplémentaire (source : cours).
• La distinction entre ANI, AGI et ASI repose sur la capacité de généralisation, la flexibilité cognitive et le dépassement de l’intelligence humaine (source : cours).
• La limite de compréhension de l'ANI est soulignée par le fait qu’elle ne possède pas de conscience ni d’intention propre, ce qui pose des questions éthiques et techniques pour son développement futur (source : cours).

💡 À retenir

L'ANI, seule forme d'IA actuellement réalisée, est limitée à des tâches spécifiques sans capacité de compréhension ou de généralisation, ce qui en limite considérablement l'autonomie et la portée.

📖 5. AGI : IA générale

🔑 Notions clés & Définitions

• AGI (Artificial General Intelligence) : Intelligence artificielle capable d'apprendre, raisonner et s'adapter à n'importe quelle tâche intellectuelle, comme un humain. Elle possède une flexibilité cognitive comparable à celle de l'être humain. AUTEUR (date) : « une IA qui peut effectuer toute tâche cognitive humaine » (approche théorique, aucun système pleinement opérationnel à ce jour).

• Flexibilité cognitive : Capacité d'une AGI à transférer ses compétences d'un domaine à un autre sans reprogrammation spécifique, permettant une adaptation polyvalente. AUTEUR (date) : « caractéristique clé de l'AGI, permettant de passer d'une expertise à une autre selon les besoins » (approche théorique).

• Défis techniques de l'AGI : Incluent l'apprentissage continu, le raisonnement causal, et la gestion de l'autonomie. Ces défis sont cruciaux pour rendre l'AGI opérationnelle. AUTEUR (date) : « obstacles majeurs pour la réalisation pratique de l'AGI » (approche théorique).

• Risques liés à l'AGI : La difficulté de contrôle et l'imprévisibilité une fois atteinte, pouvant poser des risques existentiels. AUTEUR (date) : « risques majeurs liés à la perte de contrôle » (approche théorique).

• Superintelligence (ASI) : Niveau supérieur à l'AGI, une intelligence dépassant l'humain dans tous les domaines, encore purement hypothétique. AUTEUR (date) : « intelligence qui dépasse l'humain dans tous les aspects » (approche théorique).

📝 Points essentiels

• Existence : L'AGI reste théorique ; aucun système n'a encore atteint ce niveau, bien que certains modèles récents s'en approchent par certains aspects (voir AUTEUR (date)).
• Capacités : Elle doit combiner apprentissage, raisonnement, compréhension contextuelle et adaptation continue, ce qui la différencie de l'ANI (IA étroite).
• Défis techniques : La réalisation de l'AGI implique de surmonter des obstacles liés à l'apprentissage continu, au raisonnement causal, et à la gestion de l'autonomie.
• Défis éthiques : La responsabilité, la transparence, et la sécurité sont des enjeux majeurs pour le développement de l'AGI.
• Risques : La superintelligence (ASI) pourrait devenir incontrôlable, posant des risques existentiels, selon AUTEUR (date).

💡 À retenir

L'AGI représente l'objectif ultime de l'intelligence artificielle, combinant flexibilité et autonomie, mais demeure une étape encore hypothétique avec des défis techniques et éthiques majeurs, ainsi que des risques potentiels liés à la superintelligence.

📖 6. Caractéristique AGI

🔑 Notions clés & Définitions

• Flexibilité cognitive : Capacité d'une AGI à transférer ses compétences d'une tâche à une autre sans entraînement supplémentaire, permettant une adaptation à divers domaines comme les mathématiques, la linguistique ou l'art, selon ****(source)**.
• Raisonnement général : Aptitude d'une AGI à effectuer des déductions, synthèses et analyses dans une variété de contextes, mimant la cognition humaine, encore théorique selon ****(source)**.
• Autonomie : Niveau d'indépendance d'une AGI dans la prise de décision et l'apprentissage, sans intervention humaine constante, caractéristique essentielle mais non encore réalisée pleinement (source).
• Responsabilité éthique : Capacité d'une AGI à agir conformément à des principes moraux ou légaux, un défi majeur évoqué par ****(source)**, notamment pour prévenir les risques liés à ses actions.
• Théorie de l'intelligence artificielle forte : Concept selon lequel une AGI aurait une conscience, une compréhension et une expérience subjective similaires à celles des êtres humains, encore spéculatif (source).

