Lernzettel: Introduction à l'Intelligence Artificielle

📋 Plan du Cours

1. Définition IA
2. IA générative
3. Machine Learning
4. Modèles de langage
5. Réseaux antagonistes
6. Usages IA
7. Risques IA
8. Conditions d'utilisation
9. Impacts environnementaux

📖 1. Définition IA

🔑 Notions clés & Définitions

• Imitation de comportements intelligents : Capacité des systèmes à reproduire des actions ou décisions généralement associées à l’intelligence humaine, grâce à des algorithmes.
• IA faible : Systèmes conçus pour exceller dans une tâche précise, sans conscience ni compréhension générale, comme les filtres anti-spam ou la traduction automatique.
• IA forte (ou AGI) : Systèmes hypothétiques capables d’accomplir n’importe quelle tâche intellectuelle humaine, avec une compréhension et une autonomie comparables à celles de l’humain (théorique).
• Machine Learning : Apprentissage automatique où la machine reconnaît des régularités dans des données à partir d’exemples, sans programmation explicite, en utilisant notamment l’entraînement sur de larges volumes de données (voir section 3).
• Large Language Model (LLM) : Modèles d’apprentissage profond entraînés sur de très grandes quantités de données pour comprendre et générer du texte en langage naturel, comme ChatGPT (voir section 4).
• Modèles bayésiens : Approches probabilistes utilisant la théorie de Bayes pour modéliser l’incertitude et faire des prédictions ou inférences à partir de données.

📝 Points essentiels

• L’IA est définie comme l’imitation de comportements intelligents grâce à des algorithmes, sans nécessairement comprendre ou avoir conscience.
• La distinction entre IA faible et IA forte est fondamentale : la première est spécialisée et limitée à une tâche précise, la seconde, encore hypothétique, pourrait réaliser toute tâche intellectuelle humaine (voir AUTEUR (date) : définition).
• Le Machine Learning repose sur la reconnaissance de régularités dans les données, permettant aux systèmes d’apprendre à partir d’exemples plutôt que d’être explicitement programmés (voir AUTEUR (date) : principe).
• Les LLM sont des modèles entraînés sur de très grandes bases de données pour produire du contenu cohérent en langage naturel, mais ils présentent des limites comme les hallucinations ou le subconscient plagiat.
• Les modèles bayésiens utilisent la probabilité pour gérer l’incertitude dans les prédictions, intégrant une approche probabiliste dans la modélisation.

💡 À retenir

L’intelligence artificielle se définit comme une imitation algorithmique de comportements intelligents, différenciée en IA faible, spécialisée, et IA forte, encore hypothétique, capable d’une intelligence générale comparable à celle de l’humain.

📖 2. IA générative

🔑 Notions clés & Définitions

• Branche de l’IA spécialisée dans la création de contenus : Segment de l’intelligence artificielle dédié à la production automatique de divers types de contenus (texte, code, images, musique, audio, vidéos), utilisant des modèles probabilistes pour générer des résultats souvent inexacts mais plausibles.

• IA générative de nature probabiliste : Système qui repose sur des probabilités pour produire des contenus, ce qui implique un risque que les résultats soient inexacts ou incohérents, même s’ils paraissent crédibles.

• Appartenance de l’IA générative à l’IA faible : La classification de l’IA générative comme faisant partie de l’IA faible, c’est-à-dire conçue pour effectuer une tâche spécifique sans conscience ni compréhension réelle, contrairement à l’IA forte ou AGI.

• Exemples d’IA générative selon type de production : Outils spécifiques tels que Claude (pour le texte), Notebook LM (pour la vidéo), et Gamma (supports PowerPoint), illustrant la diversité des applications de l’IA générative.

• Plateforme Compar IA : Outil administré par le gouvernement permettant de comparer les résultats produits par différentes IA génératives sur une même question, facilitant ainsi l’évaluation et la sélection des outils adaptés.

