Ce que l'IA sait faire et ses limites

Vous êtes-vous déjà demandé si l'IA "réfléchissait" vraiment ou si elle ne faisait que jouer à un jeu très complexe de "suivez le chef" ? Dans Fondements des capacités de l'IA : Mythes et réalité, nous écartons les mythes de la science-fiction pour révéler la vérité : l'IA est un outil puissant de reconnaissance de formes, et non un esprit conscient. Considérez-la comme une version surpuissante du texte prédictif de votre téléphone. Ce cours explore comment un modèle de langage étendu traite les données et pourquoi il crée parfois une hallucination d'IA. En comprenant ces mécanismes, vous apprendrez à combler le fossé entre la logique machine et l'intuition humaine. Notre objectif est de vous donner les moyens d'utiliser l'IA comme une superpuissance numérique tout en restant l'indispensable humain dans la boucle (Human-in-the-loop). Vous acquerrez les compétences nécessaires pour naviguer dans cette technologie de manière sûre et efficace, transformant le battage médiatique en une réalité pratique.

Chapitre 1 : Démystifier le cerveau de l'IA

1.1 : Comment l'IA « pense » en utilisant des modèles

%FULL[infograph] %Un diagramme comparant un cerveau humain établissant une connexion logique à un modèle d'IA identifiant des clusters statistiques dans un nuage de points de données.

Bienvenue dans la première étape de votre voyage au cœur de l'intelligence artificielle. Lorsque vous interagissez avec une IA moderne, vous pouvez avoir l'impression de parler à un être sensible, quelqu'un qui « comprend » vos blagues ou « réfléchit » à vos problèmes. Cependant, pour maîtriser ces outils, vous devez d'abord lever le voile. L'IA ne possède ni esprit, ni sentiments, ni âme ; au lieu de cela, c'est le moteur de reconnaissance de modèles le plus sophistiqué au monde. En comprenant que l'IA fonctionne par probabilité mathématique plutôt que par pensée consciente, vous gagnez le pouvoir de l'utiliser plus efficacement et d'éviter le piège courant de la dépendance excessive.

Reconnaissance de formes vs. véritable compréhension

La distinction la plus importante à faire en tant que débutant est la différence entre calculer une réponse et comprendre un concept. Les êtres humains utilisent le raisonnement causal : nous comprenons que si nous laissons tomber un verre, il se brise à cause de la gravité et de sa fragilité. Nous comprenons le « pourquoi ».

En revanche, l'IA fonctionne en identifiant des modèles mathématiques dans de vastes ensembles de données #(ev-001). Elle ne sait pas ce qu'est un « verre » dans le monde physique ; elle sait seulement que dans des millions de phrases, le mot « verre » apparaît fréquemment près de mots comme « briser », « boire » ou « transparent ». C'est ce qu'on appelle la corrélation statistique. Alors qu'un humain comprend le monde par l'expérience et la logique, une IA le parcourt à travers des nombres et des grappes de données.

Piège courant : De nombreux utilisateurs tombent dans le piège de supposer que l'IA a un esprit conscient ou des sentiments parce que ses réponses sont si fluides. Rappelez-vous : l'IA n'est pas « heureuse » de vous aider ; elle a simplement identifié que « Je suis heureux de vous aider » est une réponse statistiquement probable à une demande polie.

L'analogie du texte prédictif

Pour voir cela en action, ne cherchez pas plus loin que votre propre poche. Considérez cela comme un texte prédictif surpuissant sur votre smartphone #(ev-002). Lorsque vous tapez "Comment allez", votre téléphone pourrait suggérer "vous". Il ne "pense" pas à votre bien-être ; il calcule simplement que "vous" est le mot le plus probable pour suivre cette séquence spécifique, en se basant sur votre comportement passé et les règles générales de la langue.

Un grand modèle de langage (LLM) fonctionne exactement selon cette même logique d'autocomplétion, mais à une échelle massive. Au lieu de prédire le mot suivant en se basant sur quelques mots précédents, il prédit le "jeton" (token) suivant (un morceau de texte) en se basant sur des milliers de pages de contexte.

Fonctionnalité	Texte prédictif de smartphone	Grand modèle de langage (IA)
Fenêtre de contexte	Habituellement les 1 à 3 derniers mots	Des milliers de mots/phrases
Source de données	Votre historique de frappe personnel	Une partie massive d'Internet
Objectif	Terminer une phrase	Générer des réponses complexes et multi-paragraphes
Logique	Probabilité simple	Clusters statistiques complexes

Conseil pratique : Parce que l'IA calcule des probabilités, elle peut parfois "halluciner" ou énoncer des faits qui ne sont pas vrais. Elle ne ment pas ; elle choisit simplement un mot qui semble statistiquement correct dans cette structure de phrase, même si le fait sous-jacent est faux. Maintenez toujours une approche humaine dans la boucle (Human-in-the-loop) en vérifiant les informations critiques.