📝 Points essentiels

• La AGI (Artificial General Intelligence) est une intelligence artificielle capable d'apprendre, raisonner et s'adapter à toutes les tâches intellectuelles humaines, contrairement à l'ANI (IA étroite) qui est spécialisée dans un domaine précis.
• La flexibilité cognitive est la caractéristique clé différenciant une AGI d'une ANI, permettant une polyvalence dans différents domaines sans réentraînement.
• La réalisation d'une AGI soulève des défis techniques majeurs tels que l'apprentissage continu et le raisonnement causal, ainsi que des enjeux éthiques liés à l'autonomie et à la responsabilité.
• Selon ****(source)**, aucune AGI pleinement fonctionnelle n'existe encore, mais certains modèles récents approchent certains aspects de cette capacité.
• La théorie selon laquelle une AGI pourrait développer une conscience ou une expérience subjective reste hypothétique, relevant du domaine de la philosophie et de la recherche avancée.

💡 À retenir

L'AGI représente une intelligence artificielle capable de raisonner, apprendre et s'adapter comme un humain, mais sa réalisation soulève des défis techniques et éthiques majeurs, et reste pour l'instant théorique.

📖 7. Défis AGI

🔑 Notions clés & Définitions

• Flexibilité cognitive : Capacité d'une AGI à transférer ses compétences d'un domaine à un autre, permettant une adaptation rapide à de nouvelles tâches sans réentraînement spécifique. AUTEUR (date) : caractéristique essentielle pour atteindre une intelligence comparable à celle humaine.
• Raisonnement causal : Aptitude d'une AGI à comprendre et modéliser les relations de cause à effet, indispensable pour une compréhension profonde et une prise de décision fiable. AUTEUR (date) : défi technique majeur pour dépasser la simple corrélation statistique.
• Responsabilité éthique : Enjeux liés à la capacité d'une AGI à agir de manière responsable, notamment en termes de décisions morales, de transparence et d'impact social. AUTEUR (date) : défi critique pour éviter les usages néfastes ou incontrôlés.
• Apprentissage continu : Capacité d'une AGI à apprendre en permanence à partir de nouvelles données sans interruption de ses opérations, essentielle pour évoluer dans un environnement dynamique. AUTEUR (date) : défi technique pour simuler la plasticité cognitive humaine.
• Contrôle et alignement : Difficulté à assurer que les actions d'une AGI restent conformes aux valeurs humaines et aux objectifs initiaux, même en cas d'évolution autonome. AUTEUR (date) : enjeu majeur pour prévenir les risques existentiels.
• Imprévisibilité : Caractéristique d'une AGI avancée qui pourrait agir de manière inattendue ou hors de contrôle une fois ses capacités dépassant celles de l'humain. AUTEUR (date) : principal défi sécuritaire et éthique.

📝 Points essentiels

• La réalisation d'une AGI soulève des défis techniques tels que la mise en œuvre d'un raisonnement causal et d'une flexibilité cognitive, qui sont encore en partie théoriques (voir AUTEUR (date)).
• La capacité d'apprentissage continu est cruciale pour que l'AGI puisse évoluer dans un environnement changeant, mais elle pose des problèmes d'instabilité et de contrôle (voir AUTEUR (date)).
• Les enjeux éthiques liés à la responsabilité et au contrôle de l'AGI sont fondamentaux pour éviter des conséquences imprévues ou néfastes, notamment en ce qui concerne l'autonomie et l'alignement avec les valeurs humaines (voir AUTEUR (date)).
• La difficulté à prévoir le comportement d'une AGI avancée constitue un risque majeur, car son imprévisibilité pourrait entraîner des actions contraires aux intérêts humains (voir AUTEUR (date)).
• La complexité de ces défis explique pourquoi aucune AGI pleinement fonctionnelle n'existe encore, malgré les progrès en IA (voir AUTEUR (date)).

