L’intelligence artificielle – vers une relocation 3.0

La révolution de l’intelligence artificielle est en marche, à un rythme d’androïde, doublant ses compétences tous les trois mois. Ainsi les capacités actuelles sont-elles déjà obsolètes ?

De nombreux acteurs proposent des solutions pour des usages particuliers (image, texte, audio, vidéo, calcul…) et le secteur est en plein boom.

Tout au long de cette année 2025, nous reviendrons sur l’évolution des produits et leur applicabilité à nos métiers, avec des interviews de nos adhérents qui utilisent l’I.A. générative.

Pour ce premier article, nous allons essayer de comprendre de quoi il en retourne et commencer par les bases pour avancer dans nos prochaines éditions dans le monde des modèles massifs de langage.

L’évolution rapide de l’intelligence artificielle

Beaucoup d’entre nous pensent ne pas utiliser l’I.A. générative alors que c’est un outil déjà installé dans nos vies depuis de plusieurs années. Déverrouiller son téléphone par reconnaissance faciale, activer une application d’aide à la conduite, choisir dans une liste de préférences possibles proposées par un service de streaming… Tout cela repose sur des modèles mathématiques prédictifs. Bienvenue à bord d’un texte non rédigé par I.A.

C’est en 2017 qu’un changement technologique va bouleverser le monde de l’intelligence artificielle : la création de l’architecture Transformer, fruit de nombreuses années de travaux.

Un « transformeur » est un modèle d’apprentissage profond, adapté au traitement automatique des langues à partir de LLM. LLM est l’acronyme de l’expression anglaise : « Large Language Model », traduit en français par « grand modèle de langage » ou MML, « modèles massifs de langage ». Ces modèles de langage possèdent généralement au moins un milliard de paramètres.

Ce sont des logiciels dont la conception est inspirée du fonctionnement des neurones biologiques. La force d’un tel système de réseau de neurones est de pouvoir « apprendre » de lui-même : c’est le machine learning.

En allant plus loin, la machine va apprendre à apprendre d’une manière autonome. C’est alors le « deep learning » qui possède l’avantage de taille de se passer de l’humain pour rentrer « à la main » tout ce que la machine doit apprendre.

La grande force des LLM, c’est de n’avoir pas été entraînés sur une capacité en particulier. Leur fonctionnement neuronal fait qu’ils sont entraînés à la prédiction d’une suite probable en fonction d’une entrée donnée (une séquence de mots) et peuvent donc s’appliquer à tous les champs lexicaux possibles.

La performance du LLM est liée au nombre des paramètres. Plus ils sont nombreux, plus le modèle de langage pourra prendre de facteurs en compte dans sa réponse, ce qui fera qu’elle sera plus précise. En augmentant le nombre de paramètres, on fait émerger des propriétés parfois inattendues comme la possibilité de traduction, la simulation des émotions ou l’humour.

La force des LLM : des modèles polyvalents

Mais la génération automatique de texte n’est qu’un des quatre champs actuels des applications de l’I.A. Existe aussi : l’optimisation sous contrainte, l’analyse prédictive et préventive et la « computer vision » qui s’appliquent particulièrement au domaine de l’industriel. Ils feront l’objet d’un article spécifique.

Celui qui est sur toutes les lèvres cette année, c’est Chat GPT. GPT, alors, qu’est-ce que c’est ? Generative Pre-Trained Transformer, l’outil de référence d’Open IA.

Attention, Google, Méta, Elon Musk (via X et sa plateforme “Grok 2”), Samsung, tous les mastodontes proposent ou vont proposer des outils toujours plus puissants dans les mois à venir.

Ce qui fait de ces modèles ultra-complexes leur réussite ? Leur extrême simplicité d’utilisation puisqu’ils comprennent le langage naturel. Encore faut-il être clair dans sa demande ; sur la forme comme sur le fond. Ce que l’on nomme le prompt engineering.

Conclusion

Pour conclure cette introduction, un exemple simple issu de nos métiers. Si on demande à l’I.A. combien de relocation sont effectuées par an au Canada ou à Singapour, elle donnera une fausse réponse, car le terme relocation ne repose sur aucune base solide (contrairement à « vidange automobile » par exemple). Pour être efficace, il faut utiliser une terminologie claire et standardisée. C’est un des chantiers pour nos métiers que de commencer par définir ses actions dans un registre commun.

Vaste programme !