L'intelligence artificielle est l'une des technologies les plus transformatrices de notre époque. Son évolution a été marquée par plusieurs étapes majeures, de simples systèmes conversationnels à des agents capables d'innover de manière autonome. Dans cet article, nous explorons les différentes phases de l'évolution de l'IA, basées sur la feuille de route d'OpenAI.
En explorant ces niveaux, on peut mieux comprendre comment l’IA passe d’outils simples à des systèmes autonomes capables de raisonner de manière avancée.
Mais avant de s'intéresser à ces différentes phases d'évolution, il est impératif d'expliciter les différents termes clés de l'IA. Car en comprenant les technologies utilisées, vous aurez une meilleure vision de cette évolution.
1. Comprendre les termes clés de l'intelligence artificielle
1. L'intelligence artificielle (IA) : C'est d'abord une discipline scientifique. L'IA regroupe les méthodes et concepts dont l'objectif est de résoudre des problèmes en "imitant" les fonctions cognitives humaines.
2. Le Machine Learning (Apprentissage Automatique) : Cette technique permet aux machines d'apprendre à partir d'exemples, contrairement à la programmation classique qui repose sur des règles prédéfinies.
On peut distinguer plusieurs méthodes d'apprentissage :
- Apprentissage supervisé : L'algorithme reçoit des données étiquetées, ce qui lui permet d'apprendre par l'erreur et d'améliorer ses prédictions au fur et à mesure.
Par exemple, on peut lui fournir des photos de muffins et de chihuahuas étiquetées pour qu'il apprenne à les distinguer. - Apprentissage non supervisé : L'algorithme n'a pas d'étiquettes et doit identifier par lui-même des structures ou des patterns dans les données, regroupant celles qui se ressemblent.
Un exemple serait un algorithme qui regroupe des avis clients par thèmes sans instructions préalables. - Apprentissage par renforcement (Reinforcement Learning) : L'algorithme apprend par un système de récompenses et de pénalités, similaire à l'éducation d'un enfant.
On lui indique ce qui est "bien" ou "pas bien" à chaque phase d'apprentissage. Ce qui l'aide à améliorer ses performances.
3. Le Deep Learning (Apprentissage Profond) : Cette forme de machine learning utilise des réseaux de neurones artificiels pour imiter le fonctionnement du cerveau humain.
Le deep learning est particulièrement efficace pour traiter des données complexes, car il utilise plusieurs couches de neurones, chaque couche permettant d'extraire des informations de plus en plus abstraites et détaillées.
L'utilisation de GPU (unités de traitement graphique) a permis l'essor du deep learning en fournissant la puissance de calcul nécessaire à l'entraînement des modèles profonds tel que ChatGPT.
4. L'IA Générative : Permet de générer de nouveaux contenus originaux, comme des images, des textes, des vidéos ou des audios, en s'appuyant sur le deep learning.
2. Les phases d'évolution de l'IA
Comme dit précédemment, nous allons nous appuyer sur la feuille de route d'OpenAI afin d'identifier ces différentes phases.
Cette évolution est liée à plusieurs facteurs :
- Capacité de raisonnement : liée notamment à la puissance de calcul et au nombre de paramètres du modèle (appelés aussi "tokens").
Je précise que le terme "raisonnement" utilisé dans cet article ne doit pas être assimilé à un "raisonnement humain". Il s'agit plutôt d'une capacité de calculs avancée.
- Ressources énergétiques : cet article traite de l'impact potentiellement négatif sur l'environnement. ;
- Jeux de données : c'est-à-dire les informations utilisées pour entrainer l'IA ;
- Le degré d'autonomie : à quel point la machine peut-elle se passer (totalement ?) d'une supervision humaine.
Voici les 4 phases de cette (ré)volution de l'IA :
1. IA Conversationnelle
L’IA conversationnelle représente les systèmes de chatbot et d’assistants virtuels popularisés par les premières versions de ChatGPT ou de Claude AI.
Leur disposition à comprendre et à répondre aux questions simples les rend idéaux pour des tâches de support basique. Cependant, leur raisonnement reste limité, souvent basé sur des règles prédéfinies (probabilités) et un traitement des données textuelles simple.
Applications :
- Service client automatisé
- Assistants virtuels pour la gestion des tâches
2. Raisonneurs
Les raisonneurs se démarquent par un raisonnement plus avancé, même si leur autonomie reste basse. Ils sont capables d’analyser des données complexes et de prendre des décisions basées sur des modèles prédictifs et des algorithmes avancés.
Les systèmes de raisonnement sont utiles pour les analyses de données en temps réel et les processus décisionnels complexes dans des domaines critiques.
La version GPT o1 est un bon exemple de ce type de modèle. Avec une exécution plus lente que les modèles précédents, GPT o1 est par contre beaucoup plus pertinent en termes d’analyse de problèmes complexes.
Même la version GPT 4 a démontré des aptitudes élevées en raisonnement, notamment via le modèle GPT-4 Medprompt, spécifiquement conçu pour le domaine médical. Cette IA a atteint une précision de 90,2 % sur des benchmarks médicaux !
Pour bien guider ces IA, il faut concevoir des prompts adaptés. Par exemple, via la technique du Chain of Thought prompting.
Applications :
- Diagnostic médical assisté par IA
- Aide à la recherche scientifique
3. Agents Autonomes
Les agents se situent un niveau au-dessus en termes d’autonomie. Ils sont capables d'exécuter des tâches de manière plus autonome, sans supervision constante et avec un degré de raisonnement élevé.
La création d'agents autonomes représentera un énorme bond en avant.
Car les IA ne seront plus que de simples assistants pour les humains, mais des machines autonomes qui mèneront les missions confiées en toute autonomie.
Des entreprises proposent déjà des agents IA pour assister (voire remplacer) le travail de salariés. C'est l'exemple de relevanceai.com avec cette proposition de valeur :
Application :
- Des "salariés" robots qui travailleront en autonomie sur des projets.
4. Innovateurs
Même si les IA "agents" seront d'une aide incroyable pour les humains, il reste un palier : celui de l'innovation.
Autrement dit, trouver des solutions pour des problèmes que les humains n'ont pas encore pu résoudre.
Les innovateurs seraient capables de mener des missions "organisationnelles" en ayant une vision stratégique.
La supervision ne sera plus nécessaire ici. Agissant en entité autonome, l'IA travaillerait à identifier les
meilleurs process et méthodes pour atteindre l'objectif visé.
Précisions que cela reste encore de l'ordre du théorique !
Application :
Mettre en place de nouvelles stratégies en matière de développement durable pour lutter contre le réchauffement climatique.
Car c'est un problème très complexe aux multiples facteurs et sur lequel il faut une accélération pour trouver des solutions.
Cet article de Google Deepmind explique bien ces enjeux.
Est-ce que l'IA générale dépassera l'intelligence humaine ?
Si les chercheurs arrivent finalement à concevoir cette forme ultime d'IA, certains pensent qu'elle dépasserait l'intelligence humaine.
Personnellement, je suis convaincu que non.
Le cerveau humain étant doté "d'intelligences" (au pluriel), mais aussi d'émotions propres à l'être humain, il est impossible pour une machine de reproduire son fonctionnement. Et ce, même avec des capacités très avancées.
Alors que la recherche scientifique sur l'IA avance à grands pas, il est important de rappeler que le fonctionnement réel du cerveau humain reste encore bien mystérieux !
Par contre, l'IA générale aurait un impact sans équivalent sur la société humaine.