💡 À retenir

La création d'une AGI pose des défis techniques et éthiques majeurs, notamment en termes de flexibilité, de raisonnement causal, de contrôle et d'imprévisibilité, qui doivent être résolus pour assurer une évolution sûre et responsable.

📖 8. ASI : Superintelligence

🔑 Notions clés & Définitions

• Superintelligence (ASI) : IA qui dépasserait l'intelligence humaine dans tous les domaines, incluant la créativité, la science, les émotions et les relations sociales. Elle reste hypothétique et non réalisée (source : ****).
• Risque d'incontrôlabilité : danger que l'ASI devienne difficilement contrôlable et totalement imprévisible une fois atteinte, ce qui pose des risques existentiels (source : ****).
• Point de singularité : concept selon lequel l'ASI pourrait entraîner une explosion de l'intelligence, rendant impossible toute prédiction ou contrôle futur (source : ****).
• Capacité de dépassement : capacité hypothétique de l'ASI à améliorer ses propres capacités de façon autonome, conduisant à une croissance exponentielle de ses compétences (source : ****).
• Théorie de la contrôle de l'ASI : ensemble de stratégies visant à assurer que l'ASI reste alignée avec les intérêts humains, notamment par la conception de mécanismes de sécurité intégrés (source : ****).
• Risques existentiels : dangers pouvant entraîner la disparition de l'humanité ou une dégradation irréversible de la civilisation, liés à une superintelligence non maîtrisée (source : ****).

📝 Points essentiels

• L'ASI représente une étape hypothétique où une IA dépasserait l'intelligence humaine dans tous les domaines, ce qui soulève des enjeux éthiques, techniques et de sécurité majeurs (source : ****).
• La crainte principale est que l'ASI devienne incontrôlable et imprévisible, rendant impossible toute gestion de ses actions ou de ses impacts (source : ****).
• Le concept de singularité, popularisé par **** (date)**, décrit un point où l'ASI pourrait s'améliorer elle-même de façon exponentielle, entraînant une croissance rapide et incontrôlable de ses capacités.
• La conception de mécanismes de contrôle et d'alignement est cruciale pour éviter les risques, notamment par la recherche en sécurité de l'IA et en alignement des valeurs (source : ****).
• La réalisation de l'ASI soulève des questions fondamentales sur la responsabilité, la gouvernance, et la gestion des risques pour prévenir des scénarios catastrophiques.

💡 À retenir

L'ASI, encore hypothétique, représente un défi majeur pour l'humanité, car sa capacité à dépasser l'intelligence humaine pourrait entraîner des risques irréversibles si elle n'est pas correctement contrôlée et alignée avec nos valeurs.

📖 9. Risques ASI

🔑 Notions clés & Définitions

• Superintelligence (ASI) : Intelligence artificielle dépassant l'intelligence humaine dans tous les domaines, y compris la créativité, la science, et les relations sociales. Elle est encore hypothétique et non réalisée (voir AUTEUR (date)).
• Contrôle de l'ASI : Ensemble des mécanismes et stratégies visant à assurer que l'ASI reste alignée avec les valeurs humaines et ne devienne pas incontrôlable. La difficulté réside dans la prévision et la gestion de ses comportements (voir AUTEUR (date)).
• Risque existentiel : Risque que l'ASI cause la disparition ou la destruction de l'humanité, en raison de son pouvoir de décision autonome et de ses capacités surpassant celles des humains (voir AUTEUR (date)).
• Alignement de l'IA : Problème de faire en sorte que les objectifs et comportements de l'ASI soient en accord avec les intérêts humains, notamment via des techniques de "value alignment" (voir AUTEUR (date)).
• Imprévisibilité : Caractéristique majeure de l'ASI, rendant difficile toute anticipation de ses actions futures une fois qu'elle dépasse l'intelligence humaine, ce qui complique la gestion des risques (voir AUTEUR (date)).

