L'intelligence artificielle expliquée simplement : trois familles, pas une

L'intelligence artificielle expliquée simplement tient en une distinction : ce sont des programmes qui apprennent des régularités à partir d'exemples, au lieu de suivre des règles écrites à la main. Il en existe trois familles, et on ne parle que de la plus récente.

Les deux autres tournent déjà chez vous depuis des années.

Première famille : reconnaître

Ce sont les systèmes qui rangent quelque chose dans une catégorie. Votre banque classe une opération comme suspecte ou normale. Votre messagerie classe un message comme indésirable. Un logiciel comptable reconnaît le montant et le numéro sur une facture scannée.

Aucun ne produit de contenu. Ils décident à quelle case appartient ce qu'on leur montre.

C'est la famille la plus ancienne, la plus fiable et la plus discrète. Elle fonctionne si bien que personne ne l'appelle intelligence artificielle.

Deuxième famille : prédire

Ces systèmes estiment ce qui va se passer à partir de ce qui s'est passé. Un prévisionnel de stock, une estimation de délai de livraison, un score de risque sur un dossier de crédit.

Ils ne rangent pas, ils avancent un nombre accompagné d'une incertitude. Cette incertitude est la partie que les présentations commerciales oublient et qui décide de tout.

Une prédiction sans marge d'erreur n'est pas une prédiction, c'est un pari mis en forme.

Troisième famille : produire

La dernière arrivée est celle dont on parle. Elle fabrique du texte, des images, du son ou du code, à la demande.

C'est aussi la seule dont vous vous servez directement en tapant une phrase, ce qui explique sa visibilité : les deux autres travaillent sans que vous les voyiez.

Son fonctionnement et ses erreurs propres méritent leur propre explication : voyez notre article sur la branche générative, celle qui produit du contenu.

Ce qui n'est pas vrai, malgré les films

Ces programmes n'ont pas conscience d'eux-mêmes et ne comprennent pas ce qu'ils manipulent. Un système entraîné à une tâche est incapable d'en faire une autre sans un nouvel entraînement.

Ils ne décident pas non plus tout seuls d'objectifs. Un système fait ce pour quoi il a été entraîné, sur les données qu'on lui a données, avec les travers de ces données.

La bonne question n'est donc jamais « est-ce que la machine pense ». C'est « sur quoi a-t-elle appris ».

Les deux questions à poser devant n'importe quel système

Vous n'avez pas besoin de comprendre la technique. Vous avez besoin de deux réponses, et elles se demandent sans aucune connaissance particulière.

Sur quelles données le système a-t-il appris. Un outil calé sur les décisions passées d'une organisation reproduit ces décisions, y compris leurs travers, et il le fait vite et régulièrement, ce qui amplifie l'effet plutôt que de le corriger.

Que se passe-t-il quand il se trompe. Une erreur sur un classement de courrier indésirable se rattrape. Une erreur sur une candidature écartée ne se voit jamais. Le droit européen suit d'ailleurs cette logique et encadre les usages selon leurs conséquences, ce que détaille notre article sur ce que le droit européen encadre.

Deux questions. Elles suffisent à trier les projets sérieux.

Ce que cet article ne fait pas

Il n'explique ni les réseaux de neurones, ni l'apprentissage profond, ni l'architecture des modèles. Ces notions sont passionnantes et ne changent rien à la façon dont vous utiliserez ces outils.

Il ne dresse pas de panorama du marché ni de calendrier des évolutions à venir, qui seraient faux dans six mois.

Ce qui se transmet, c'est de savoir dans quelle famille ranger ce qu'on vous présente, et quelles deux questions poser ensuite. Nous le travaillons en formation, en présentiel sur deux jours, neuf apprenants au maximum par session.

La suite pratique, choisir la première tâche à confier à ces outils, est traitée dans notre article sur par où commencer dans une entreprise.

Regardez le dernier outil qu'on vous a présenté. Demandez sur quelles données il a appris.