L'intelligence artificielle (IA) évoluant très rapidement, il peut être difficile de comprendre la terminologie qui lui est associée. Il semble que de nouveaux termes apparaissent presque chaque semaine : NLPs, LLMs, NeRFs, Computer Vision, Deep Learning, GANs... La liste est longue. L'IA générative suscite souvent la curiosité, alors décomposons-la.
Le terme "génératif" fait référence à la capacité d'un modèle à générer de nouveaux contenus tels que du texte, de l'audio, des images, des vidéos, des actifs 3D, etc. L'IA générative fait donc référence à un type de modèle d'apprentissage profond qui a la capacité de générer du contenu en fonction des données sur lesquelles il est entraîné. Imaginez un maître cuisinier qui a étudié des milliers de recettes du monde entier. Grâce aux vastes connaissances qu'il a acquises, le chef peut prendre une simple liste d'ingrédients et créer un plat entièrement nouveau à partir de ceux qui existent déjà. Un modèle d'IA générative est comme ce maître cuisinier !
Les assistants IA tels que Siri d’Apple ou Alexa d’Amazon vous viennent peut-être en tête comme exemples d’IA générative, puisqu’ils peuvent répondre à vos questions. Bien que les assistants actuels puissent être facilement connectés à des modèles et services d’IA générative, cela n’a pas toujours été le cas. Ils sont d’abord alimentés par des technologies d’apprentissage automatique effectuant des tâches de traitement du langage naturel (NLP) et de compréhension du langage naturel (NLU) telles que la reconnaissance vocale et la reconnaissance d’intention.
Alexa et Siri extraient et traitent les commandes de l'utilisateur à partir du langage naturel plutôt que de générer du contenu. Ainsi, si vous leur demandez quel temps il fait, ces assistants et chatbots extraient l'intention d'un énoncé donné et la comparent à une intention prédéfinie liée au temps qu'il fait, à laquelle est associée une fonction de recherche de données. Ils ne créent pas de nouvelle réponse.
Un assistant virtuel est essentiellement une interface interactive, souvent activée par la voix, et de nombreuses technologies sont impliquées dans sa création. Les NLP sont, à ce jour, largement utilisés en combinaison avec des modèles d’IA générative afin d’effectuer des tâches telles que la récupération de données, qui permet à un modèle de récupérer les informations contenues dans un document et de les utiliser comme base pour formuler du nouveau contenu.
Les modèles d'IA générative fonctionnent en apprenant à partir d'un grand nombre de données, puis en faisant des prédictions. Par exemple, des modèles comme le Llama 3 de Meta peuvent générer du texte à partir d'une simple invite. Pour ce faire, ils codent le texte en chiffres, codent les mots et les caractères en jetons via un processus de tokenisation, puis les décodent à nouveau en mots.
En outre, les MFR d'aujourd'hui ne sont pas limités à l'entrée de texte. Ils ont des capacités multimodales qui leur permettent d'utiliser la vision et l'audition pour répondre à des invites basées sur l'image et le son.
Bref, un modèle d’IA générative examine de nombreux exemples, puis crée du «nouveau» contenu à partir de ces derniers; tout comme un chef crée de nouvelles recettes. Grâce à des technologies telles que l’IA générative, des plateformes comme StellarX peuvent créer des expériences immersives et interactives qui rendent l’apprentissage et le travail plus stimulants. Alors que cette technologie poursuit sa croissance, nous allons fort probablement assister à des créations encore plus étonnantes. Comprendre l’IA générative nous aide à apprécier encore davantage les possibilités offertes par les plateformes telles que StellarX!
.png)