Qu’est-ce que l’IA générative ? – Tout ce que tu dois savoir, y compris la signification, les modèles et les exemples.
Comprendre les modèles d'IA générative et ce qu'ils sont, leurs limites mais aussi les cas d'utilisation.
Explore le monde de l’IA générative : sa signification, ses modèles, ses applications, son éthique, ses limites et son potentiel futur dans ce guide complet.
Index
Introduction à l’intelligence artificielle (IA)
L’intelligence artificielle (IA) est actuellement partout – que ce soit dans les actualités, sur LinkedIn ou même dans les discussions au pub du coin, tout le monde a une opinion ou une prédiction. Beaucoup prédisent (ou du moins espèrent) qu’elle va révolutionner notre façon de vivre, de travailler et d’interagir. Mais qu’est-ce que c’est exactement et pourquoi y a-t-il tant de battage médiatique en ce moment ?
À la base, l’IA est un terme général qui désigne les machines ou les logiciels. L’objectif est d’imiter l’intelligence humaine et de s’efforcer d’apprendre, de penser, de percevoir, de raisonner, de communiquer et de prendre des décisions comme le ferait un humain. Cette technologie en pleine évolution peut être divisée en trois catégories : L’IA étroite, conçue pour une tâche spécifique telle que la reconnaissance vocale ; l’IA générale, qui peut effectuer toute tâche intellectuelle qu’un humain peut réaliser ; et l’IA superintelligente, qui surpasse les capacités humaines dans la plupart des travaux à valeur économique.
Dans ce vaste cadre de ce que l’IA comprend comme définition, on trouve actuellement un sous-ensemble spécifique dans les médias. L’IA dite générative, qui peut générer des textes, des images et d’autres contenus faussement similaires. Cet article se concentre sur ce qu’est l’IA générative, ce qu’elle signifie et quels exemples notables démontrent son potentiel.
Qu’est-ce que l’IA générative ?
Comme nous l’avons mentionné plus haut, l’IA générative relève du terme générique d’intelligence artificielle, mais elle s’est taillé son propre créneau. Il s’agit d’un ensemble de modèles et de techniques d’IA formés qui utilisent des méthodes statistiques pour produire du contenu en fonction de ses probabilités. Ces types de systèmes d’IA apprennent à imiter (Important – imiter, et non pas comprendre et appliquer) les données sur lesquelles ils ont été formés, puis à produire un contenu similaire (Donc pas des faits). Contrairement à l’IA discriminative, qui classe les données d’entrée dans des catégories prédéfinies (par exemple, les filtres anti-spam), l’IA générative génère de nouvelles données synthétiques qui reflètent les données d’entraînement.
Le fondement de l’IA générative repose sur les techniques d’apprentissage automatique et plus particulièrement sur l’apprentissage profond. L’apprentissage automatique utilise des algorithmes capables d’apprendre à partir de données et de les utiliser pour prendre des décisions ou faire des prédictions. L’apprentissage profond, un sous-ensemble de l’apprentissage automatique, utilise ce que l’on appelle des réseaux neuronaux à plusieurs couches. Chaque couche représente quelque chose comme une synapse dans un cerveau – qui se déclenche avec une certaine probabilité. Ainsi, lorsqu’un mot comme « Grand » apparaît, il y a plusieurs synapses (nœuds) qui disent alors avec une certaine probabilité que « Grande-Bretagne » ou « Mur » pourrait venir après « Grand ». Plus le contexte est donné, plus ces nœuds sont entraînés. Si Londres, la Reine et l’Union Jack apparaissent quelque part, il est très probable qu’il s’agira de « Great Britain » plutôt que de « Great Wall ».
Les modèles génératifs utilisent plusieurs classes de modèles statistiques (souvent des réseaux neuronaux). L’exemple le plus connu actuellement, ChatGPT, utilise une architecture codeur/décodeur. Les données sont analysées et classées par un réseau d’encodage, converties en nombres et variables lisibles par l’ordinateur, envoyées au réseau neuronal entraîné, et le résultat des nombres et variables est renvoyé à un décodeur sous forme de texte.