%FULL[infograph] %Un diagramme comparant un cerveau humain établissant une connexion logique à un modèle d'IA identifiant des clusters statistiques dans un nuage de points de données.

Les données comme carburant de l'IA

Si la reconnaissance de formes est le moteur, alors les données en sont le carburant. La capacité d'une IA à imiter une conversation humaine dépend entièrement de la qualité et de la quantité d'informations sur lesquelles elle a été entraînée.

1. La phase d'entraînement : Pendant le développement, l'IA « lit » des milliards de lignes de texte — livres, articles, code et conversations.
2. La pondération : À mesure qu'elle traite ces données, elle attribue des « poids » à différentes connexions. Si elle voit la phrase « La capitale de la France est Paris » des milliers de fois, la connexion mathématique entre « France » et « Paris » devient très forte.
3. Le perfectionnement : Grâce à un processus d'essais et d'erreurs, le modèle apprend à donner la priorité aux modèles que les humains trouvent utiles et à ignorer ceux qui mènent à du charabia.

Sans cet afflux massif de données, l'IA n'aurait aucun modèle à reconnaître. C'est pourquoi les modèles d'IA sont souvent spécialisés ; un modèle entraîné uniquement sur des revues médicales sera excellent pour reconnaître des modèles dans les symptômes, mais pourrait avoir du mal à écrire un poème rimé sur un chat.

Conclusion

Comprendre que l'IA est un outil de reconnaissance de formes plutôt qu'une entité consciente est votre « super-pouvoir » en tant qu'utilisateur. Cela vous permet de dépasser le mystère et de traiter la technologie comme une calculatrice de langage hautement avancée. En reconnaissant la logique d'autocomplétion à l'œuvre, vous pouvez mieux prédire quand l'IA pourrait réussir et quand elle pourrait trébucher. À mesure que vous avancez, gardez ceci à l'esprit : vous fournissez l'intention et la supervision, tandis que l'IA fournit la puissance statistique pour donner vie à vos idées.

1.2 : Les limites de la logique machine

Maintenant que nous comprenons comment l'IA construit des modèles à travers le prisme du texte prédictif, nous devons explorer ce qui se passe lorsque ces modèles conduisent à des résultats incorrects ou « hallucines ». Bien qu'il soit facile de considérer un grand modèle de langage comme un cerveau numérique qui « sait » des choses, il est plus précis de le voir comme un imitateur hautement sophistiqué. Parce qu'il repose sur la probabilité plutôt que sur une véritable compréhension de la réalité, il peut occasionnellement trébucher de manières qui nous semblent bizarres. Dans ce sous-chapitre, nous examinerons les trois principaux « angles morts » de la logique machine : les hallucinations, la cécité contextuelle et le biais des données.

Hallucinations de l'IA : Le conteur confiant

Imaginez que vous jouez à « Remplir les blancs » avec un ami qui a énormément lu, mais qui a une très courte mémoire et aucun accès au monde réel. Si vous lui demandez un fait qu'il ignore, au lieu de dire « Je ne sais pas », il utilise son vaste vocabulaire pour inventer une histoire qui semble parfaitement vraie. Dans le monde de l'IA, nous appelons cela une hallucination de l'IA.

Lorsque les modèles échouent, l'IA génère des informations plausibles mais fausses, appelées hallucinations #(DocTitle, 4 | evidence=ev-003). Il s'agit essentiellement d'erreurs probabilistes. Parce que l'IA essaie toujours de prédire le mot le plus probable suivant, elle peut privilégier une phrase qui « sonne bien » plutôt qu'une phrase factuelle. Ce processus est également connu sous le nom de confabulation. L'IA ne « ment » pas, car mentir nécessite une intention ; au lieu de cela, elle suit simplement un chemin mathématique qui mène à une impasse.

Piège courant : Le plus grand danger ici est de faire confiance aux résultats de l'IA sans vérification. Comme l'IA présente ces erreurs avec la même assurance que des faits, il est facile d'être induit en erreur. N'oubliez jamais de garder un humain dans la boucle (Human-in-the-loop) pour vérifier les détails importants.

%HALF left[infograph] %Une infographie montrant une balance. D'un côté se trouve la « Probabilité mathématique » et de l'autre la « Précision factuelle », illustrant comment l'IA penche parfois vers la probabilité même lorsqu'elle a tort. 4:3

Cécité contextuelle : L'assistant littéral

Pour comprendre la cécité contextuelle, imaginez que vous engagez un assistant personnel qui suit vos instructions à la lettre, mais qui n'a aucun « bon sens ». Si vous lui dites : « Je dois aller à l'aéroport le plus vite possible », un assistant humain comprendra que vous voulez dire « en respectant les limitations de vitesse et en toute sécurité ». Un assistant souffrant de cécité contextuelle pourrait suggérer de traverser un trottoir bondé parce que c'est techniquement le chemin le plus court.

