Intelligence artificielle, un bouleversement plus important qu’Internet ?

Bonjour à tous, bienvenue dans ce premier article autour de l’intelligence artificielle et comment ce domaine informatique va révolutionner nos usages, notre quotidien jusqu’à finalement atteindre une révolution mondiale sans précédent. Nous sommes à l’aube de quelque chose qui va bouleverser nos vies… (avis perso) 

Qu’est ce que l’intelligence artificielle ?

Quelles sont les méthodes ainsi que les algorithmes ?

Pour créer un système d’IA, les chercheurs utilisent une méthodologie appelée apprentissage automatique, qui consiste en trois étapes : la collecte de données (Collect), l’entraînement (Pre-Train) d’un modèle sur ces données, et l’évaluation (Evaluation) du modèle pour vérifier ses performances. Les méthodes les plus couramment utilisées pour l’apprentissage automatique incluent les réseaux de neurones, les arbres de décision et les algorithmes de clustering.

Machine learning

Le machine learning (apprentissage automatique en français) est un domaine de l’intelligence artificielle qui vise à développer des systèmes informatiques qui peuvent apprendre et s’améliorer automatiquement, sans être explicitement programmés. Il permet de créer des systèmes qui peuvent effectuer des tâches complexes en utilisant des données pour apprendre et s’ajuster.

En d’autres termes, le machine learning est un processus qui consiste à utiliser des algorithmes et des techniques statistiques pour donner la capacité à un ordinateur d’ « apprendre » à partir de données, sans être explicitement programmé.

Les modèles ainsi formés sont ensuite utilisés pour résoudre des problèmes dans des domaines tels que la reconnaissance de la parole, la reconnaissance d’image, la détection de spam, la recommandation de produits, la prévision de ventes, la conduite autonome, la traduction automatique.

Il existe deux principaux types d’apprentissage automatique :

L’apprentissage supervisé :
L’apprentissage supervisé est utilisé pour résoudre des tâches dans lesquelles il y a une réponse correcte connue, tandis que l’apprentissage non supervisé est utilisé pour résoudre des tâches dans lesquelles il n’y a pas de réponse correcte connue.

L’apprentissage non supervisé.

Grace à cette méthodologie nous pouvons réaliser des taches de classifications de régression ainsi que de Clustering

Deep-Learning

Tout comme le cerveau humain, le réseau de neurones est l’élément clé du deep learnings. Il fonctionne de la même manière et pour être efficace, ce réseau doit être entraîné en ingérant un maximum d’informations (photos, textes, etc.). Le réseau de neurones est composé de plusieurs couches, comme la couche d’entrée, les couches cachées et la couche de sortie. Pour éviter de vous perdre dans des formules mathématiques complexes, je ne vais pas entrer dans les détails de ces dernières dans cet article, mais en fonction de vos retours, nous pourrons en faire un article spécifique, Je vous invite à regarder cette vidéo très bien faite.

NLP VS NLU

Lorsqu’on souhaite interagir avec l’IA, nous les humains nous souhaitons utiliser notre langue natale pour communiquer avec l’IA c’est pour cela qu’est apparu le NLP (Natural Language Processing) qui a pour but de traiter le langage naturel, la traduction, la reconnaissance vocale ou encore la génération de texte.

L’objectif principal de NLP est de permettre aux machines de comprendre, de générer et de traiter le langage humain de manière efficace.

NLU, quant à lui, est un sous-domaine de NLP qui se concentre sur la compréhension du sens sous-jacent d’une entrée textuelle. Cela implique de comprendre le contexte, les relations entre les mots et les intentions derrière les phrases. Par exemple, dans une requête de recherche, NLU pourrait identifier les mots clés importants et les intentions de l’utilisateur (par exemple, trouver un restaurant, réserver une table, etc.).

Protocoles NLP :

• Tokenisation : Division d’un texte en unités plus petites telles que les mots, les phrases ou les sous-phrases.
• Part-of-Speech Tagging (POS) : Attribution d’étiquettes grammaticales à chaque mot d’un texte (par exemple, nom, verbe, adjectif, etc.)
  
• Named Entity Recognition (NER) : Détection et classification des entités nommées dans un texte (par exemple, noms de personnes, de lieux, d’entreprises, etc.)
  
• Coreference Resolution : Résolution des références croisées dans un texte (par exemple, déterminer à quelle personne ou objet se réfère un pronom).
• Et bien d’autres…

Protocoles NLU :

• Intent Recognition : Détermination de l’intention derrière une requête textuelle (par exemple, trouver des informations sur un sujet, acheter un produit, etc.).
  
• Analyse de sentiments : Déterminer l’attitude exprimée dans un texte (Postif, Négatif, Neutre)
  
• Relation Extraction : Extraction des relations entre les entités nommées dans un texte (par exemple, la relation entre une personne et un lieu de naissance).

https://www.youtube.com/watch?v=rha64cQRLs8&list=PLoROMvodv4rPt5D0zs3YhbWSZA8Q_DyiJ&ab_channel=StanfordOnline

Quels sont les cas d’usages ? Et les secteurs d’activités qui sont touchés par l’IA ?