Explication simple de l’IA générative : le texte saisi par l’utilisateur est décomposé, la machine essaie de le comprendre, sur la base des informations, le réseau essaie ensuite de générer la meilleure réponse possible et de la rendre à nouveau lisible par l’homme, les résultats sont reconvertis en paroles et restitués. Par conséquent, tout n’est basé que sur des probabilités et on en arrive donc aussi à faire de fausses déclarations, parce que celles-ci étaient dans ce cas « plus probables » que les faits.
Le battage médiatique et sur les médias sociaux autour de cette technologie est probablement basé sur le fait que ces modèles sont très bons pour générer des contenus convaincants et faussement réels et ainsi nous faire croire à l’intelligence. Malgré cela, les modèles d’IA générative ont également des applications autres que la génération d’images et de textes. Il s’agit par exemple de l’augmentation des données, de la détection des anomalies et de l’imputation des données manquantes, ou encore de la classification des contenus.
Comment fonctionne l’IA générative – 3 modèles que tu dois connaître.
La puissance de calcul est devenue suffisamment bon marché pour exploiter de vastes ensembles de données à des « coûts raisonnables », créant ainsi une base pour l’entraînement de différents modèles à des échelles suffisamment grandes pour produire des résultats raisonnables.
Voici les trois principaux modèles qui sous-tendent l’IA générative, chacun avec ses forces, ses faiblesses et ses cas d’utilisation possibles :
Réseaux adverbiaux génératifs (Generative Adversarial Networks – GAN)
Les GAN sont essentiellement constitués de deux réseaux neuronaux – le générateur et le discriminateur – qui s’affrontent pendant que l’un doit créer de nouveaux résultats et que l’autre contrôle les résultats. Le principe de fonctionnement est similaire à celui d’un faussaire qui essaie de produire de la fausse monnaie et d’un détective qui essaie de distinguer la fausse de la vraie.
Le réseau générateur commence par créer un échantillon/une sortie et le transmet au discriminateur. Au début, le discriminateur n’est pas très doué pour distinguer l’un ou l’autre et peut classer la fausse monnaie comme la vraie. Les deux réseaux doivent donc être entraînés pour être efficaces. Cependant, comme les deux réseaux apprennent de leurs erreurs, leurs performances s’améliorent de plus en plus avec le temps (c’est la raison pour laquelle les modèles d’IA doivent être entraînés).
L’objectif du générateur est de produire des données et des résultats que le discriminateur ne peut pas distinguer des données réelles. En même temps, le discriminateur essaie d’être de plus en plus performant pour distinguer les vraies données des fausses données. Cela continue jusqu’à ce qu’un équilibre soit atteint où le générateur produit des données réalistes et où le discriminateur ne peut plus faire la différence et n’est plus sûr à 50 % qu’il s’agit de fausses données ou de données réelles.
Autoencodeurs variationnels (Variational Autoencoders – VAE).
Les VAE s’appuient uniquement sur les principes de probabilité et de statistique pour générer des données synthétiques. Ces modèles génèrent des données basées sur diverses structures mathématiques simples telles qu’une moyenne ou des écarts types.
Les VAE se composent d’un encodeur et d’un décodeur (comme expliqué brièvement ci-dessus). L’encodeur compresse les données d’entrée dans ce que l’on appelle une « représentation de l’espace latent », qui capture les paramètres de la statistique sur la base de la distribution probabiliste (moyenne et variance). Il génère ensuite un échantillon de la distribution apprise dans l’espace latent, que le réseau décodeur prend et reconstruit les données d’entrée originales. Le modèle est entraîné pour minimiser la différence entre l’entrée et la sortie, de sorte que les données générées sont très similaires aux données d’origine, puisqu’elles passent par les mêmes réseaux entraînés et les mêmes probabilités dans les deux sens.
