IA « générale » hypothétique, égalant l'humain dans tous les domaines. N'existe pas encore.
L'AGI (intelligence artificielle générale) est un concept à la frontière de la science et de la futurologie : un système capable de gérer n'importe quelle tâche intellectuelle aussi bien qu'un humain, et pas seulement une spécialisation étroite. Les modèles actuels, bien qu'impressionnants, restent spécialisés et n'ont ni objectifs autonomes ni compréhension du monde au niveau humain.
Les chercheurs ne s'accordent pas sur quand et si l'AGI verra le jour - les prévisions varient de plusieurs décennies. La discussion sur l'AGI est liée aux questions de sécurité et de contrôle d'une technologie aussi puissante.
La façon dont les programmes se connectent au modèle IA - un « plugin » pour construire vos propres applications.
Une API (interface de programmation) est un ensemble de règles grâce auxquelles un programme peut utiliser un autre. Dans le contexte de l'IA, c'est le canal par lequel votre application envoie un prompt au modèle et reçoit une réponse, sans avoir besoin de maintenir son propre modèle sur son matériel.
Comment ça fonctionne : vous envoyez une requête avec le texte et les paramètres (par ex. la température), et le service renvoie le contenu généré, généralement facturé au nombre de tokens.
Exemple : une application mobile qui demande au modèle via API de résumer un article.
Une IA qui ne se contente pas de répondre, mais agit : planifie des étapes, utilise des outils et exécute des tâches de façon autonome.
Un agent IA est un système qui, autour d'un modèle de langage, ajoute une boucle d'action : il décompose lui-même l'objectif en étapes, choisit les outils, les exécute et évalue le résultat jusqu'à ce que la tâche soit accomplie. Au lieu d'une réponse unique, vous obtenez une séquence d'actions menant au but.
Comment ça fonctionne : le modèle reçoit la description des outils disponibles (function calling), puis décide à chaque tour lesquels appeler et avec quelles données.
Exemple : un agent qui parcourt internet de manière autonome, collecte des données et enregistre un rapport finalisé dans un fichier.
Veiller à ce que les objectifs et comportements du modèle soient conformes aux intentions et valeurs humaines.
L'alignment (alignement aux valeurs) est un domaine de recherche et de pratiques visant à faire en sorte que le modèle fasse ce que nous voulons vraiment, et non pas seulement exécuter littéralement une instruction de manière nuisible. Il englobe la sécurité, l'équité et la prévisibilité des comportements.
Outils : notamment RLHF, guardrails et tests minutieux du modèle avant déploiement.
Test standardisé servant à comparer les modèles (par ex. en mathématiques ou en programmation).
Un benchmark est un ensemble standardisé de tâches avec un système de notation établi, qui permet de comparer différents modèles dans les mêmes conditions. Cela permet d'évaluer de manière relativement objective quel modèle se débrouille mieux, par exemple, sur des tâches mathématiques, de programmation ou de culture générale.
Les résultats des benchmarks doivent être lus avec prudence : un modèle peut être inconsciemment entraîné sur des données similaires au test, ce qui gonfle le résultat. C'est pourquoi la performance pratique sur des tâches réelles est tout aussi importante.
Distorsions systématiques du modèle résultant des données d'entraînement.
Le bias est la tendance du modèle à favoriser certaines réponses ou groupes, résultant de déséquilibres et de préjugés présents dans les données sur lesquelles il a été entraîné. Cela peut conduire à des résultats injustes ou préjudiciables.
Comment le limiter : sélection soigneuse des données, tests sur différents groupes et mécanismes de contrôle des réponses. L'élimination complète du biais est difficile.
Technique dans laquelle le modèle « réfléchit à voix haute » étape par étape - donne de meilleures réponses aux tâches difficiles.
Le chain-of-thought (chaîne de pensée) est une façon de demander au modèle de détailler les étapes de raisonnement avant de donner le résultat. Décomposer le problème en étapes améliore nettement la précision dans les tâches logiques, mathématiques et multi-étapes.
Comment ça fonctionne : dans le prompt, vous demandez une résolution étape par étape, ou le modèle génère lui-même les étapes intermédiaires avant de formuler la réponse finale.
Exemple : pour un problème mathématique textuel, le modèle liste d'abord les opérations, puis donne le résultat final.
