Intelligence artificielle : comment ça marche, expliqué simplement

Elle rédige, traduit, reconnaît des visages et conduit presque des voitures, et pourtant son principe de base s’explique sans une seule équation. Savoir comment marche l’IA, vraiment, au-delà des slogans et des frayeurs, est devenu une culture générale indispensable. Voici l’explication simple et honnête, du renversement fondateur jusqu’aux hallucinations, en prolongement de le machine learning en simple et du guide complet pour apprendre à coder.

Le renversement fondateur : des règles aux données

Pendant un demi-siècle, l’informatique a fonctionné sur un principe unique : des humains écrivent des règles, la machine les applique. Pour reconnaître un chat sur une photo, il aurait fallu décrire le chat en règles, deux oreilles pointues, des moustaches, une certaine silhouette, et cette voie a échoué avec constance, car le monde réel déborde toujours les règles : chats de dos, chats cachés, chats flous, éclairages impossibles. L’intelligence artificielle moderne est née du renversement de la méthode : au lieu de décrire le chat, on montre des centaines de milliers de photos étiquetées, chat, pas chat, et un algorithme d’apprentissage règle les paramètres internes d’un modèle jusqu’à ce qu’il classe correctement les exemples, y compris ceux qu’on lui avait cachés pour le test, la preuve qu’il a généralisé plutôt que mémorisé. Le triptyque fondateur tient en trois mots à retenir : les données, la matière première dont tout dépend, le modèle, la structure qui apprend, l’entraînement, le processus qui ajuste, et une fois entraîné, le modèle prédit, c’est la phase que tu vis en tant qu’utilisateur, ce mécanisme d’apprentissage étant détaillé famille par famille dans le guide du machine learning.

L’image qui rend le modèle concret est celle de la planche à molettes : imagine un panneau couvert de millions de petits boutons de réglage, les paramètres, chaque photo d’entraînement donnant lieu à une vérification, la réponse du panneau est-elle bonne, et à une correction minuscule des molettes dans la direction qui réduit l’erreur ; répète l’opération des millions de fois, et le panneau finit par incarner, dans la position collective de ses molettes, tout ce que les exemples avaient de régulier. Les fameux réseaux de neurones ne sont rien d’autre que l’architecture dominante de ces panneaux, des couches de petites unités de calcul dont les connexions portent les molettes, et le deep learning, l’apprentissage profond, désigne les panneaux à très nombreuses couches qui ont tout emporté depuis les années deux mille dix, portés par deux carburants, les données massives du monde numérisé et la puissance de calcul des processeurs graphiques. Rien de magique dans tout cela, et c’est le premier acquis de culture : l’IA est de l’ajustement statistique à échelle industrielle, prodigieux par la taille, ordinaire par la nature.

Zoom sur les IA génératives : prédire le mot suivant

Les vedettes actuelles, assistants conversationnels et générateurs d’images, appliquent le même principe avec un objectif d’entraînement d’une simplicité désarmante : prédire la suite. Un grand modèle de langage est entraîné sur des océans de textes, une part significative de tout ce que l’humanité a publié, avec pour unique consigne de deviner le mot suivant, le début de phrase le chat dort sur le devant appeler canapé plus probablement que réfrigérateur ; à force de milliards d’exemples, le modèle capture pour cela la grammaire, le vocabulaire, les tournures, et, par ricochet fascinant, une quantité massive de connaissances du monde, car bien prédire la suite de la capitale de la France est exige de savoir laquelle. La conversation n’est alors que de la prédiction en chaîne : ta question devient le début du texte, le modèle génère la suite la plus probable mot après mot, chaque mot produit rejoignant le contexte du suivant, et des phases d’affinage supplémentaires, où des humains notent et orientent les réponses, polissent le ton, l’utilité et les garde-fous. Voilà tout le secret des conversations bluffantes : une machine à plausibilité textuelle, entraînée à une échelle qui défie l’intuition.

Ce mécanisme explique d’un même mouvement la force et la faille. La force : la plausibilité à cette échelle produit des textes cohérents, des traductions fines, du code fonctionnel, des synthèses utiles, car le plausible recoupe très souvent le vrai sur les terrains bien couverts par l’entraînement. La faille structurelle : le modèle optimise la vraisemblance, pas la vérité, et quand le vrai lui manque, il génère le plausible avec la même assurance, une référence inventée, une date déplacée, une fonction de bibliothèque qui n’existe pas, le phénomène baptisé hallucination qui n’est pas une panne mais une propriété, la machine faisant exactement ce pour quoi elle est réglée. D’où les règles d’usage devenues standard, vérifier les faits, croiser les sources, ne jamais déléguer sans contrôle les décisions qui comptent, et d’où, pour les développeurs, la discipline détaillée dans l’IA vue par un développeur et ChatGPT pour développeur : l’assistant produit, l’humain répond. Les générateurs d’images suivent une logique cousine, apprendre à débruiter des images jusqu’à savoir en créer sur consigne, la même plausibilité appliquée aux pixels, doigts surnuméraires compris.