Modèles basés sur des transformateurs (Transformer-based models)
Contrairement aux GAN et aux VAE, les modèles basés sur des transformateurs, tels que GPT-3 et GPT-4, sont principalement utilisés pour les tâches qui impliquent des données séquentielles, c’est-à-dire des données qui ont une sémantique spécifique ou des corrélations les unes avec les autres, comme le traitement du langage naturel.
Les modèles basés sur les transformateurs utilisent une architecture basée sur des « mécanismes d’attention » qui attribuent une plus grande importance à certaines parties des données d’entrée pendant l’exécution de la tâche pour tenter d’extraire et de pondérer le sens d’un énoncé.
Les modèles GPT utilisent une variante du transformateur appelée décodeur transformateur, qui lit une séquence entière de données (par exemple, une phrase) en une seule fois et peut ainsi modéliser ou comprendre les dépendances complexes entre les mots d’une phrase. Les modèles sont entraînés sur de très grands modèles de texte, puis affinés pour des tâches spécifiques telles que la traduction, la réponse à des questions ou la génération de textes. Les puissants modèles de langage qu’ils créent peuvent produire des phrases, des paragraphes ou même des articles entiers étonnamment cohérents et contextuels, mais présentent toujours le problème que, comme les autres modèles, ils ne se basent que sur des probabilités et donc aussi « halucinent » ou inventent du contenu parce qu’il est « probable » mais erroné.
Cas d’utilisation des modèles d’IA générative
Maintenant que nous comprenons les bases des systèmes et que nous comprenons aussi peu à peu où sont les limites, mais aussi comment ils fonctionnent, nous pouvons aussi parler tout de suite de la façon dont nous pouvons appliquer ces modèles. En général, on peut dire que la vague actuelle d’IA générative se limite aux applications qui nécessitent une bonne duplication (modèles GAN) ou dont les résultats sont « susceptibles d’être quelque chose », comme la transcription de la parole ou la génération de texte. Certains des cas d’utilisation mentionnés ici devraient te donner un aperçu des possibilités :
Arts créatifs et design
L’IA générative a trouvé de nombreuses applications dans l’art et le design et modifie la façon dont nous créons et expérimentons l’art. Dall-E, Midjourney et de nombreux autres générateurs d’images ont montré qu’il était possible de créer des œuvres d’art réalistes et convaincantes.
Les GAN, en particulier, ont joué un rôle important dans ce domaine. Par exemple, un portrait généré par l’IA et créé par le collectif artistique Obvious à l’aide d’un GAN a été vendu pour la somme astronomique de 432 500 dollars à la maison de vente aux enchères Christie’s.
- Composition et génération de musique : Les modèles d’IA générative ont également été utilisés pour composer de la musique. Il y a quelques années, il était impensable que quelque chose d’aussi complexe et créatif que la musique puisse être généré par une machine. Des réseaux comme MusicLM de Google ou MuseNet d’OpenAI sont des modèles formés sur des fichiers MIDI de différents genres et sources qui peuvent générer des compositions dans de nombreux styles différents.
- Traduire l’art dans différents styles : L’IA peut non seulement créer de nouvelles pièces, mais aussi transformer celles qui existent déjà. Les modèles d’IA peuvent apprendre les éléments de style d’une image et les appliquer à une autre – une technique connue sous le nom de transfert neuronal de style. Le résultat est une image hybride qui combine le contenu d’une image avec le style artistique d’une autre.
Traitement du langage naturel (NLP).
L’IA générative joue un rôle clé dans les tâches de TAL, par exemple la création de contenu, les systèmes de dialogue, les traductions, mais aussi la création d’assistants virtuels.