1. Santé : Détecter les maladies plus rapidement et améliorer les traitements. Elle peut également être utilisée pour optimiser les soins des patients et pour améliorer l’efficacité des systèmes de santé.
   
2. Finance : L’IA peut être utilisée pour détecter les fraudes, évaluer les risques, optimiser les portefeuilles d’investissement et automatiser les processus de back-office.
   
3. Transport : L’IA peut être utilisée pour améliorer la sécurité routière, optimiser les itinéraires de transport, et permettre la conduite autonome.
   
4. Énergie : L’IA peut être utilisée pour optimiser les systèmes énergétiques, prévoir les besoins en énergie et optimiser les performances des équipements énergétiques.
   
5. Agriculture : L’IA peut être utilisée pour améliorer la productivité des cultures, surveiller les cultures, identifier les maladies et les ravageurs, optimiser les traitements et les doses d’engrais.
   
6. Météorologie : L’IA peut être utilisée pour améliorer les prévisions météorologiques, identifier les phénomènes climatiques extrêmes, et optimiser les systèmes de gestion des risques climatiques.
   
7. Services publics : L’IA peut être utilisée pour améliorer l’efficacité des services publics, optimiser les ressources, et améliorer les interactions avec les citoyens.
   
8. Commerce : L’IA peut être utilisée pour améliorer les systèmes de recommandation, optimiser les stratégies de marketing, et automatiser les processus de vente.
   
9. Sécurité : L’IA peut être utilisée pour détecter les intrusions, identifier les comportements suspects, et optimiser les systèmes de surveillance.
   
10. Emplois : L’IA pourrait également aider à identifier les compétences nécessaires pour les emplois futurs, améliorer les processus de recrutement, et améliorer la productivité des employés.

CHATGPT ? (qui a rendu l’intelligence artificielle au grand jour)

ChatGPT est un modèle de traitement du langage développé par OpenAI. Il est basé sur un réseau neuronal de type transformer, une architecture de traitement du langage qui a été largement utilisée pour les tâches de génération de texte.

Le modèle est entraîné sur un grand corpus de texte, en utilisant des techniques d’apprentissage automatique pour apprendre à prédire les mots suivants dans un texte donné. Une fois entraîné, le modèle peut être utilisé pour générer du texte en répondant à une question ou en continuant un texte donné.

Pour utiliser ChatGPT, on lui fournit une séquence de texte (Ex: une question ou une phrase d’introduction) et il génère une réponse en utilisant les informations qu’il a apprises lors de son entraînement.

Le modèle utilise des techniques statistiques pour évaluer la probabilité de chaque mot suivant dans la réponse, en se basant sur la séquence de texte fournie. Il choisit ensuite le mot qui a la plus grande probabilité de se trouver dans la réponse, et continue ainsi jusqu’à générer la réponse complète.

Quelle est la différence entre CHATGPT et GPT-3 ?

La principale différence entre ChatGPT et GPT-3 réside dans leur taille et leur puissance de traitement. GPT-3 est plus grand et plus puissant que ChatGPT, car il est entraîné sur un corpus de données beaucoup plus volumineux et diversifié (env 45Gb) venant du corpus Crommon Crawl. Il est capable de comprendre et de générer des textes dans une variété de styles et de domaines, ce qui permet de réaliser des tâches de plus complexes et plus variées.

GPT-3 est également capable de comprendre les contextes, de manière à générer des réponses plus précises et plus pertinentes. Il est également capable de générer des textes avec une qualité plus proche de celle d’un humain, comme par exemple écrire des articles, des histoires, des scripts, du code (bienveillant ou malveillant).

GPT-3 traite 175 milliards de paramètres en entrée ce qui le rend comme un modèle de langage le plus puissant à ce jour, néanmoins OpenAI travail sur GPT3.5 et GPT-4 pour le rendre disponible assez rapidement.

Architecture :

Il fonctionne en utilisant un réseau de neurones qui sont entraînés pour reconnaître des mots et des phrases. Il utilise ensuite un algorithme de « transformation » pour transformer le contexte en une phrase cohérente.

Voici une petite vidéo sympa sur les 14 choses à construire avec GPT-3

Les sites web AI en pleines explosions !

Vous trouverez une page Notion sur les sites que j’ai recensés autours de l’IA : 
https://absorbing-avatar-102.notion.site/Alternative-ChatGPT-et-sites-IA-02a721e437b9446987477d8d424546ed

Si cet article vous a plu, n’hésitez pas à aimer et à commenter pour nous encourager à aller toujours plus loin. Nous nous retrouverons dans un prochain article sur l’intelligence artificielle prochainement