L'IA manque de l'expérience vécue que les humains utilisent pour combler les lacunes d'une conversation. Elle voit les mots que vous tapez, mais elle ne voit pas toujours le « pourquoi » derrière eux.

• Le problème de la « pièce » : Si vous demandez à une IA de « rendre une pièce plus lumineuse », elle pourrait suggérer de peindre les murs en blanc, d'ajouter une fenêtre ou d'allumer une lumière. Elle ne sait pas si vous vous trouvez actuellement dans un sous-sol sombre ou dans un bureau ensoleillé, à moins que vous ne le lui précisiez explicitement.
• Le fossé de la nuance : L'IA a souvent du mal avec le sarcasme, les métaphores culturelles profondes ou les changements d'émotion au cours d'une même conversation.

Biais des données : La lentille teintée

Si vous portiez des lunettes teintées en bleu chaque jour depuis votre naissance, vous finiriez par croire que le monde entier est bleu. C'est l'essence même du biais des données. Une IA n'est aussi bonne que les informations sur lesquelles elle a été entraînée. Si le « manuel » qu'elle a étudié contient des préjugés spécifiques, des points de vue étroits ou des informations obsolètes, l'IA reflétera ces mêmes défauts dans ses réponses.

Type de biais	Comment il se manifeste dans l'IA
Biais de représentation	L'IA suppose que certains emplois sont réservés à des genres spécifiques parce que ses données d'entraînement montraient principalement ces associations.
Biais historique	L'IA reflète des préjugés sociaux qui étaient courants dans des livres ou des articles écrits il y a des décennies.
Biais linguistique	L'IA fonctionne nettement mieux en anglais que dans d'autres langues car elle a eu plus de matériel de « pratique » en anglais.

Parce que l'IA repose sur la reconnaissance de formes, elle n'apprend pas seulement des faits ; elle apprend la « saveur » des données. Si les données sont biaisées, les modèles qu'elle reconnaît seront également biaisés. C'est pourquoi la pensée critique est votre outil le plus important lorsque vous travaillez avec la logique numérique.

Conclusion

Comprendre les limites de la logique machine — hallucinations, cécité contextuelle et biais des données — ne consiste pas à craindre la technologie, mais à la maîtriser. En reconnaissant que l'IA peut faire preuve de confabulation ou être victime d'erreurs probabilistes, vous passez du statut d'utilisateur passif à celui de pilote averti. À mesure que nous avançons, rappelez-vous que votre rôle en tant qu'« humain dans la boucle » (Human-in-the-loop) est de fournir le contexte et la boussole éthique qui manquent à la machine. Une compréhension approfondie combinée à une évaluation critique garantit que vous utilisez l'IA comme un outil puissant plutôt que comme une béquille défaillante.

Chapitre 2 : L'IA comme votre superpouvoir numérique

2.1 : Identifier les tâches adaptées à l'IA

Passant de la théorie sur le fonctionnement de l'IA, nous examinons maintenant comment l'appliquer efficacement à nos tâches quotidiennes. Considérez un grand modèle de langage comme un stagiaire brillant et hyper-cultivé qui a mémorisé toute la bibliothèque, mais qui oublie parfois où s'arrête la section fiction et où commence la section référence. Pour travailler efficacement avec ce stagiaire, vous devez savoir quelles missions lui confier et lesquelles nécessitent votre supervision directe. Ce sous-chapitre vous présente la matrice des super-pouvoirs, un cadre conçu pour vous aider à naviguer dans la « zone idéale » de l'utilité de l'IA tout en évitant les pièges courants comme les hallucinations d'IA.

La matrice des superpouvoirs

Lorsque vous décidez si une tâche est « prête pour l'IA », vous ne devriez pas vous demander si l'IA peut le faire, mais plutôt si l'IA devrait le faire en fonction des enjeux. La matrice des superpouvoirs vous aide à évaluer les tâches en examinant deux dimensions spécifiques : le besoin de créativité par rapport au besoin de précision absolue #(Kaplan, A., & Haenlein, M., 2019, Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence).

%HALF right[infograph] %Une matrice 2x2 montrant les tâches dans lesquelles l'IA excelle par rapport à celles avec lesquelles elle a des difficultés.

Pour appliquer cette matrice, évaluez les tâches en fonction des exigences de créativité par rapport à celles de précision afin de trouver le point idéal pour l'IA #(DocTitle, PageNumber | evidence=ev-004).

