OpenAI est au milieu d'une série de douze jours d'annonces, à raison d'une par jour. Google a lancé Gemini 2.0 la semaine dernière. Chaque matin, notre boîte de courriel reçoit l'annonce d'un nouveau produit « propulsé par l'IA ». Pourtant, lorsque nous demandons aux personnes qui utilisent ces outils au travail ce qu'est réellement l'apprentissage automatique, la plupart ne savent pas répondre.
Il ne s'agit pas d'un reproche. Personne ne le leur a expliqué.
L'année a d'ailleurs été marquante pour ce domaine. En octobre, le prix Nobel de physique a été décerné à John Hopfield et Geoffrey Hinton pour des travaux fondateurs sur l'apprentissage automatique au moyen de réseaux de neurones artificiels. Le lendemain, la moitié du prix de chimie a été attribuée à Demis Hassabis et John Jumper pour AlphaFold, un système d'apprentissage automatique qui prédit la forme des protéines. Deux prix Nobel ont ainsi été décernés en deux jours. Cet article propose une explication en termes simples, sans mathématiques, à l'intention des propriétaires d'entreprise qui souhaitent comprendre le fonctionnement de ces outils.
Qu'est-ce que l'apprentissage automatique?
L'apprentissage automatique consiste à apprendre à partir d'exemples. Un logiciel conventionnel suit des règles rédigées par une personne : si une facture accuse plus de 30 jours de retard, envoyer un rappel. Un tel logiciel est clair et prévisible, et exactement aussi compétent que la personne qui a rédigé la règle.
L'apprentissage automatique inverse cette approche. Plutôt que de rédiger les règles, on présente à l'ordinateur un grand nombre d'exemples et on le laisse dégager lui-même les régularités.
L'exemple classique est celui du filtre antipourriel. Personne ne peut rédiger une règle pour chaque type de pourriel. On présente donc à un système des milliers et des milliers de courriels, chacun étiqueté « pourriel » ou « non pourriel », et il détermine progressivement quels mots, expéditeurs, liens et motifs sont généralement associés au pourriel. On lui soumet ensuite un courriel qu'il n'a jamais vu, et il formule une prédiction.
En résumé : des exemples en entrée, des régularités apprises et des prédictions en sortie.
Que signifient les principaux termes?
- Entraînement : présenter des exemples au système et le laisser s'ajuster jusqu'à ce que ses prédictions s'améliorent.
- Modèle : le résultat de l'entraînement. Un volumineux fichier de nombres qui contient les régularités dégagées par le système. Lorsqu'on parle du « modèle », c'est à cela que l'on fait référence.
- Données : les exemples, comme des courriels, des photos, des données de ventes ou des phrases.
- Réseau de neurones : une méthode répandue pour bâtir un modèle, librement inspirée de la façon dont les cellules du cerveau se connectent. Le prix Nobel de physique de cette année a récompensé des travaux dans ce domaine.
Où se situent ChatGPT et les autres modèles de langage?
ChatGPT, Claude et Gemini sont également des systèmes d'apprentissage automatique. Ils fonctionnent à une échelle considérable, mais reposent sur le même principe de base.
Ils ont été entraînés sur d'immenses quantités de texte avec une tâche principale : prédire le mot suivant, une opération répétée des milliards de fois. Pour bien accomplir cette tâche, un modèle doit assimiler la grammaire, des faits, des styles d'écriture et la façon dont une argumentation se déroule habituellement. Les entreprises procèdent ensuite à un entraînement supplémentaire fondé sur la rétroaction humaine afin de rendre les modèles utiles et courtois en conversation.
Cela explique une grande partie de leur comportement. Ils excellent à produire un texte qui semble juste, puisque c'est précisément ce pour quoi ils ont été entraînés. Or, sembler juste et être exact sont deux choses différentes. Lorsqu'un modèle invente une statistique ou une source, il ne ment pas délibérément. Il produit le type de phrase qui figure habituellement à cet endroit.