📝 Points essentiels

L’IA générative est une branche de l’IA spécialisée dans la création de contenus variés, utilisant des modèles probabilistes qui présentent un risque de résultats inexacts, même s’ils semblent crédibles (Jean-Gabriel GANASCIA, 2024). Elle appartient à l’IA faible, qui se limite à des tâches spécifiques sans conscience ni compréhension, contrairement à l’IA forte ou AGI. La typologie inclut plusieurs modèles, tels que Large Language Models (LLM) comme ChatGPT, entraînés sur de très grandes quantités de données pour comprendre et générer du texte ou d’autres contenus, mais soumis à des limites comme les hallucinations ou le plagiat inconscient. La sélection d’un outil d’IA générative dépend du type de contenu à produire : Claude pour le texte, Notebook LM pour la vidéo, et Gamma pour les supports PowerPoint. La plateforme Compar IA permet de comparer ces outils pour choisir celui qui répond le mieux aux besoins spécifiques.

💡 À retenir

L’IA générative, en tant que branche probabiliste de l’IA faible, permet de créer divers contenus, mais nécessite une maîtrise rigoureuse pour éviter les erreurs et garantir la fiabilité des résultats, tout en étant confrontée à des enjeux éthiques et techniques liés à ses limites.

📖 3. Machine Learning

🔑 Notions clés & Définitions

• Apprentissage supervisé : Approche où chaque exemple fourni à la machine est associé à une catégorie ou caractéristique précise, permettant à l’algorithme d’apprendre à reconnaître ces catégories (source : contenu source).
• Apprentissage non supervisé : Méthode où les exemples sont donnés sans étiquettes ou contexte préalable, facilitant la construction de grandes bases de données et la reconnaissance de régularités dans les données (source : contenu source).
• Apprentissage par renforcement : Technique d’apprentissage où la machine apprend par essais et erreurs, en recevant des récompenses ou pénalités, pour déterminer la stratégie optimale (source : contenu source).
• Reconnaissance de régularités : Principe selon lequel l’algorithme identifie automatiquement des motifs ou structures dans les données, sans programmation explicite, en s’appuyant sur l’entraînement à partir d’exemples (source : contenu source).
• Réseaux antagonistes génératifs (GAN) : Systèmes composés de deux réseaux de neurones en compétition — un générateur qui crée des contenus, et un discriminateur qui évalue leur authenticité — entraînés par apprentissage profond pour produire des contenus réalistes (source : contenu source).
• Lien avec apprentissage profond : L’apprentissage automatique basé sur des réseaux de neurones profonds, facilitant la reconnaissance de régularités dans de très grandes bases de données, notamment dans le contexte des modèles de langage et des GAN (source : contenu source).

📝 Points essentiels

• Le principe de reconnaissance de régularités dans les données est central dans le machine learning, permettant aux algorithmes d’identifier des motifs sans instructions explicites, ce qui est à la base de l’apprentissage automatique (source : contenu source).
• Les trois approches principales — supervisé, non supervisé, par renforcement — offrent des stratégies différentes pour entraîner les modèles en fonction des données disponibles et des objectifs visés (source : contenu source).
• Les GAN illustrent une technique avancée où deux réseaux s’affrontent pour générer des contenus réalistes, notamment dans la création d’images ou vidéos, en s’appuyant sur l’apprentissage profond (source : contenu source).
• La relation avec l’apprentissage profond permet de traiter de très grands ensembles de données, notamment dans la conception de grands modèles de langage (LLM) comme ChatGPT, qui utilisent cette technique pour comprendre et générer du texte (source : contenu source).
• La maîtrise de ces techniques nécessite une compréhension rigoureuse des processus d’entraînement, de validation et des risques associés, notamment les hallucinations ou le subconscient plagiat dans les modèles (source : contenu source).

💡 À retenir

Le machine learning repose sur la reconnaissance automatique de régularités dans de vastes ensembles de données, grâce à des approches variées comme l’apprentissage supervisé, non supervisé ou par renforcement, facilitant la création de contenus et la compréhension automatique dans l’IA.