- Création de texte et de contenu : Les modèles tels que GPT-3 et GPT-4 ont beaucoup contribué à l’engouement actuel. Leurs remarquables capacités à créer des textes semblables à ceux des humains ont captivé l’imagination. Ces modèles peuvent écrire des articles, composer des poèmes, ou encore écrire ou améliorer du code, ce qui en fait des outils précieux pour la création automatisée de contenu et nous soulage du travail – mais avec le problème que le contenu n’est pas toujours précis et qu’ils se ressemblent tous à peu près.
- Systèmes de dialogue et assistants virtuels : En comprenant le langage, mais aussi en générant du contenu de manière ciblée, les modèles génératifs ont également le potentiel de permettre le dialogue entre les humains et les machines. Ils peuvent générer des réponses contextuelles et s’engager dans des conversations de type humain. Cette capacité augmente l’efficacité des assistants virtuels, des chatbots et de l’IA dans le service client et dans de nombreux autres domaines.
- Transcription et augmentation vocale : Un autre cas d’utilisation largement connu sont aussi les modèles de langage qui créent du contenu à partir de la parole. Le défi était que ces modèles doivent comprendre le contexte pour compenser la mauvaise qualité d’un microphone ou le bruit dans la pièce. De cette façon, l’IA générative produit des résultats clairs et nets et crée également de bien meilleures transcriptions de vidéos et de contenus audio.
Vision par ordinateur et synthèse d’images
L’IA générative a un grand impact sur les tâches de vision par ordinateur, car les réseaux neuronaux reconnaissent également des objets ou créent des répliques trompeuses.
- Synthèse d’images : Les GAN sont largement utilisés pour générer des images synthétiques réalistes. Le StyleGAN de NVIDIA, par exemple, a produit des images incroyablement réalistes de visages humains qui n’existent pas. Ou encore d’autres IA qui génèrent du contenu cinématographique sans avoir recours à des caméras professionnelles. Mais aussi les Deep Fakes, de fausses versions de personnes générées par ordinateur, peuvent faire partie de cette synthèse d’images.
- Amélioration de l’image : Les modèles génératifs peuvent également remplir les parties manquantes d’une image dans un processus appelé inpainting. Ils prédisent les parties manquantes en se basant sur le contexte des pixels environnants. L’IA de Photoshop est ainsi devenue un succès sur les médias sociaux car elle complétait les images avec du contenu qui n’existait pas. Google a également fait les gros titres avec l' »Effaceur magique » qui utilise également l’IA générative pour supprimer des personnes ou des objets d’images avec un remplissage qui est « le plus probable ».
Développement de médicaments et soins de santé
L’IA générative a un potentiel prometteur pour les soins de santé et la découverte de médicaments, car elle peut également prédire ou « inventer » différentes structures ou composés.
- Découverte de nouveaux médicaments : Les modèles génératifs peuvent prédire les structures moléculaires des médicaments potentiels, ce qui accélère le processus de découverte de médicaments. Diverses entreprises essaient depuis des années d’utiliser des modèles d’IA pour inventer de nouveaux composés moléculaires et les utiliser pour développer des médicaments pour traiter des maladies.
- Médecine personnalisée : Les modèles génératifs peuvent également aider à personnaliser les traitements médicaux. En apprenant des schémas à partir des données des patients, ces modèles peuvent aider à trouver le traitement le plus efficace pour chaque patient.
Exemples d’IA générative dans le monde réel
- OpenAI’s GPT-4 : Ce modèle basé sur un transformateur est un générateur de langage de grande capacité capable de rédiger des courriels, d’écrire du code, de créer du contenu écrit, de faire du tutorat et de la traduction.
- DeepArt : Également connue sous le nom de Prisma, cette appli utilise des modèles génératifs pour transformer les photos téléchargées par les utilisateurs en œuvres d’art inspirées d’artistes célèbres.
- MidJourney : Est un générateur texte-image qui crée des images et des graphiques à partir des imputs et des descriptions promt de l’utilisateur.
- DeepDream de Google : Un programme qui utilise l’IA pour trouver et améliorer des motifs dans les images, créant ainsi des transformations oniriques et psychédéliques.