Nous utilisons ces modèles depuis GPT-3, et nous avons publié un guide de ChatGPT pour débutants l'an dernier. S'il ne fallait retenir qu'une notion, ce serait ce principe de « prédiction du mot suivant ». Il explique à la fois pourquoi ces modèles sont si utiles et pourquoi leurs résultats doivent être vérifiés.
Pourquoi des données de mauvaise qualité produisent-elles de mauvais résultats?
Un modèle ne connaît que ce que ses exemples lui ont appris. Si les exemples sont erronés, incomplets ou déséquilibrés, le modèle le sera aussi, et il n'a aucun moyen de s'en rendre compte.
Un cas connu l'illustre : Amazon aurait abandonné il y a quelques années un outil d'embauche expérimental après avoir constaté qu'il pénalisait les CV de femmes. L'outil avait été entraîné sur les embauches passées de l'entreprise, composées principalement d'hommes. Le modèle a appris le motif qui lui était présenté, et c'est ce motif qui posait problème.
Des versions plus modestes de ce phénomène se produisent constamment. Un outil de traduction entraîné principalement sur du français européen produit un texte aux tournures européennes. Un outil entraîné principalement sur des données d'entreprises de grandes villes peut formuler des conseils mal adaptés à un village de 1 000 habitants. Une prévision de ventes fondée sur les dernières années, pandémie comprise, apprendra des régularités inhabituelles.
C'est essentiellement ce que l'on entend par biais en IA. Il s'agit moins d'une question de mauvaises intentions que d'exemples déséquilibrés.
Vos propres données ont-elles une incidence?
Oui. Si vous utilisez des outils qui apprennent à partir des données de votre entreprise, comme des prévisions de réservations, du ciblage publicitaire ou des recommandations de produits, le même principe s'applique. Des dossiers mal tenus et incomplets produisent des prévisions peu fiables. Le nettoyage de vos données n'est pas une tâche particulièrement stimulante, mais il constitue souvent le projet d'IA le plus utile qu'une petite entreprise puisse entreprendre.
Comment savoir pour quoi un outil d'IA a été entraîné?
C'est l'aspect pratique du sujet.
Chaque outil d'IA a été entraîné dans un but précis. Un modèle de langage a été entraîné à rédiger un texte plausible et à soutenir une conversation; un outil d'images, à créer des images à partir de descriptions; un détecteur de fraude, sur des cas de fraude passés. Ces outils sont performants dans ce pour quoi ils ont été entraînés, et souvent peu fiables pour le reste.
Avant de confier une tâche à un outil, nous recommandons de poser trois questions simples :
- Pour quoi cet outil a-t-il été entraîné?
- Sur quel type d'exemples a-t-il été entraîné, et ces exemples ressemblent-ils à ma situation?
- Comment saurais-je qu'il se trompe?
Un modèle de langage utilisé pour la comptabilité travaille en dehors de son entraînement. Il produira des chiffres qui ont l'apparence de la comptabilité, et ces chiffres doivent être vérifiés. Un modèle qui rédige une réponse courtoise à un client travaille dans son domaine de compétence. Il convient néanmoins de relire la réponse avant de l'envoyer.
Comment en apprendre davantage pendant les Fêtes?
Si les Fêtes vous laissent quelques soirées tranquilles, le cours gratuit de Google constitue une bonne prochaine étape. Il s'adresse aux personnes qui souhaitent comprendre les concepts, et les premiers modules exigent peu de mathématiques (le cours est offert en anglais) : le Machine Learning Crash Course de Google.
Certaines personnes apprennent plus efficacement avec leurs propres outils et leur propre entreprise devant elles. Une petite équipe peut tirer un grand profit de quelques heures de formation en IA pratique, dans la langue dans laquelle elle travaille.
Une nouvelle génération d'outils portant de nouveaux noms est attendue l'an prochain, possiblement dès février. Plutôt que de tenter de suivre chacun d'eux, nous leur appliquons les trois mêmes questions.