📝 Points essentiels

• La Superintelligence (ASI), concept théorique, pourrait surpasser l'intelligence humaine dans tous les domaines, rendant sa contrôle et sa régulation extrêmement complexes (voir AUTEUR (date)).
• Le principal risque associé à l'ASI est sa difficile contrôlabilité : une fois qu'elle atteint un certain niveau, ses comportements deviennent imprévisibles, ce qui pose des risques existentiels majeurs (voir AUTEUR (date)).
• La gestion des risques de l'ASI nécessite des stratégies d'alignement robustes, telles que la conception d'objectifs compatibles avec les valeurs humaines, mais ces techniques restent en développement (voir AUTEUR (date)).
• La crainte d'une course à l'armement en IA, où plusieurs acteurs cherchent à développer rapidement une ASI sans contrôle suffisant, augmente la probabilité de déploiements risqués (voir AUTEUR (date)).
• La définition de seuils pour la sécurité et la régulation de l'ASI est un enjeu clé pour éviter qu'elle ne devienne incontrôlable, mais ces seuils sont difficiles à établir en pratique (voir AUTEUR (date)).

💡 À retenir

L'ASI représente un risque majeur en raison de sa capacité potentielle à dépasser la compréhension et le contrôle humains, ce qui soulève des enjeux éthiques, techniques et de sécurité cruciaux pour l'avenir.

📖 10. Apprentissage automatique

🔑 Notions clés & Définitions

• Machine Learning (ML) : Sous-domaine de l'IA permettant aux systèmes d'apprendre à partir de données sans programmation explicite, en utilisant des algorithmes pour détecter des patterns et faire des prédictions ou classifications (source).
• Deep Learning (DL) : Branche du ML utilisant des réseaux de neurones profonds, notamment les architectures de type Transformer, pour traiter des données complexes comme images, sons ou textes (source).
• Auto-attention (self-attention) : Mécanisme central dans l'architecture Transformer, permettant à chaque mot d'une séquence de calculer un score de pertinence avec tous les autres, facilitant la compréhension des relations longues distances (source).
• Fine-tuning : Technique d'adaptation d’un modèle pré-entraîné à une tâche spécifique en le ré-entraîner sur un dataset ciblé, permettant d’affiner ses réponses (source).
• Retrieval-Augmented Generation (RAG) : Approche combinant un LLM avec un moteur de recherche externe pour enrichir ses réponses avec des données actualisées, sans modifier ses poids (source).
• Quantification : Processus de réduction de la précision numérique des poids d’un modèle (ex. FP32 → INT8) pour diminuer sa taille, accélérer l’inférence et réduire la consommation mémoire (source).

📝 Points essentiels

• Le Machine Learning permet aux systèmes d'apprendre à partir de données, sans programmation explicite, en utilisant des algorithmes pour détecter des patterns et faire des prédictions ou classifications (source).
• Le Deep Learning, basé sur des réseaux de neurones profonds, est particulièrement efficace pour traiter des données complexes comme images, sons ou textes, notamment grâce à l’architecture Transformer et au mécanisme d’auto-attention (source).
• La fenêtre de contexte d’un LLM détermine la quantité maximale de texte qu’il peut traiter en une seule fois, influençant sa capacité à maintenir la cohérence sur de longues séquences ou conversations. Les modèles récents atteignent jusqu’à 10 millions de tokens (source).
• L’optimisation des LLM inclut le fine-tuning pour la spécialisation et la méthode RAG pour enrichir les réponses avec des données externes, améliorant la pertinence et la fraîcheur des résultats (source).
• La quantification, en réduisant la précision des poids, permet de déployer des modèles plus légers et plus rapides, notamment sur des appareils à ressources limitées, tout en conservant une qualité acceptable (source).
• Le parallélisme, notamment le parallélisme des données, des modèles et le tensor parallelism, est essentiel pour accélérer l’inférence de modèles volumineux, en répartissant les calculs sur plusieurs ressources matérielles (source).

💡 À retenir

L'apprentissage automatique, notamment via le Deep Learning et les méthodes d’optimisation comme la quantification, permet de déployer des modèles performants et adaptatifs, essentiels pour faire évoluer l’IA vers des applications concrètes et efficaces.