- Jukin Composer : Cet outil, alimenté par MuseNet d’OpenAI, utilise l’IA pour composer de la musique originale pour des contenus vidéo.
- Insilico Medicine : Une entreprise de biotechnologie qui s’appuie sur des modèles génératifs pour prédire les structures moléculaires de médicaments potentiels, accélérant ainsi le processus de découverte de médicaments.
- ChatGPT : Un chatbot alimenté par l’IA et développé par OpenAI qui peut mener des conversations textuelles semblables à celles des humains, utilisé dans les applications de service à la clientèle et d’assistant personnel.
- StyleGAN de NVIDIA : un réseau adversarial génératif qui génère des images hyperréalistes de visages humains qui n’existent pas dans la réalité.
- Artbreeder : Une plateforme qui utilise des GAN pour fusionner des images entrées par l’utilisateur afin de créer des images complexes et inédites, comme des portraits et des paysages.
- Runway ML : Cette boîte à outils créative utilise des modèles génératifs pour aider les artistes et les concepteurs à créer des animations et des visuels uniques.
- Technologie Deepfake : Une technologie qui utilise les GAN pour créer des échanges de visages convaincants dans les vidéos, créant ainsi un contenu vidéo potentiellement trompeur mais d’un réalisme impressionnant.
Défis éthiques et mauvaise utilisation potentielle de l’IA générative
Le développement des technologies d’IA générative, comme toute technologie, entraîne naturellement de nouveaux défis (éthiques) :
Deepfakes et désinformation.
La capacité des modèles génératifs, en particulier des GAN, à créer des médias synthétiques réalistes a conduit à l’émergence de « deepfakes ». Il s’agit d’images, de fichiers audio ou vidéo générés artificiellement et faussement réels qui imitent de près des personnes réelles. Au cours du processus, le contexte peut être complètement modifié et des choses peuvent être dites ou faites qui n’ont jamais eu lieu. Cela peut être utilisé à mauvais escient pour diffuser des informations erronées ou de la propagande, ce qui peut avoir de graves conséquences sociales et politiques.
Vie privée et consentement
Les modèles génératifs nécessitent généralement de grandes quantités de données pour l’entraînement. Actuellement, plus précisément dans l’UE, on assiste à l’émergence de poursuites judiciaires et de préoccupations concernant la manière dont les données et la propriété intellectuelle sont utilisées pour former les systèmes d’IA. Ceci est particulièrement critique lorsque les modèles sont entraînés sur des données personnelles ou sensibles. En outre, la génération de données synthétiques réalistes (par exemple, des visages humains) peut brouiller les lignes du consentement, car ces « humains » générés n’ont pas consenti à l’utilisation de leur image, et les politiciens sont connus pour apparaître dans des représentations pornographiques.
Préjugés involontaires
Tous les modèles d’IA, y compris l’IA générative, peuvent introduire par inadvertance des biais dans les données. La façon dont les modèles d’IA sont formés peut être soit en biaisant les données, soit en biaisant en sélectionnant les données, soit en captant et en traitant les préjugés humains qui se reflètent dans les données. Par exemple, si un modèle de langage est formé sur du texte provenant d’Internet, il peut apprendre et produire du texte qui reflète les préjugés sociétaux dans ces données.
Impact sur l’économie et l’emploi
Si l’IA générative ne peut qu’automatiser certaines tâches et améliorer l’efficacité dans certains domaines, elle pourrait également entraîner des déplacements d’emplois dans diverses industries où ces modèles sont utilisés. Comme elle change considérablement pour certaines industries, les bouleversements pourraient être plus importants, ce qui créerait des tensions sociales.
