L'intelligence artificielle (IA) englobe de nombreuses technologies émergentes complexes qui nécessitaient auparavant une intervention humaine et qui peuvent désormais être mises en œuvre par un ordinateur. Les ordinateurs peuvent exécuter des fonctions avancées, qui étaient auparavant utilisées pour comprendre et recommander des informations. Aujourd'hui, avec l'IA, les ordinateurs peuvent même générer de nouveaux contenus.
L'acronyme AI est souvent utilisé de manière interchangeable pour représenter les différents types de technologies qui composent le domaine de l'IA.
Concepts d'IA courants
Il existe un certain nombre de termes et concepts qui définissent l'intelligence artificielle et le machine learning. Ces termes peuvent vous être utiles. Voici quelques façons de travailler avec l'IA dans la pratique, sur le Web
IA générale
De manière générale, l'IA générale est un programme ou un modèle non humain qui démontre un large éventail de possibilités de résolution de problèmes et de créativité. Un model est une très grande équation mathématique, qui comprend un ensemble de paramètres et de structure nécessaires à une machine pour renvoyer un résultat.
Avec l'IA générale, vous pouvez effectuer plusieurs types de tâches, comme analyser des données, traduire du texte, composer de la musique, identifier des maladies, etc.
IA restreinte
L'IA étroite est un système capable d'exécuter un sous-ensemble de tâches unique ou spécifique. Par exemple, un ordinateur qui joue aux échecs contre un adversaire humain (à ne pas confondre avec le Turc mécanique). Elle dispose d'un ensemble prédéfini de paramètres, de contraintes et de contextes, qui peuvent sembler compréhensibles, mais ne sont en fait que des réponses à une équation.
Cela peut se produire en pratique avec les systèmes de reconnaissance faciale, les assistants vocaux et les prévisions météorologiques. Vous pouvez utiliser des modèles très spécifiques pour améliorer certaines fonctionnalités spécifiques sur vos sites Web et dans vos applications.
Par exemple, vous avez créé un site dédié aux films, sur lequel les utilisateurs peuvent se connecter, noter leurs films préférés et en découvrir de nouveaux à regarder. Vous pouvez utiliser une base de données préremplie pour recommander des films en fonction de la page qu'ils consultent. Vous pouvez également utiliser un modèle d'IA étroit qui analyse le comportement et les préférences des utilisateurs afin d'afficher les informations les plus pertinentes pour ce lecteur.
IA générative
Un grand modèle de langage (LLM) est un modèle d'IA basé sur un réseau de neurones qui comporte de nombreux paramètres que vous pouvez utiliser pour effectuer une grande variété de tâches, telles que la génération, la classification ou la synthèse de texte ou d'images.
L'IA générative répond aux entrées et crée du contenu en s'appuyant sur le contexte et la mémoire d'un LLM. Cela va au-delà de la correspondance de modèles et des prédictions. Voici quelques-uns des outils d'IA générative les plus courants:
Ces outils permettent de créer du texte, des exemples de code et des images. Ils peuvent vous aider à planifier des vacances, à adoucir ou à professionnaliser le ton d'un e-mail, ou à classer différents ensembles d'informations en catégories.
Les cas d'utilisation sont infinis, aussi bien pour les développeurs que pour les non-développeurs.
Machine learning (ML)
Le machine learning (ML) est une forme d'IA qui permet à un ordinateur d'apprendre sans programmation explicite. Lorsque l'IA cherche à générer de l'intelligence, le ML permet aux ordinateurs d'apprendre de l'expérience. Le ML consiste en des algorithmes permettant de prédire des ensembles de données.
Le ML est le processus qui consiste à entraîner un modèle pour réaliser des prédictions utiles ou générer du contenu à partir de données.
Par exemple, supposons que nous voulions créer un site Web qui évalue la météo d'un jour donné. Habituellement, un ou plusieurs météorologues peuvent créer une représentation de l'atmosphère et de la surface terrestres, calculer et prédire les conditions météorologiques, et déterminer une classification en comparant les données actuelles au contexte historique.
Au lieu de cela, nous pourrions fournir à un modèle de ML une énorme quantité de données météorologiques, jusqu'à ce qu'il apprenne la relation mathématique entre les conditions météorologiques, les données historiques et les directives sur les facteurs qui rendent le temps bon ou mauvais un jour donné. En fait, nous l'avons développé sur le Web.
Deep learning
Le deep learning (DL) est une classe d'algorithmes de ML. C'est le cas, par exemple, des réseaux de neurones profonds (DNN, Deep Neural Network) qui tentent de modéliser la façon dont le cerveau humain est censé traiter les informations.