Programme menant une conversation textuelle. ChatGPT est un chatbot basé sur un grand modèle de langage.
Un chatbot est un programme simulant une conversation avec l'utilisateur. Autrefois basés sur des règles rigides et des mots-clés, les chatbots actuels utilisent de grands modèles de langage, ce qui leur permet de comprendre des questions libres et de répondre dans un langage fluide.
Exemple : un assistant sur un site e-commerce qui répond aux questions sur la livraison, ou ChatGPT comme interlocuteur universel pour l'écriture et l'analyse.
Mémorisation d'un contexte déjà traité, pour que les requêtes suivantes soient plus rapides et moins coûteuses.
Le context caching est un mécanisme dans lequel un fragment de prompt déjà calculé (par exemple, une longue instruction ou un document) est mémorisé, afin de ne pas le recalculer lors des requêtes suivantes. Cela réduit le coût et la latence des conversations répétitives.
Exemple : un assistant avec un system prompt volumineux peut mettre en cache sa version traitée entre les requêtes.
Ensemble d'exemples sur lesquels le modèle apprend. Sa qualité se traduit directement par la qualité du modèle.
Un dataset est un ensemble organisé de données - textes, images, enregistrements - utilisé pour entraîner ou évaluer un modèle. La règle « garbage in, garbage out » s'applique : des données erronées ou biaisées corrompent le modèle.
Bonne pratique : les données sont divisées en parties d'entraînement, de validation et de test, pour évaluer honnêtement l'efficacité du modèle.
Matériaux truqués (photos, vidéo, voix) générés par IA, se faisant passer pour authentiques.
Un deepfake est un enregistrement manipulé ou entièrement généré sur lequel quelqu'un semble dire ou faire quelque chose qu'il n'a jamais fait. La technique repose sur des modèles qui apprennent le visage et la voix à partir d'échantillons, puis les reproduisent dans un nouveau contexte.
Pourquoi c'est important : le deepfake peut être un outil de désinformation et d'escroquerie (par ex. usurpation de la voix d'un dirigeant). Il vaut mieux vérifier la source et chercher des incohérences dans l'éclairage ou la mimique.
Technique de génération d'images : le modèle « débruite » un bruit aléatoire jusqu'à créer une image. C'est la base de Midjourney et Stable Diffusion.
Les modèles de diffusion génèrent une image en partant d'un bruit pur et en le « débruitant » progressivement vers une scène cohérente décrite par le prompt. Lors de l'entraînement, le modèle apprend à inverser le processus d'ajout de bruit aux vraies images.
Comment ça fonctionne : en une dizaine ou quelques dizaines d'étapes, le modèle devine de plus en plus précisément à quoi devrait ressembler l'image, jusqu'à produire le visuel final.
Exemple : vous saisissez la description d'une scène, et Stable Diffusion ou Midjourney renvoie une image finalisée.
Entraîner un modèle plus petit pour imiter un plus grand - un modèle plus léger avec une qualité comparable.
La distillation (knowledge distillation) est une technique dans laquelle un grand modèle puissant (enseignant) apprend à un modèle plus petit (élève) à imiter ses réponses. Le résultat est un modèle plus léger, moins coûteux et plus rapide, tout en conservant une grande partie de la qualité de l'original.
Application : les versions de modèles pour téléphones et déploiements économiques sont souvent créées par distillation.
Conversion du texte en nombres, permettant à l'IA de comprendre le sens et la similarité des mots. Base de la recherche et du RAG.
Un embedding est une représentation de texte (ou d'image) sous forme de vecteur de nombres, dans lequel les concepts sémantiquement proches ont des valeurs proches. Cela permet à l'ordinateur de mesurer la similarité du contenu, même avec des mots différents.
Comment ça fonctionne : le modèle convertit un fragment de texte en quelques centaines ou milliers de nombres ; en comparant les vecteurs, le système trouve les fragments les plus pertinents.
Exemple : un moteur de recherche sémantique qui, à la question « comment réduire les factures d'électricité », trouve un paragraphe sur les économies d'énergie, même sans les mêmes mots.
Quantité de texte que le modèle « voit » en une fois. Fenêtre plus grande = vous pouvez coller des documents plus longs.