📖 4. Modèles de langage

🔑 Notions clés & Définitions

• Modèles de langage : systèmes assemblant des mots sans les comprendre, souvent qualifiés de "perroquets stochastiques" selon des chercheurs, qui produisent du texte en se basant sur des probabilités statistiques plutôt que sur une compréhension sémantique réelle.
• Hypothèse distributionnelle : concept selon lequel le sens des mots provient du contexte dans lequel ils apparaissent, permettant aux modèles de langage de prédire et générer du texte en se basant sur la distribution statistique des mots.
• Plongement lexical : vecteur de taille fixe calculé par réseaux de neurones formels, établissant une représentation numérique du mot en lien avec ses contextes d’apparition, facilitant la reconnaissance de régularités dans le langage.
• Techniques TALN : méthodes telles que le résumé, la question/réponse, et la génération automatique de textes par anticipation statistique du mot le plus probable, utilisées pour traiter et produire du langage naturel.
• LLM (Grands Modèles de Langage) : modèles d’apprentissage profond entraînés sur de très grandes quantités de données pour comprendre et générer du texte ou d’autres contenus, comme ChatGPT.
• Limites des LLM : incluent les hallucinations (inventions d’informations non vérifiées), le plagiat inconscient, la difficulté d’adaptation en temps réel, et la nécessité d’une maîtrise du sujet pour une utilisation efficace.

📝 Points essentiels

• Les modèles de langage sont souvent qualifiés de "perroquets stochastiques" car ils assemblent des mots sans compréhension, en se basant uniquement sur des probabilités statistiques.
• La hypothèse distributionnelle suppose que le sens des mots dépend du contexte d’apparition, ce qui guide leur traitement dans les techniques TALN.
• Le plongement lexical permet de représenter numériquement un mot via un vecteur, facilitant la reconnaissance de régularités dans le langage par réseaux de neurones formels.
• Les techniques TALN incluent le résumé, la question/réponse, et la génération automatique par anticipation statistique, visant à produire du contenu cohérent et pertinent.
• Les LLM comme ChatGPT sont entraînés sur de vastes corpus pour comprendre et générer du texte en langage naturel, mais ils présentent des limites telles que les hallucinations, le subconscient plagiat, et la difficulté d’adaptation immédiate.
• La maîtrise du prompt et la vérification rigoureuse des résultats sont indispensables pour une utilisation efficace et responsable des LLM.

💡 À retenir

Les modèles de langage, qualifiés de "perroquets stochastiques", produisent du texte basé sur des probabilités sans compréhension réelle, ce qui impose une utilisation rigoureuse et critique, notamment avec les grands modèles comme ChatGPT.

📖 5. Réseaux antagonistes

🔑 Notions clés & Définitions

• Réseaux antagonistes génératifs (GAN) : systèmes composés de deux réseaux de neurones formels, le générateur et le discriminateur, qui s’affrontent dans un processus d’apprentissage pour produire des contenus réalistes (source : Jean-Gabriel GANASCIA).
• Cycle d’entraînement GAN : processus itératif où le discriminateur est d’abord entraîné à caractériser des images, puis le générateur crée des images évaluées par le discriminateur, qui ajuste ses paramètres en conséquence, jusqu’à ce que les images générées soient satisfaisantes (source : Jean-Gabriel GANASCIA).
• Discriminateur : réseau de neurones formel chargé de distinguer les images réelles des images générées par le générateur, en s’entraînant par apprentissage profond supervisé (source : Jean-Gabriel GANASCIA).
• Générateur : réseau de neurones formel qui produit des images à partir d’entrées aléatoires, ajusté en fonction des retours du discriminateur lors de l’entraînement (source : Jean-Gabriel GANASCIA).
• Apprentissage profond supervisé : méthode d’entraînement où le discriminateur apprend à reconnaître des images en étant alimenté avec des exemples étiquetés, permettant d’affiner sa capacité à différencier images réelles et générées (source : Jean-Gabriel GANASCIA).