Gouvernance et réglementation de l’IA
Discuter et mettre en œuvre la gouvernance et la réglementation de l’IA est évidemment important. Les décideurs politiques, les chercheurs et les chefs d’entreprise doivent travailler ensemble pour établir des politiques et des mesures qui garantissent une utilisation responsable de l’IA générative, mais dans le même temps, le monde des affaires souhaite également une IA non réglementée, car il craint que la réglementation finisse par empêcher l’innovation et, par exemple, que l’Europe soit à la traîne derrière la Chine et les États-Unis et perde dans la course à l’IA en raison de réglementations strictes. Cependant, comme elle a aussi des conséquences telles que la violation des droits d’auteur, d’autres pays sont également mis au défi.
L’avenir et les limites de l’IA générative
L’IA générative a déjà fait de grands progrès dans de nombreux domaines en peu de temps et est très prometteuse pour l’avenir, mais il est également important que nous comprenions que les modèles actuels ont leurs limites et que même avec ces modèles, une véritable IA superintelligente ne peut pas être générée. De même, les LLM (Large Language Models) sont limités dans leur fonctionnement.
Plus de réalisme et de complexité
Avec de meilleurs ensembles de données et plus d’entraînement, le réalisme et la complexité potentielle des résultats des modèles génératifs augmenteront probablement. Cela se traduira par des améliorations dans tous les domaines, qu’il s’agisse d’animations, de vidéos, de musique ou de textes écrits. Cependant, les modèles actuels posent des problèmes, notamment lorsqu’il s’agit de trouver un équilibre entre cohérence et créativité.
Une plus grande personnalisation
Bien que l’IA générative ait le potentiel de personnaliser complètement le contenu en fonction de l’individu et de son « style », ? Cependant, cela soulève d’autres problèmes que celui de la protection de la vie privée. Il y a aussi le défi de fournir des expériences personnalisées tout en garantissant une utilisation et un stockage responsables des données des utilisateurs individuels. Ou bien veux-tu que ta voix soit utilisée par d’autres ou que le modèle soit formé sur tes idées ?
Démocratisation des outils de création
L’IA générative permet à tout le monde d’accéder facilement à la création de contenus fictifs – bien sûr, cela ouvre aussi la porte aux abus. La protection des droits de propriété intellectuelle et la prévention de l’utilisation non éthique de ces outils sont des défis importants à relever, mais il n’existe pas encore de solutions pratiques à ce sujet.
Amélioration de la prise de décision et des capacités prédictives
L’IA générative pourrait améliorer la prise de décision et la modélisation prédictive. Cependant, ces modèles ne valent que ce que valent les données sur lesquelles ils sont formés et c’est aussi sur ce point que de nombreuses entreprises échouent déjà. Après tout, l’IA ne peut pas faire de la magie et l’espoir de beaucoup est d’éviter le « travail difficile » grâce à l’IA, cependant, des données propres sont importantes. En outre, les biais, les préjugés ou les modèles incorrects existants peuvent être appris dans les évaluations futures et s’y refléter, ce qui affecte leur fiabilité et leur équité. On peut également se demander si ces modèles peuvent garantir la confidentialité des données au cas où celles-ci seraient utilisées par d’autres entreprises.
Intégration à d’autres technologies émergentes
L’intégration de l’IA générative à d’autres technologies émergentes telles que la RV, la RA et l’IdO recèle un immense potentiel, mais pose également des défis techniques et éthiques qu’il convient de relever avec soin. En particulier lorsque nous parlons de mondes virtuels et de jeux, alors cela peut changer la donne de simplement taper un promt ou de parler avec un modèle d’IA générative et d’expliquer comment vous voulez que le monde virtuel soit créé alors qu’il est en train de le créer. L’IA générative sera également un élément clé pour générer des mondes Metaverse et rendre les mondes virtuels accessibles au plus grand nombre en facilitant la création de contenu sans avoir recours à des concepteurs ou à des experts.