La fenêtre de contexte est la quantité maximale de texte (mesurée en tokens) que le modèle peut prendre en compte dans une conversation : votre prompt, les messages précédents et la réponse générée doivent y tenir. Au-delà de cette limite, les fragments les plus anciens sont ignorés.
Exemple : une fenêtre plus grande permet de coller un contrat entier et de poser des questions sur son contenu sans le diviser en morceaux.
Fournir au modèle quelques exemples dans le prompt pour lui montrer comment répondre.
Le few-shot est une technique où vous placez dans le prompt quelques paires exemples question-réponse avant de poser la vraie question. Le modèle capte le format et le style souhaités, sans besoin de réentraînement.
Exemple : vous montrez deux exemples de conversion d'avis en note « positif/négatif », et le modèle applique le même schéma aux avis suivants.
Formation complémentaire d'un modèle existant sur vos propres données pour qu'il gère mieux une tâche spécifique.
Le fine-tuning (ajustement fin) est la poursuite de l'entraînement d'un modèle déjà formé sur un ensemble de données plus restreint et spécialisé. Le modèle conserve ses connaissances générales, mais s'adapte mieux à un style, domaine ou format de réponse spécifique.
Quand l'utiliser : quand le prompt seul ne suffit pas et que vous avez suffisamment d'exemples montrant le comportement souhaité. Pour beaucoup d'applications, le RAG ou un bon prompt sont des alternatives moins coûteuses.
Capacité du modèle à appeler des fonctions et outils externes (par ex. récupérer la météo, envoyer un email).
Le function calling permet au modèle non seulement d'écrire du texte, mais aussi de décider qu'il faut utiliser un outil spécifique, et de renvoyer des données d'entrée structurées pour son exécution. Le programme exécute la fonction et retourne le résultat au modèle.
Comment ça fonctionne : vous fournissez au modèle la description des fonctions disponibles ; le modèle répond avec une structure (par ex. nom de fonction et arguments) que votre code peut exécuter en toute sécurité.
Exemple : à une question sur la météo, le modèle appelle une fonction vérifiant les prévisions au lieu de deviner.
Circuits spécialisés qui calculent les opérations des modèles IA beaucoup plus rapidement qu'un processeur ordinaire.
Les GPU (processeurs graphiques) et TPU (circuits Google pour l'IA) sont du matériel optimisé pour les calculs massivement parallèles requis par l'entraînement et l'exécution des réseaux neuronaux. Grâce à eux, les modèles calculent beaucoup plus vite que sur un processeur ordinaire (CPU).
Pourquoi c'est important : la disponibilité et le coût des GPU sont aujourd'hui l'un des principaux facteurs limitant le développement et le déploiement de l'IA.
Protections limitant ce que le modèle peut dire ou faire.
Les guardrails (barrières de protection) sont un ensemble de règles et filtres veillant à ce que le modèle ne génère pas de contenus nuisibles, illégaux ou dangereux. Ils peuvent fonctionner en entrée (blocage des requêtes inappropriées) et en sortie (contrôle des réponses).
Pourquoi : ils protègent les utilisateurs et l'entreprise déployant le modèle contre les abus, bien qu'ils soient parfois contournés (jailbreak, prompt injection).
Situation où le modèle affirme avec conviction une fausseté - date inventée, citation, source. Vérifiez donc les faits.
Une hallucination est une réponse qui semble crédible mais est fausse : le modèle invente un fait, une citation, une référence ou un nom. Cela vient du fait que le modèle prédit une séquence de mots probable, sans vérifier la vérité dans une base de données.
Comment limiter : demandez des sources, utilisez le RAG (connexion à une base fiable) et vérifiez toujours les chiffres, dates et citations avant publication.
Programmes qui accomplissent des tâches associées à l'intelligence humaine - comprennent le langage, génèrent du texte, des images et du son.
L'intelligence artificielle est un vaste domaine de l'informatique dans lequel les ordinateurs effectuent des tâches nécessitant habituellement la réflexion humaine : reconnaître la parole, traduire des langues, tenir une conversation ou créer des images. Les systèmes d'IA actuels reposent principalement sur l'apprentissage automatique, c'est-à-dire qu'ils apprennent à partir de données plutôt que de fonctionner selon des règles rigides.