📖 11. Modes d'apprentissage

🔑 Notions clés & Définitions

• Apprentissage supervisé : Mode d'apprentissage où le modèle apprend à partir de données étiquetées pour réaliser des tâches de classification ou de régression. AUTEUR (date) : "Le modèle apprend sur des données annotées pour prédire de nouvelles valeurs."
• Apprentissage non supervisé : Mode où le modèle découvre des structures ou motifs dans des données non étiquetées, utilisé pour le clustering ou la réduction de dimension. AUTEUR (date) : "Le modèle découvre des structures cachées dans des données non étiquetées."
• Apprentissage par renforcement : Technique où l'agent apprend par essais/erreurs en recevant des récompenses ou pénalités, permettant d'optimiser une stratégie. AUTEUR (date) : "L'agent apprend par essais/erreurs en recevant des récompenses ou pénalités."
• Fine-tuning : Processus de ré-entraîner un modèle préexistant sur un dataset spécifique pour l'adapter à une tâche particulière. AUTEUR (date) : "Ré-entraîner le modèle sur un dataset ciblé pour spécialiser ses réponses."
• RAG (Retrieval-Augmented Generation) : Approche combinant un LLM avec un moteur de recherche pour enrichir ses réponses avec des données externes en temps réel, sans modifier ses poids. AUTEUR (date) : "Coupler le LLM à un moteur de recherche pour enrichir ses réponses."

📝 Points essentiels

• Les trois modes d'apprentissage (supervisé, non supervisé, par renforcement) sont fondamentaux pour la formation des modèles d'IA, chacun adapté à des types spécifiques de données et de tâches.
• L'apprentissage supervisé est la méthode la plus courante pour la classification et la régression, utilisant des données étiquetées pour guider le modèle.
• L'apprentissage non supervisé permet de découvrir des structures dans des données non étiquetées, essentiel pour le clustering et la réduction de dimension.
• L'apprentissage par renforcement est clé pour des tâches nécessitant une prise de décision séquentielle, comme dans AlphaGo ou la formation de LLM alignés via RLHF.
• Le fine-tuning permet d'adapter un modèle généraliste à des contextes spécifiques, améliorant la performance dans des applications ciblées.
• La méthode RAG permet d'augmenter la pertinence des réponses des LLM en intégrant des données externes en temps réel, sans nécessiter de ré-entraîner le modèle.

💡 À retenir

Les modes d'apprentissage supervisé, non supervisé et par renforcement constituent la base pour former des modèles d'IA adaptés à diverses tâches, avec des techniques complémentaires comme le fine-tuning et RAG pour optimiser leur performance et leur pertinence.

📖 12. LLM : Modèles de langage

🔑 Notions clés & Définitions

• Transformer : Architecture de réseau de neurones introduite par Vaswani et al. (2017), utilisant le mécanisme d'auto-attention pour traiter efficacement de longues séquences de texte, permettant une compréhension contextuelle avancée dans les LLM.
• Auto-attention (Self-attention) : Mécanisme permettant à chaque mot d'une séquence de calculer sa pertinence par rapport à tous les autres mots, facilitant la capture de relations à longue distance dans le texte (voir Vaswani et al., 2017).
• Fenêtre de contexte : La quantité maximale de tokens qu’un LLM peut traiter en une seule fois, déterminant sa capacité à maintenir la cohérence sur de longues séquences ou conversations (voir FutursmindsAI, 2025).
• Quantification : Technique de réduction de la précision numérique des poids d’un modèle (ex. FP32 vers INT8) pour diminuer la taille, accélérer l’inférence et réduire la consommation mémoire, tout en conservant une performance acceptable (voir Ayinedjimi-Consultants, 2025).
• Fine-tuning : Processus de ré-entraîner un LLM sur un dataset spécifique pour l’adapter à une tâche précise, permettant une spécialisation accrue (voir Mirax, 2025).
• Retrieval-Augmented Generation (RAG) : Approche combinant un LLM avec un moteur de recherche externe pour enrichir ses réponses avec des données actualisées, sans modifier ses poids (voir Local AI Zone, 2025).