Défis liés à l'IA
Le développement et l'utilisation de l'IA présentent plusieurs défis. Voici quelques-uns des points à prendre en compte.
Qualité et récence des données
Les ensembles de données volumineux utilisés pour entraîner divers modèles d'IA sont souvent, intrinsèquement, obsolètes peu de temps après leur utilisation. Ainsi, lorsque vous recherchez les informations les plus récentes, vous pouvez bénéficier de l'ingénierie des requêtes pour améliorer les performances d'un modèle d'IA sur des tâches spécifiques et produire de meilleurs résultats.
Les ensembles de données peuvent être incomplets ou trop petits pour prendre efficacement en charge certains cas d'utilisation. Il peut être utile d'essayer de travailler avec plusieurs outils ou de personnaliser le modèle en fonction de vos besoins.
Préoccupations liées à l'éthique et aux préjugés
La technologie d'IA est passionnante et offre de nombreuses possibilités. Cependant, en fin de compte, les ordinateurs et les algorithmes sont conçus par des humains, entraînés sur des données susceptibles d'être collectées par des humains. Ils sont donc soumis à plusieurs défis. Par exemple, les modèles peuvent apprendre et amplifier les biais humains et les stéréotypes nuisibles, ce qui a une incidence directe sur les résultats. Il est important d'aborder le développement de technologies d'IA en priorisant l'atténuation des biais.
Il existe de nombreuses considérations éthiques concernant les droits d'auteur des contenus générés par IA : à qui appartient le résultat, en particulier s'il est fortement influencé par un contenu protégé par des droits d'auteur ou copié directement à partir de celui-ci ?
Avant de générer du nouveau contenu et de nouvelles idées, tenez compte des règles existantes sur la façon d'utiliser les supports que vous créez.
Sécurité et confidentialité
De nombreux développeurs Web déclarent que la confidentialité et la sécurité sont leurs principales préoccupations lorsqu'ils utilisent des outils d'IA. Cela est particulièrement vrai dans les contextes commerciaux où les exigences de données sont strictes, telles que les administrations et les entreprises de soins de santé. Exposer les données utilisateur à davantage de tiers avec les API cloud pose problème. Il est important que toute transmission de données soit sécurisée et surveillée en permanence.
L'IA sur l'appareil peut être la clé pour résoudre ces cas d'utilisation. MediaPipe est une solution en cours de développement, mais il reste beaucoup plus de travaux de recherche et de développement à faire.
Premiers pas avec l'IA sur le Web
Maintenant que vous connaissez les nombreux types d'intelligence artificielle, vous pouvez commencer à réfléchir à la façon d'utiliser les modèles existants pour gagner en productivité et créer de meilleurs sites Web et applications Web.
Vous pouvez utiliser l'IA pour:
- Améliorez la saisie semi-automatique pour la recherche sur votre site.
- Détecte la présence d'objets courants, tels que des humains ou des animaux de compagnie, à l'aide d'une caméra connectée.
- Traiter le spam dans les commentaires à l'aide d'un modèle de langage naturel
- Améliorez votre productivité en activant la saisie semi-automatique pour votre code.
- Créez une expérience d'écriture WYSIWYG avec des suggestions pour le mot ou la phrase suivante.
- Fournissez une explication conviviale d'un ensemble de données.
- Et plus encore…
Les modèles d'IA pré-entraînés peuvent être un excellent moyen d'améliorer nos sites Web, nos applications Web et notre productivité, sans avoir besoin d'une compréhension approfondie de la création de modèles mathématiques et de la collecte d'ensembles de données complexes sur lesquels reposent les outils d'IA les plus populaires.
Il est possible que la plupart des modèles répondent immédiatement à vos besoins, sans qu'il soit nécessaire d'effectuer d'autres ajustements. Le réglage consiste à réaliser un entraînement ultérieur d'un modèle déjà entraîné sur un ensemble de données volumineux afin de répondre à vos besoins d'utilisation spécifiques. Il existe un certain nombre de techniques pour régler un modèle:
- L'apprentissage par renforcement basé sur le feedback humain (RLHF) est une technique qui utilise le feedback humain pour améliorer l'alignement d'un modèle avec les préférences et les intentions humaines.
- L'adaptation de faible classement (LoRA) est une méthode efficace pour les LLM, qui réduit le nombre de paramètres pouvant être entraînés, tout en maintenant les performances du modèle.