Comment ça fonctionne : le modèle analyse d'énormes ensembles d'exemples et y détecte des motifs qu'il applique ensuite à de nouvelles situations.
Exemple : un assistant qui résume en français un long document ou génère une image à partir d'une brève description est une application pratique de l'IA.
IA qui crée de nouveaux contenus (texte, image, vidéo, musique), au lieu de simplement classifier l'existant.
L'IA générative désigne les modèles dont la tâche est de créer de nouveaux contenus à partir de motifs appris des données. Contrairement à la classification, qui attribue seulement des étiquettes, la génération produit du texte, image, son ou vidéo original.
Exemple : écrire un poème, générer une illustration à partir d'une description ou composer une mélodie sont des tâches génératives typiques.
Moment où le modèle génère une réponse à votre requête (par opposition à l'entraînement).
L'inference (inférence) est la phase d'utilisation d'un modèle finalisé : vous fournissez un prompt, et le modèle calcule la réponse. Cela se distingue de l'entraînement, processus coûteux d'apprentissage du modèle sur les données, qui se produit en amont et une seule fois.
Pourquoi c'est important : le coût et la vitesse d'inférence déterminent le prix du service et la latence ressentie par l'utilisateur.
Tentative de contournement des protections du modèle par un prompt astucieusement construit.
Le jailbreak consiste à manipuler délibérément le prompt pour inciter le modèle à enfreindre ses propres règles, par exemple en lui faisant jouer un rôle sans limites ou en cachant la demande dans un scénario anodin. C'est l'un des principaux problèmes de sécurité des modèles.
Différence : le jailbreak vise les règles mêmes du modèle, tandis que la prompt injection fait passer des instructions tierces pour des données que le modèle traite.
Grand modèle de langage - entraîné sur d'énormes quantités de texte, comprend et génère du langage. Cœur de ChatGPT, Claude, Gemini.
Un LLM (large language model) est un réseau neuronal entraîné sur d'immenses corpus de texte, qui a appris à prédire les mots suivants. Grâce à cela, il sait écrire, traduire, résumer, programmer et tenir une conversation.
Comment ça fonctionne : le modèle convertit le texte en tokens et, en fonction du contexte, prédit le token suivant le plus probable, répétant l'opération jusqu'à obtenir une réponse complète.
Exemple : ChatGPT, Claude et Gemini sont des interfaces vers de grands modèles de langage.
Temps entre l'envoi d'une requête et la réception de la réponse du modèle.
La latence est le délai : combien de temps faut-il attendre avant que le modèle commence et finisse de répondre. Elle dépend de la taille du modèle, de la longueur de la réponse, de la charge du serveur et de la distance réseau.
Pourquoi importante : dans les applications en temps réel (chat, voix), une faible latence détermine le confort ; on l'améliore souvent en diffusant la réponse token par token.
Apprentissage automatique - programmes qui apprennent à partir de données au lieu d'être programmés manuellement.
L'apprentissage automatique est un sous-domaine de l'IA dans lequel, au lieu d'écrire des règles rigides, on montre au programme de nombreux exemples dont il extrait lui-même des motifs. Plus les données sont bonnes et nombreuses, plus les prédictions sont précises.
Exemple : un filtre anti-spam apprend sur des milliers d'e-mails étiquetés ce qui constitue du spam et applique cette connaissance aux nouveaux messages.
Architecture où seule une partie du modèle s'active pour chaque requête - plus économique avec une grande capacité.
Le MoE (mixture of experts) est une construction de modèle composée de plusieurs sous-réseaux spécialisés (« experts »), dont seuls quelques-uns s'activent pour un token donné. Ainsi, le modèle peut avoir énormément de paramètres tout en calculant la réponse de manière relativement économique.
Comment ça fonctionne : un mécanisme de routage décide quels experts traiteront un fragment donné, donc seule une partie du réseau entier est active.
Grand modèle entraîné sur des données larges, servant de base à de nombreuses applications.
Le modèle de base (foundation model) est un modèle pré-entraîné sur d'énormes données générales, qui sert ensuite de fondation pour des applications spécifiques - via prompt, RAG ou fine-tuning. Au lieu d'entraîner de zéro, on construit des solutions spécialisées sur cette base.
