Le machine learning est une sous-partie de l’IA, bien qu’ils soient intimement liés. Le machine learning est un ensemble de processus qui permet d’apprendre et de s’améliorer automatiquement à partir d’un gros volume de données, en se basant sur des algorithmes. Les données utilisées doivent être structurées ou semi-structurées, ce qui peut impliquer que des experts préparent d’abord ces données dans le format adéquat. Plus le modèle est utilisé et entrainé, plus les résultats sont probants.

Le machine learning se fait en apprentissage supervisé ou non supervisé. Dans le premier cas, on lui donne un jeu de données en lui indiquant, dès le départ, la réponse attendue. Cela permet d’apprendre et de s’améliorer par les probabilités et les statistiques, par exemple pour prédire si une machine va tomber en panne. En apprentissage non supervisé, la machine ne connait pas la réponse attendue. Elle va créer elle-même des classifications homogènes, selon ses propres critères. Par exemple, on peut l’utiliser pour trouver une segmentation client.

Les applications du machine learning sont nombreuses et existent depuis de nombreuses années : prédiction de résultats sportifs, gestion de la chaine logistique d’approvisionnement, maintenance prédictive, offres de voyages, prévisions en matière de vente, …

Le machine learning peut se faire sur un ordinateur classique et la machine peut apprendre avec une quantité limitée de données. Et aboutir à des résultats probants, contrairement au deep learning.

C’est un modèle d’apprentissage de deep learning, qui se base sur une immense base de données de textes pour son apprentissage en mode semi-supervisé ou non supervisé, souvent les données en ligne sur Google. Pendant l’apprentissage, le LLM engrange un nombre incroyable de données. Il est capable de comprendre, générer et manipuler le langage humain de manière très sophistiqué. Les anciens modèles fonctionnant par apprentissage supervisés étaient limités à une spécialité. Les LLM ont libéré les capacités d’apprentissage. C’est le cœur des IA génératives. Le modèle le plus célèbre est GPT, développé par OpenAI et utilisé dans l’agent conversationnel ChatGPT et Copilot de Microsoft. Il existe d’autres LLM tels que BERT développé par Google AI (adapté en français sous le nom de CamenBERT et FlauBERT), LLAMA pour Meta et Mistral développé par l’entreprise française Mistral AI.

Logique floue

C’est une approche informatique d’analyse basée non pas sur Vrai ou Faux mais sur un gradient de valeurs qui traduit des vérités partielles. Elle est utilisée dans de nombreux domaines pour parvenir à une conclusion. Par exemple elle permet d’améliorer des données imprécises, telles que des images ou des sons. Elle est utilisée en météorologie, dans le contrôle aérien, dans l’aide au diagnostic en médecine, etc.

Par définition, l’intelligence artificielle (IA) est un domaine de l’informatique qui vise à automatiser et améliorer des processus cognitifs. Il existe de nombreux secteurs d’activité utilisant l’IA qui ne soient pas génératives, comme par exemple, les IA qui permettent de :

• fournir des suggestions ciblées sur les plateformes de streaming,
• d’interpréter des images pour le diagnostic médical,
• d’identifier des transactions frauduleuses,
• de conduire des voitures autonomes,

Ces modèles d’IA issus du machine learning existent depuis de nombreuses années et sont utilisés couramment, sans même que nous nous en rendions compte.

Mais que veut dire « IA générative » ?

La plus impactante des IA est sans conteste l’IA générative. En effet, depuis 2022, on parle beaucoup d’IA générative avec la mise en ligne de logiciels IA au grand public tels que ChatGPT ou Copilot qui utilisent des modèles de langage LLM récents. L’intelligence artificielle générative (IAG ou IAGen ou GenIA) est un sous-domaine de l’IA qui utilise des algorithmes pour générer de nouvelles données à partir de l’apprentissage de données existantes. Les modèles génératifs peuvent être utilisés pour créer de nouvelles images, sons, textes et autres types de données qui ressemblent aux exemples dont ils s’inspirent, mais qui sont différents de ceux-ci. On peut dire que l’IAG est créative.

En résumé, l’IA est un domaine plus large qui englobe de nombreuses techniques et applications, tandis que l’IAG est un sous-domaine spécifique de l’IA qui se concentre sur la génération de nouvelles données.