📝 Points essentiels

• Les GAN reposent sur la compétition entre deux réseaux : le générateur qui crée des contenus, et le discriminateur qui évalue leur authenticité. Leur entraînement se fait en cycle, chaque étape permettant d’améliorer la qualité des images générées (source : Jean-Gabriel GANASCIA).
• La phase 1 consiste en un entraînement supervisé du discriminateur pour qu’il devienne capable de caractériser des images, en utilisant des exemples réels. La phase 2 voit le générateur produire des images à partir d’entrées aléatoires, qui sont ensuite évaluées par le discriminateur.
• Le processus itératif continue jusqu’à ce que le discriminateur ne puisse plus distinguer efficacement les images générées des images réelles, ce qui indique une génération d’images de haute qualité.
• La mise en compétition des deux réseaux permet au générateur d’apprendre à produire des contenus de plus en plus réalistes, en ajustant ses paramètres en fonction des retours du discriminateur.
• La technique des GAN est largement utilisée dans la création de contenus visuels, la synthèse d’images, la restauration d’images, et d’autres applications en IA générative (source : Jean-Gabriel GANASCIA).

💡 À retenir

Les réseaux antagonistes génératifs (GAN) utilisent une compétition entre deux réseaux pour produire des contenus réalistes, leur entraînement itératif permettant d’améliorer continuellement la qualité des images générées.

📖 6. Usages IA

🔑 Notions clés & Définitions

• Création de quizz : Utilisation de l’IA pour générer des questions interactives permettant de tester la compréhension d’un cours ou d’un concept, facilitant ainsi l’évaluation formative.

• Simplification de concepts : Application de l’IA pour reformuler ou expliquer des notions complexes de manière claire et accessible, aidant à la compréhension approfondie.

• Correction et reformulation de textes : Usage de l’IA pour améliorer la rédaction, corriger les erreurs, reformuler des passages afin d’optimiser la clarté et la cohérence du contenu.

• Brainstorming : Utilisation de l’IA pour générer des idées ou des angles d’approche innovants sur un sujet donné, stimulant la créativité et la réflexion.

• Formulation de mots-clés pertinents : Emploi de l’IA pour identifier et proposer des mots-clés efficaces, facilitant la recherche ou la structuration d’un travail académique.

📝 Points essentiels

• Les usages de l’IA dans le cadre universitaire incluent la création de quizz, la simplification de concepts, la correction de textes, le brainstorming, et la formulation de mots-clés, permettant d’optimiser la préparation et la production de travaux.

• Il est crucial de distinguer ces usages des activités non pertinentes telles que la recherche documentaire ou la réponse à des questions d’actualité, où l’IA ne doit pas être considérée comme un moteur de recherche ou une source d’information fiable sans vérification.

• La maîtrise de l’outil est essentielle : il faut savoir formuler des prompts précis pour obtenir des résultats pertinents, et vérifier rigoureusement chaque sortie pour éviter les erreurs, notamment les hallucinations ou le subconscient plagiarism (reproduction inconsciente de connaissances).

• La transparence dans l’utilisation de l’IA est recommandée, notamment en déclarant son usage dans les travaux, et en précisant éventuellement le prompt utilisé, afin de respecter les règles éthiques et juridiques (voir section 8).

• La déclaration de l’usage de l’IA doit respecter le cadre juridique en France, en distinguant œuvre créée avec assistance humaine et œuvre générée automatiquement, tout en étant conscient que l’outil doit compléter, et non remplacer, les compétences acquises.

💡 À retenir

L’IA peut être un outil précieux pour améliorer la pédagogie et la production académique, à condition d’en maîtriser les usages, de vérifier ses résultats, et d’être transparent sur son emploi.

📖 7. Risques IA

🔑 Notions clés & Définitions

• Hallucinations : Comportement des IA génératives qui consiste à inventer des réponses non vérifiées ou factuellement incorrectes, pouvant paraître crédibles mais étant dénuées de fondement réel.
• Biais reproduits dans les données : Tendance des modèles d’IA à refléter et amplifier les préjugés, stéréotypes ou discriminations présents dans les données d’entraînement, qu’ils soient culturels, idéologiques ou liés au genre.
• Risque de réutilisation de données personnelles sensibles : Danger que les modèles d’IA exploitent ou reproduisent des informations personnelles, souvent sans consentement, lors de leur entraînement ou de leur utilisation, soulevant des enjeux de confidentialité.
• Dépendance cognitive et baisse de créativité : Effet négatif de l’utilisation accrue de l’IA sur la capacité humaine à réfléchir, analyser ou produire de manière autonome, pouvant entraîner une perte d’autonomie intellectuelle.
• Impact écologique lié à la consommation énergétique des serveurs : Conséquences environnementales dues à la forte consommation d’électricité et à la chaleur générée par les infrastructures nécessaires à l’entraînement et au fonctionnement des modèles d’IA, comme souligné par CNIL (2024).