Contenu à l’échelle – Recyclage à l’échelle
L’un des défis pour les fournisseurs comme Google ou d’autres plateformes qui tentent de catégoriser les informations est qu’il est difficile de distinguer le contenu créé par l’IA. Le contenu, comme les articles ou les blogs, ne contribue pas vraiment à la discussion, n’apportant pas de valeur ajoutée et la qualité est « statistiquement moyenne » (par Définition). Mais il est devenu si facile d’échelonner la production de contenu et donc beaucoup de contenu est produit de cette façon. Si nous faisons tourner cela quelques années de plus, à l’avenir, de grands modèles de langage seront formés sur du contenu créé par une autre IA, y compris les biais et les problèmes et le manque de contenu original – Ainsi, le contenu médiocre crée plus de contenu médiocre.
Le plafonnement des modèles actuels et la nécessité d’innover
L’une des principales limites de l’IA générative est le plafonnement des modèles actuels. Les experts observent déjà que l’évolutivité des modèles existants, tels que GPT-4, diminue. Bien qu’il s’agisse d’un puissant modèle de langage, il a atteint les limites de ce qu’un grand modèle peut efficacement faire.
Cette situation souligne la nécessité d’innover dans le domaine de l’IA. De nouvelles méthodes et de nouveaux modèles doivent être développés pour surmonter les limites des technologies actuelles. La prochaine étape de la recherche sur l’IA consistera probablement à explorer différentes architectures, méthodes de formation et peut-être même des approches entièrement nouvelles de l’apprentissage automatique.
Hypothéqué et aimé par les médias et les investisseurs
Ce ne serait pas un de mes articles si je ne critiquais pas quelque chose. L’imitation parfaite de l’intelligence alimente actuellement un battage médiatique qui pousse les entreprises à tout faire avec l’IA générative. L’afflux de capitaux et de nouvelles autour du sujet crée une vague d’intérêt, mais il limite aussi fortement la discussion sur les limites de ces modèles et montre que la plupart des startups ne font en réalité qu’utiliser la même API d’OpenAI ou d’autres modèles. Comme nous l’avons déjà appris, les modèles ont leurs limites, ils ne sont pas précis car ce ne sont que des modèles statistiques, et parfois ils se contentent même de générer du contenu basé sur des modèles GAN qui devraient avoir l’air juste assez réalistes pour être indiscernables. Cela limite considérablement les applications dans de nombreux domaines et l’un des plus gros problèmes de chaque application d’IA est également la mauvaise qualité des données pour la plupart des cas d’utilisation – nous verrons donc pendant longtemps des applications limitées au contenu comme les images, l’art, le texte, l’audio ou les illustrations.
Actuellement, nous voyons beaucoup de promesses que ces grands modèles de langage (LLM) pourraient évoluer, et avec ces promesses chaudes, la Silicon Valley et d’autres affluent dans cet espace avec beaucoup d’argent et d’attention médiatique. La prochaine « ruée vers l’or » dans l’industrie technologique sera alimentée par la monnaie après le lancement de ChatGPT fin 2022.
Conclusion
L’IA générative est définitivement une technologie fascinante qui permet de créer des contenus faussement réels à grande échelle. Les cas d’utilisation de ces technologies sont impressionnants et vont certainement automatiser spécifiquement de nombreuses choses qui étaient auparavant coûteuses.
Mais comme toute technologie, l’IA qui permet de créer un contenu faussement réel apporte également ses propres défis et considérations éthiques. Des deepfakes à la désinformation, en passant par les problèmes de confidentialité et les préjugés, de nombreuses questions restent sans réponse. Les entreprises mais aussi les États doivent se mettre d’accord sur une gouvernance et une réglementation efficaces de l’IICC.
Les modèles et algorithmes actuels ont leurs limites, et selon de nombreux experts, celles-ci ont déjà été atteintes. Nous verrons si les promesses de l’industrie seront tenues, car dès à présent, nous constatons un plateau de ce qui est possible et que les modèles n’évoluent pas linéairement en fonction de leur taille. Cela signifie que les modèles deviendront plus grands mais seulement marginalement meilleurs. Une chose est sûre cependant, l’IA générative est là pour rester, avec ses limites mais aussi avec tous ses avantages.
Comments are closed.