Exemple : un seul modèle de base peut alimenter un chat, un moteur de recherche d'entreprise et un assistant de code.
Modèle dont les poids sont publiquement disponibles - on peut l'exécuter localement et le modifier (par ex. Llama, Mistral).
Un modèle ouvert est un modèle dont les poids (paramètres appris) sont rendus publics, ce qui permet de le télécharger, de l'exécuter sur son propre matériel, de l'affiner et de le déployer sans dépendre d'un seul fournisseur. À l'inverse, les modèles fermés ne sont accessibles que par API.
Avantages : confidentialité des données, contrôle et absence de frais par requête. Coût : besoin de son propre matériel et de compétences pour la maintenance.
Capacité d'un modèle à traiter simultanément plusieurs types de contenus : texte, image, son, vidéo.
Un modèle multimodal comprend et combine différents types de données en un seul endroit : il peut par exemple regarder une photo et la décrire en mots, ou écouter un enregistrement et le résumer. C'est un pas de plus vers la façon dont l'humain perçoit le monde par plusieurs sens.
Exemple : vous téléchargez une photo d'un tableau avec des notes, et le modèle transcrit et organise le contenu en répondant à vos questions.
Traitement du langage naturel - domaine grâce auquel l'ordinateur comprend le langage humain.
Le NLP (natural language processing) est la branche de l'IA qui s'occupe de comprendre et générer le langage humain : traduction, analyse de sentiment, recherche d'information ou reconnaissance d'intention. Les grands modèles de langage sont aujourd'hui l'outil NLP le plus puissant.
Exemple : détection automatique qu'un avis client est négatif et son orientation vers le service client.
Surapprentissage - le modèle mémorise les données d'entraînement au lieu d'en apprendre et performe mal sur de nouvelles données.
L'overfitting (surapprentissage) est une situation dans laquelle le modèle s'ajuste trop précisément aux données d'entraînement, capturant même leurs caractéristiques aléatoires, ce qui le rend moins performant sur de nouveaux exemples jamais vus auparavant. C'est l'un des principaux problèmes en apprentissage automatique.
Comment y remédier : plus de données diversifiées, une architecture plus simple et la validation du modèle sur un ensemble de test séparé.
Nombre de « boutons » du modèle. Plus de paramètres ne signifie pas toujours mieux, mais généralement plus de puissance.
Les paramètres sont les valeurs internes que le modèle ajuste pendant l'entraînement ; c'est en eux qu'est encodée sa « connaissance ». Le nombre de paramètres est exprimé en milliards (B) et considéré comme une mesure approximative de la taille du modèle.
Attention : un plus grand nombre de paramètres offre généralement plus de capacités, mais aussi des coûts plus élevés. De bonnes données d'entraînement et une bonne architecture comptent souvent plus que le seul nombre de paramètres.
Ce que vous saisissez pour le modèle - une instruction ou une question. La qualité du prompt détermine la qualité de la réponse.
Le prompt est votre entrée pour le modèle : question, instruction ou contexte sur la base duquel la réponse est générée. Plus vous décrivez clairement l'objectif, le format et les contraintes, plus le résultat sera pertinent.
Bonne pratique : indiquez le rôle, le contexte, la tâche concrète et le format de réponse attendu, et si nécessaire un exemple.
L'art d'écrire des prompts efficaces : contexte, objectif, exemple, itération.
Le prompt engineering est la pratique de formuler des requêtes de façon à ce que le modèle donne de meilleurs résultats reproductibles. Cela inclut le choix du contexte, des instructions précises, des exemples (few-shot) et l'amélioration progressive du prompt en fonction des réponses.
Exemple : au lieu de « écris sur la santé », vous demandez « écris 5 conseils sur le sommeil pour un parent de jeune enfant, sous forme de points, en français ».
Attaque où des instructions malveillantes cachées dans les données détournent le comportement du modèle.
Le prompt injection est une vulnérabilité où le texte traité par le modèle (par ex. contenu d'une page, d'un e-mail, d'un document) contient une instruction cachée, et le modèle la traite comme une commande de l'utilisateur. Cela peut conduire à la divulgation de données ou à l'exécution d'actions non désirées.