📝 Points essentiels

• Les hallucinations représentent un risque majeur pour la fiabilité des résultats produits par l’IA, notamment dans des contextes critiques ou académiques.
• La reproduction des biais dans les données peut renforcer des discriminations sociales ou culturelles, ce qui pose un problème éthique et sociétal.
• La réutilisation de données personnelles sensibles par l’IA soulève des enjeux juridiques et de protection de la vie privée, nécessitant une vigilance accrue lors de l’utilisation.
• La dépendance cognitive à l’IA peut diminuer la capacité des individus à résoudre des problèmes complexes ou à faire preuve d’originalité, impactant la créativité.
• L’impact écologique est une préoccupation croissante, notamment en raison de la consommation énergétique des serveurs, comme indiqué par CNIL (2024), ce qui soulève des questions de durabilité.

💡 À retenir

Les risques liés à l’IA, tels que les hallucinations, les biais, la réutilisation de données sensibles, la dépendance cognitive et l’impact écologique, doivent être soigneusement pris en compte pour garantir une utilisation responsable et éthique de ces technologies.

📖 8. Conditions d'utilisation

🔑 Notions clés & Définitions

• Nécessité de définir conditions d’utilisation : Obligation de préciser avec l’enseignant ou le directeur de mémoire les modalités d’usage de l’IA dans le cadre d’un travail académique, afin d’assurer une utilisation conforme et éthique.
• Transparence obligatoire : Obligation de mentionner explicitement l’utilisation de l’IA dans un travail, pour garantir la clarté et la traçabilité de la contribution de l’outil. Selon CNIL (date), cette transparence est essentielle pour respecter le droit d’auteur et la confiance dans le contenu produit.
• Différenciation juridique : Distinction entre œuvre créée avec assistance humaine (qui appartient à l’auteur, sous réserve de la contribution humaine) et œuvre générée automatiquement (sans intervention humaine, pouvant ne pas être considérée comme une œuvre protégée). La France considère que si le contenu est créé seulement avec l’aide d’un ordinateur, la personne humaine en détient les droits ; si le contenu est généré sans intervention humaine, il ne peut pas être qualifié d’œuvre (voir aussi la section 3).
• Utilisation de pictogrammes : Possibilité d’utiliser des symboles graphiques pour déclarer le niveau d’usage de l’IA, facilitant la communication sur la contribution de l’outil dans la création. Ces pictogrammes, trouvés sur le site de l’université de Chicoutimi, pourraient être adoptés en France pour renforcer la transparence.

📝 Points essentiels

• La définition claire des conditions d’utilisation doit être convenue avec l’enseignant ou le directeur de mémoire, notamment pour préciser si l’usage de l’IA est autorisé, dans quelles limites, et sous quelles modalités.
• La mention de l’usage de l’IA doit être systématique dans le travail final, afin d’assurer la transparence et respecter les règles de propriété intellectuelle. La déclaration peut inclure le type d’outil utilisé, le prompt ou la requête spécifique, et le niveau d’intervention humaine.
• La différenciation juridique repose sur la participation humaine : si l’œuvre est créée uniquement via une génération automatique, elle ne peut pas être considérée comme une œuvre protégée, selon la législation française. En revanche, une œuvre avec assistance humaine reste une œuvre protégée, avec droits attribués à l’auteur.
• L’utilisation de pictogrammes pour indiquer le niveau d’usage de l’IA est encouragée pour une communication claire, notamment dans un contexte pédagogique ou institutionnel.

💡 À retenir

L’usage de l’IA dans un travail académique doit être défini en amont avec l’enseignant ou le directeur, en étant transparent sur la contribution de l’outil, et en respectant la distinction juridique entre œuvre assistée et œuvre générée automatiquement.