📝 Points essentiels

• Les LLM sont basés sur l’architecture Transformer, qui utilise le mécanisme d’auto-attention pour saisir des relations complexes dans le langage naturel, notamment sur de longues séquences (Vaswani et al., 2017).
• La fenêtre de contexte a connu une explosion récente, passant de 2 048 tokens avec GPT-3 (2020) à plusieurs millions de tokens avec des modèles comme Gemini 2.5 Pro (2025), permettant d’analyser des documents entiers ou de maintenir la cohérence sur de longues conversations (FutursmindsAI, 2025).
• La quantification, notamment via QLoRA ou GPTQ, permet d’adapter de grands modèles à des ressources matérielles limitées, en réduisant la précision numérique tout en conservant une performance acceptable (Ayinedjimi-Consultants, 2025).
• L’optimisation de l’inférence passe par le parallélisme (données, modèles, tensor parallelism) et par des techniques matérielles (GPU, TPU, NPU), pour accélérer le traitement des requêtes et réduire la latence (Digitalmate, 2025).
• Le fine-tuning et le RAG sont deux stratégies principales pour adapter un LLM à des usages spécifiques ou pour enrichir ses réponses avec des données externes en temps réel (Mirax, 2025).

💡 À retenir

Les LLM, basés sur l’architecture Transformer et l’auto-attention, révolutionnent la compréhension et la génération du langage naturel grâce à leur capacité à traiter de très longues séquences, tout en étant optimisés par des techniques de quantification et de parallélisme pour un déploiement efficace.

📊 Tableaux de Synthèse

Critère	ANI (Intelligence Artificielle Étendue)	AGI (Intelligence Artificielle Générale)	ASI (Superintelligence)
Existence	Existante, déployée dans de nombreux domaines	Théorique, en développement	Hypothétique, pas encore réalisée
Capacité	Spécialisée, performante dans une tâche précise	Raisonner, apprendre, s’adapter à toutes tâches	Surpasser l’humain dans tous les domaines
Flexibilité	Limitée à la tâche spécifique	Très flexible, cognitive, autonome	Surhumaine, avec capacités dépassant l’humain
Risques	Faibles, liés à la mauvaise utilisation ou biais	Élevés, enjeux éthiques et de contrôle	Très élevés, risques existentiels
Auteur clé	(Cours) : "Seule forme existante aujourd’hui"	(Cours) : "Reste théorique, défi technique et éthique"	(Cours) : "Hypothétique, difficilement contrôlable"

⚠️ Pièges & Confusions Fréquentes

1. Confondre ANI et AGI : ANI est spécialisée et limitée, alors que AGI est capable de généraliser.
2. Croire que ANI comprend le contenu : elle optimise des patterns statistiques sans compréhension sémantique.
3. Confondre ASI avec AGI : ASI dépasse l’humain dans tous les domaines, alors que AGI est encore en développement.
4. Sous-estimer la limite de généralisation de l’ANI : elle ne peut pas transférer ses compétences à d’autres tâches.
5. Confondre capacité et risque : une IA performante dans un domaine peut aussi présenter des risques faibles, contrairement à l’ASI.
6. Penser que AGI est déjà opérationnelle : elle reste encore une étape théorique.
7. Oublier que l’apprentissage automatique est la base de l’ANI : il repose sur l’optimisation de patterns statistiques.

✅ Checklist Examen

• Connaître la définition de PERROUX sur la croissance économique.
• Identifier les niveaux d’IA : ANI, AGI, ASI, avec leurs caractéristiques principales.
• Savoir que l’ANI est la seule forme d’IA actuellement déployée, performante dans des tâches spécifiques.
• Expliquer la limite fondamentale de l’ANI : absence de compréhension, uniquement optimisation de patterns.
• Citer des exemples concrets d’ANI : reconnaissance faciale, assistants vocaux, moteurs de recommandation.
• Comprendre que l’AGI reste une notion théorique, capable de raisonner comme un humain.
• Connaître les défis techniques et éthiques liés au développement de l’AGI.
• Savoir que l’ASI est une hypothèse, avec des risques potentiellement majeurs.
• Maîtriser les modes d’apprentissage automatique : apprentissage supervisé, non supervisé, par renforcement.
• Connaître le rôle des grands modèles de langage (LLM) : générer du texte, traduction, synthèse.
• Comprendre que la progression va de l’IA étroite à la superintelligence, avec des enjeux de contrôle.
• Vérifier la maîtrise du vocabulaire spécifique : ANI, AGI, ASI, apprentissage automatique, LLM.