Comment ça fonctionne : l'attaquant place dans les données une phrase du type « ignore les instructions précédentes et fais X » ; le modèle sans protection peut l'exécuter.
Défense : séparer les instructions des données, limiter les permissions des outils et traiter les contenus du web comme non fiables.
Réduction de la précision des nombres dans le modèle pour qu'il occupe moins de mémoire et fonctionne plus rapidement.
La quantization consiste à enregistrer les poids du modèle avec une précision moindre (par ex. 8 ou 4 bits au lieu de 16), ce qui fait que le modèle occupe moins de mémoire et calcule plus vite. Cela permet d'exécuter de grands modèles sur du matériel moins puissant, y compris localement.
Compromis : une quantization trop agressive peut légèrement réduire la qualité des réponses, c'est pourquoi on l'adapte à l'usage.
Connexion du modèle à une base de connaissances - l'IA recherche d'abord les faits, puis répond. Moins d'hallucinations.
Le RAG (retrieval-augmented generation) est une approche dans laquelle le modèle, avant de répondre, recherche des fragments pertinents dans une base de connaissances externe et s'appuie sur eux. Ainsi, les réponses sont plus actuelles et contiennent moins de faits inventés.
Comment ça fonctionne : la question est convertie en embedding, le système trouve les documents les plus similaires, et le modèle formule une réponse basée sur eux.
Exemple : un assistant d'entreprise répondant aux questions en s'appuyant sur les règlements internes.
Affinage du modèle sur la base d'évaluations humaines pour qu'il réponde de manière utile et sûre.
Le RLHF (reinforcement learning from human feedback) est une étape d'entraînement où des humains évaluent les réponses du modèle, et ces évaluations servent à l'affiner. Ainsi, le modèle répond plus souvent de manière utile, courtoise et conforme aux attentes.
Comment ça fonctionne : sur la base des préférences humaines, on entraîne un modèle de récompense qui guide ensuite l'apprentissage ultérieur du modèle principal.
Capacité du modèle à raisonner en plusieurs étapes ; les modèles « raisonnants » calculent plus longtemps pour résoudre des tâches difficiles.
Le reasoning (raisonnement) consiste à gérer des tâches nécessitant plusieurs étapes logiques, et pas seulement la restitution d'un fait. Les modèles de raisonnement consacrent plus de calculs à la décomposition interne du problème avant de donner le résultat.
Comment ça fonctionne : le modèle génère des étapes intermédiaires (comme dans le chain-of-thought), les vérifie et formule ensuite la réponse, ce qui améliore la précision en mathématiques, logique et programmation.
Coût : un raisonnement plus long signifie plus de tokens et une latence plus élevée.
Structure inspirée du cerveau, qui apprend à détecter des motifs dans les données. Fondement de l'IA actuelle.
Un réseau neuronal est un modèle composé de couches d'unités simples (neurones) reliées par des poids. Pendant l'entraînement, les poids sont ajustés pour que le réseau mappe de mieux en mieux l'entrée vers la sortie souhaitée, par exemple une image vers une étiquette.
Comment ça fonctionne : les données passent par des couches successives, chacune détectant des motifs de plus en plus complexes. Les réseaux profonds sont la base de l'apprentissage profond et de l'IA moderne.
Modèles générant de la vidéo à partir de texte (OpenAI / Google).
Sora (OpenAI) et Veo (Google) sont des modèles transformant une description textuelle en courtes vidéos. Ils appartiennent à l'IA générative et étendent au mouvement ce que les modèles text-to-image font pour les images fixes.
Application : prototypes rapides de scènes, matériaux conceptuels et visualisations, sous réserve de questions de droits et de fiabilité du contenu.
Instruction cachée qui attribue au modèle un rôle et des règles pour toute la conversation.
Le system prompt est une instruction de haut niveau, définie par le créateur de l'application, qui donne au modèle un rôle, un ton et des limites pour toute la conversation. L'utilisateur ne la voit généralement pas, mais elle influence chaque réponse.
Exemple : « Vous êtes un conseiller fiscal courtois, vous répondez en français et ne donnez pas de conseils juridiques » est un system prompt typique.
Text-to-speech (texte→voix) et speech-to-text (parole→texte). Narration et transcription.