📖 9. Impacts environnementaux

🔑 Notions clés & Définitions

• Impact écologique : Effets négatifs sur l’environnement liés à la forte consommation électrique et à la production de chaleur des serveurs IA, contribuant à l’épuisement des ressources et au changement climatique.
• Problématique des données personnelles : Entraînement des modèles d’IA nécessitant de larges volumes de données, souvent sensibles ou personnelles, soulevant des questions éthiques et de protection de la vie privée.
• Conséquences sociétales : Effets indirects de l’utilisation de l’IA sur la société, notamment la dépendance cognitive et la baisse d’estime de soi, liés à une utilisation accrue des outils automatisés.
• Risques environnementaux liés à infrastructures IA : Dégradation écologique due à la construction, à l’exploitation et à la maintenance des infrastructures nécessaires au fonctionnement des IA, notamment la consommation énergétique et la chaleur générée.
• AUTEUR (date) : BIBLIOFLASH (2024) : souligne que le développement de l’IA génère des impacts environnementaux importants, notamment par la consommation électrique élevée des serveurs.

📝 Points essentiels

• La consommation électrique des serveurs IA est très élevée, ce qui entraîne une forte production de chaleur, nécessitant des systèmes de refroidissement énergivores, aggravant l’impact écologique (BIBLIOFLASH, 2024).
• L’entraînement des modèles d’IA, notamment ceux utilisant de grandes quantités de données, pose une problématique des données personnelles, car leur collecte et leur traitement peuvent avoir des répercussions environnementales et éthiques.
• Les infrastructures IA, telles que les centres de données, ont un impact environnemental significatif en raison de leur consommation d’énergie et de la chaleur qu’elles génèrent, contribuant à l’empreinte carbone globale.
• L’impact écologique est également lié à la fabrication et à la maintenance des équipements, ainsi qu’à la gestion des déchets électroniques issus des infrastructures obsolètes ou défectueuses.
• La dépendance accrue à ces infrastructures peut accentuer la consommation énergétique mondiale, aggravant la crise climatique et la dégradation des ressources naturelles.

💡 À retenir

L’utilisation croissante de l’IA, en particulier ses infrastructures, entraîne des impacts environnementaux majeurs, notamment par la consommation d’énergie et la production de chaleur, ce qui pose des enjeux cruciaux pour la durabilité écologique.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre IA faible et IA forte : la première est spécialisée, la seconde hypothétique et générale.
2. Croire que les modèles bayésiens ont une compréhension humaine : ils gèrent l’incertitude par probabilités, pas par conscience.
3. Confondre Machine Learning et apprentissage profond : ce dernier est une sous-catégorie utilisant des réseaux de neurones profonds.
4. Penser que les GAN produisent toujours des contenus parfaits : ils peuvent générer des images ou vidéos avec des défauts ou incohérences.
5. Surestimer la capacité des LLM : ils génèrent du texte plausible mais peuvent halluciner ou plagier involontairement.
6. Ignorer les risques environnementaux liés à l’entraînement massif des modèles (consommation énergétique).
7. Confondre IA générative et IA créative : la première génère du contenu probabiliste, la seconde peut aussi inclure des processus créatifs humains.

✅ Checklist Examen

1. Connaître la définition de Perroux sur la croissance économique.
2. Expliquer la différence entre IA faible et IA forte, en citant Turing et Searle.
3. Définir le Machine Learning et ses trois approches principales : supervisé, non supervisé, par renforcement.
4. Décrire le fonctionnement des réseaux antagonistes génératifs (GAN) et leur utilisation dans la création de contenus.
5. Identifier les limites des modèles de langage comme ChatGPT, notamment les hallucinations et le plagiat.
6. Connaître les exemples d’outils d’IA générative : Claude, Notebook LM, Gamma.
7. Comprendre le principe probabiliste de l’IA générative et ses risques associés.
8. Maîtriser les concepts clés des modèles bayésiens dans le contexte de l’IA.
9. Connaître les enjeux éthiques et environnementaux liés à l’utilisation de l’IA.
10. Savoir comment comparer différentes IA génératives via la plateforme Compar IA.
11. Identifier les usages principaux de l’IA dans différents secteurs (santé, finance, création).
12. Vérifier la maîtrise des notions de conditions d’utilisation et de risques liés à l’IA.