Vocabulaire de l’IA : quatre notions pour comprendre les bases
Quatre notions pour comprendre les bases de l’IA : LLM, fonctionnement probabiliste, entraînement et inférence, architecture Transformer.
- Thème
- IA & automatisation
- Auteur
- Arnaud Siou
- Publié le
- Lecture
- 3 min de lecture
On parle beaucoup d’intelligence artificielle. De prompts, d’agents, de RAG, de modèles ou de tokens. Mais avant de découvrir les outils et leurs usages, il est utile de comprendre les mots qui les accompagnent.
Cette série propose de décoder simplement le vocabulaire de l’IA, sans jargon inutile. Commençons par quatre notions qui permettent de mieux comprendre les assistants conversationnels.
LLM : un modèle qui génère du langage
LLM signifie Large Language Model, ou « grand modèle de langage ».
Entraîné sur de grandes quantités de données, un LLM apprend des régularités du langage. Lorsqu’il génère une réponse, il produit progressivement des unités de texte appelées tokens, en fonction du contexte disponible.
Un LLM peut expliquer, reformuler, résumer ou rédiger. Mais ce n’est pas une encyclopédie qui retrouve systématiquement une information vérifiée. Il peut produire une réponse convaincante contenant une erreur.
En pratique, une formulation fluide ne suffit donc pas à garantir l’exactitude d’une réponse.
Probabiliste : plusieurs réponses sont possibles
Un modèle de langage attribue des probabilités aux différentes suites possibles d’un texte. La manière dont ces possibilités sont sélectionnées dépend aussi des réglages utilisés pour générer la réponse.
Cela explique pourquoi une même question peut parfois produire des réponses différentes : formulation, exemples ou organisation du texte peuvent varier.
Contrairement à une calculatrice, un LLM seul ne garantit pas un résultat exact. Un assistant peut toutefois utiliser des outils, comme une calculatrice ou un programme, pour effectuer certaines opérations.
En pratique, précisez ce que vous attendez : une réponse courte, un tableau comparatif, une explication ou un exemple concret.
Entraînement et inférence : apprendre, puis utiliser
Ces deux termes désignent des étapes différentes.
L’entraînement est la phase pendant laquelle les paramètres du modèle sont ajustés à partir de données et d’exemples. C’est ainsi qu’il acquiert ses capacités.
L’inférence est la phase d’utilisation : vous envoyez une demande, et le modèle mobilise ses paramètres ainsi que le contexte fourni pour générer une réponse.
Une distinction utile : tenir compte d’une information dans une conversation ne signifie pas apprendre durablement cette information. Le modèle peut l’utiliser pour répondre sans que ses paramètres soient modifiés.
En pratique, fournir du contexte aide le modèle, même lorsque ce contexte ne faisait pas partie de son entraînement.
Transformer : une architecture fondée sur l’attention
Le Transformer est une architecture utilisée par de nombreux modèles de langage.
L’un de ses mécanismes clés est l’attention. Elle permet au modèle de prendre en compte les relations entre différentes parties du texte pour construire ses représentations et générer une réponse.
Par exemple, dans la phrase « Le serveur ne répond plus depuis sa mise à jour », les relations entre « serveur », « ne répond plus » et « mise à jour » contribuent à interpréter la situation décrite.
Ce mécanisme aide à traiter le contexte. Il ne garantit toutefois ni une compréhension humaine ni une réponse correcte.
Comprendre les mots pour mieux utiliser les outils
Pas besoin d’être ingénieur pour commencer à comprendre l’IA.
Ces quatre notions donnent déjà quelques repères : un LLM génère du langage, ses réponses reposent sur des probabilités, son utilisation se distingue de son entraînement, et son architecture lui permet de traiter les relations dans le texte.
Dans le prochain article, nous explorerons deux termes que vous utilisez peut-être déjà : le prompt et le token.