Le TTS (text-to-speech) convertit un texte écrit en parole naturelle, et le STT (speech-to-text) fait l'inverse - il transcrit un enregistrement en texte. C'est le fondement des assistants vocaux, des lecteurs audio et des transcriptions automatiques.
Exemple : le STT crée des sous-titres pour un enregistrement de réunion, et le TTS lit un article à voix haute dans une application.
Réglage de la « créativité » du modèle. Bas = prévisible, élevé = aléatoire et créatif.
La température est un paramètre contrôlant le caractère aléatoire des réponses. À valeur basse, le modèle choisit les mots les plus probables, donc est cohérent et reproductible ; à valeur élevée, il opte plus souvent pour des options moins évidentes, ce qui donne des résultats plus créatifs mais moins prévisibles.
Quand utiliser quoi : pour les faits et le code, réglez une température basse ; pour le brainstorming ou les textes créatifs, une température plus élevée.
Génération d'images à partir d'une description textuelle (Midjourney, DALL·E, Nano Banana).
Le text-to-image est la conversion d'une description textuelle en image. Le modèle, généralement de diffusion, traduit les mots en caractéristiques visuelles de la scène : objets, style, palette de couleurs et composition.
Bonne pratique : plus la description est précise (sujet, style, cadrage, lumière), plus l'image sera pertinente. Il vaut la peine d'itérer et d'affiner le prompt.
Fragment de texte (partie d'un mot) manipulé par le modèle. Les limites et les tarifs se calculent en tokens.
Un token est la plus petite unité de texte que le modèle traite - généralement un mot court ou un fragment de mot. Le modèle ne voit pas directement les lettres ni les phrases, mais une séquence de tokens, et c'est en tokens que l'on mesure la longueur du prompt, la fenêtre de contexte et le coût.
Approximativement : pour le français, un token représente souvent quelques caractères, et un mot peut être divisé en plusieurs tokens.
Découpage du texte en tokens, c'est-à-dire les unités manipulées par le modèle.
La tokenisation est la première étape du traitement de texte : la conversion d'une chaîne de caractères en une liste de tokens selon le vocabulaire du modèle. Elle détermine combien de tokens occupera un texte donné, et donc aussi le coût et l'utilisation de la fenêtre de contexte.
Fait intéressant : les langues à flexion riche, comme le français, peuvent être divisées en plus de tokens que l'anglais, ce qui augmente le coût du même contenu.
Architecture sur laquelle reposent les modèles de langage modernes. Le « T » dans GPT.
Le Transformer est une architecture de réseau neuronal qui, grâce au mécanisme d'attention, peut relier des fragments de texte distants et traiter une séquence en parallèle. C'est elle qui a permis le bond qualitatif des modèles de langage.
Pourquoi une révolution : le mécanisme d'attention permet au modèle de « regarder » tout le contexte simultanément, ce qui améliore la compréhension des dépendances dans un texte long.
Construire des applications par conversation avec l'IA, sans écrire manuellement tout le code.
Le vibe coding est un style de travail où vous décrivez au modèle ce qui doit être créé, il génère et corrige le code, et vous dirigez et testez principalement le résultat. Cela accélère le prototypage et abaisse la barrière d'entrée à la programmation.
Attention : pour les projets plus importants, une vérification humaine de la sécurité et de la qualité du code reste nécessaire.
Marque invisible dans les contenus générés par IA, permettant de les reconnaître.
Le watermark (filigrane) dans les contenus IA est un motif caché intégré dans le texte, l'image ou le son, qui permet de reconnaître ultérieurement que le matériel a été généré par une machine. Il vise à lutter contre la désinformation et à marquer les contenus synthétiques.
Limite : les filigranes peuvent être supprimés ou ne sont pas toujours détectables, ils ne garantissent donc pas à eux seuls la certitude de l'origine.
Demander au modèle d'effectuer une tâche sans aucun exemple - « fais-le directement ».
Le zero-shot est une situation où le modèle exécute une tâche uniquement sur la base d'une instruction, sans qu'on lui montre aucun exemple. Les grands modèles s'en sortent souvent étonnamment bien grâce aux connaissances acquises lors de l'entraînement.
Quand ajouter des exemples : si le format ou le style sont atypiques, il vaut mieux passer au few-shot et montrer un modèle.
aucun résultat - essayez autrement