Forces, limites et ce qu’il faut en retenir

Le bilan honnête commence par les forces, car elles sont historiques : la vision par ordinateur lit les radiographies aux côtés des médecins, la traduction automatique a aboli une part des frontières linguistiques, les modèles prédictifs optimisent les réseaux électriques et anticipent les pannes, les assistants de code accélèrent des millions de développeurs, et la recherche scientifique elle-même s’outille, repliement des protéines et prévision météo ayant connu des bonds mesurables : sur les tâches à régularités apprenables et données abondantes, l’IA atteint des niveaux inédits, et nier ces gains serait aussi peu lucide que les diviniser. Les limites forment l’autre moitié du tableau, et elles découlent toutes du mécanisme : la dépendance aux données, un modèle valant ce que valent ses exemples, datés, partiels, biaisés, et reproduisant fidèlement leurs travers, la question des biais irriguant l’éthique de l’IA ; l’absence de compréhension, le modèle capturant des corrélations sans notion de vérité ni de sens, d’où l’assurance égale dans le juste et le faux ; l’opacité, des milliards de molettes n’offrant aucune explication lisible de chaque décision ; et les coûts matériels bien réels, l’entraînement et l’exécution des grands modèles consommant énergie, eau de refroidissement et capitaux à des échelles qui pèsent dans les bilans.

Que retenir, alors, pour la route ? Trois phrases suffisent à la culture générale : l’IA apprend des exemples au lieu de suivre des règles, elle produit du plausible et non du vrai garanti, et elle vaut ce que valent ses données ; muni de ces trois clés, tu peux lire l’actualité du domaine, ses prouesses comme ses scandales, sans être ni ébloui ni terrorisé, car chaque histoire s’y range, la percée médicale comme le recrutement biaisé. Et si la curiosité te pousse plus loin, les chemins sont balisés selon ton profil : l’utilisateur exigeant affinera son art de la vérification et du prompt, le curieux des données suivra data science : par où commencer, et le futur praticien prendra la route de l’apprentissage du machine learning, où les molettes de cet article deviennent du code qu’on entraîne soi-même. Quant à la question qui plane, la machine pense-t-elle, la réponse honnête de l’état de l’art tient en une image : le modèle est un miroir statistique de ce que l’humanité a écrit et montré, prodigieusement poli, dénué d’intention, et le reflet impressionne d’autant plus qu’on oublie que c’est un miroir. Le comprendre, c’est déjà savoir s’en servir.

Questions fréquentes

Comment fonctionne l’intelligence artificielle, en résumé ?

Par apprentissage à partir d’exemples : un modèle, des millions de paramètres ajustables, est entraîné sur des masses de données jusqu’à capturer leurs régularités, puis les applique à des cas nouveaux. Trois mots résument tout : données, entraînement, prédiction.

Comment un modèle comme ChatGPT génère-t-il ses réponses ?

Par prédiction en chaîne du mot suivant : entraîné sur d’immenses corpus de textes à deviner la suite, il génère la continuation la plus probable de ta question, mot après mot, affinée ensuite par des retours humains. C’est une machine à plausibilité textuelle, à échelle vertigineuse.

Pourquoi les IA inventent-elles parfois des informations ?

Parce qu’elles optimisent la vraisemblance, pas la vérité : quand le vrai manque dans ce qu’elles ont appris, elles produisent le plausible avec la même assurance, référence inventée ou date déplacée. Ces hallucinations sont une propriété du mécanisme, d’où la règle : vérifier avant d’utiliser.

L’intelligence artificielle comprend-elle ce qu’elle dit ?

Non au sens humain : le modèle capture des corrélations statistiques sans notion de vérité, d’intention ni de sens vécu. L’image juste est celle d’un miroir statistique de ce que l’humanité a écrit, prodigieusement poli, et d’autant plus impressionnant qu’on oublie que c’est un miroir.

Sources

• Interstices, l’intelligence artificielle expliquée par les chercheurs (Inria)
• CNIL, comprendre le fonctionnement et les enjeux de l’IA

Cet article a une vocation informative et pédagogique. Les plateformes, outils et formations éventuellement cités le sont à titre d’exemple ; compare plusieurs options avant de t’engager ou de payer.