1. La zone haute créativité/faibles enjeux (Le point idéal) : C'est là que l'IA brille. Considérez cela comme un bac à sable numérique. Les tâches telles que la rédaction d'un poème pour une fête de départ à la retraite ou la génération d'idées pour un dîner à thème y trouvent leur place. Comme le coût d'une « mauvaise » réponse est faible, la reconnaissance de formes de l'IA peut s'exprimer librement.
2. La zone haute précision/enjeux élevés (La zone de danger) : C'est là que vous devez faire preuve d'une extrême prudence. Utiliser l'IA pour des calculs mathématiques à enjeux élevés ou des actualités en temps réel est une erreur courante. Parce que l'IA est essentiellement du texte prédictif — devinant le mot le plus probable suivant — elle peut présenter avec assurance de fausses informations comme des faits, un phénomène connu sous le nom d'hallucination de l'IA.

Brainstorming créatif vs. récupération de faits

Pour comprendre pourquoi l'IA excelle dans certaines tâches et échoue dans d'autres, imaginez deux outils différents : un kaléidoscope et une règle.

Le Brainstorming créatif ressemble à l'utilisation d'un kaléidoscope. Vous fournissez à l'IA quelques « morceaux de verre » (vos idées initiales), et elle les secoue pour créer des centaines de nouveaux motifs magnifiques. Comme il n'y a pas de réponse unique « correcte » dans le brainstorming, la capacité de l'IA à trouver des connexions inattendues est un superpouvoir. Elle n'a pas besoin d'être « correcte » ; elle doit juste être « intéressante ».

La Récupération de faits, en revanche, ressemble à l'utilisation d'une règle. Vous avez besoin d'une mesure précise et objective. Si vous demandez à une IA le prix actuel d'une action spécifique ou le libellé exact d'une nouvelle loi locale, vous demandez à un kaléidoscope d'agir comme une règle. Comme l'IA n'est pas un moteur de recherche en direct mais un modèle basé sur des modèles, elle pourrait « prédire » un fait qui semble parfaitement plausible mais qui est entièrement inventé.

%HALF[infograph] %Une matrice 2x2 montrant les tâches dans lesquelles l'IA excelle (brainstorming, codage) par rapport aux tâches avec lesquelles elle a des difficultés (vérification des faits, empathie).

Cas comparatif : La campagne marketing

• Tâche adaptée à l'IA : « Générez 10 slogans accrocheurs pour un nouveau savon écologique. » (Haute créativité, faible risque).
• Tâche dirigée par l'humain : « Vérifiez les normes de sécurité chimique pour les ingrédients du savon. » (Haute précision, risque élevé).

Résumé et synthèse

L'une des façons les plus efficaces d'utiliser un modèle de langage étendu (Large Language Model) est la synthèse : l'acte de combiner différentes idées en un tout cohérent. Considérez la synthèse comme le rôle d'un « chef cuisinier de l'information ». Vous donnez à l'IA divers ingrédients (comptes rendus de réunions, longs articles ou retours clients), et elle les cuisine pour en faire un plat simplifié (un résumé ou une liste de thèmes clés).

• Résumé : C'est comme une « vidéo des meilleurs moments ». L'IA utilise la reconnaissance de formes pour identifier les points les plus fréquents ou les plus importants dans un long texte et les condense.
• Synthèse : Cela va encore plus loin. C'est comme « relier les points ». Si vous fournissez des notes provenant de trois départements différents, l'IA peut trouver le fil conducteur qui les relie tous ensemble.

Cependant, même dans la synthèse, vous devez rester l'humain dans la boucle (Human-in-the-loop). Tout comme un chef goûte la soupe avant qu'elle ne quitte la cuisine, vous devez examiner le résumé de l'IA pour vous assurer qu'elle n'a pas manqué une nuance subtile ou « halluciné » une connexion qui n'existait pas réellement.

Conclusion

Identifier les tâches adaptées à l'IA consiste à faire correspondre l'outil à l'objectif. En utilisant la Matrice des Superpouvoirs, vous pouvez déléguer les tâches créatives, itératives et synthétiques à l'IA tout en vous réservant le travail à enjeux élevés, riche en faits et nécessitant de l'empathie. N'oubliez pas que si l'IA est maître des modèles, vous êtes le maître de l'objectif. Maintenir une approche Human-in-the-loop (humain dans la boucle) garantit que la vitesse de la technologie ne dépasse jamais la nécessité de précision et de jugement humain.

2.2 : Éthique, confidentialité et touche humaine

Bien que l'IA puisse être un super-pouvoir, elle nécessite un pilote responsable pour naviguer entre la confidentialité et les limites éthiques. Considérez l'IA comme un jet haute performance : il peut vous amener à destination à une vitesse incroyable, mais sans un pilote qui surveille les cadrans et respecte la trajectoire de vol, il risque de dévier de sa route. Alors que vous commencez votre voyage dans le pilotage de l'IA, comprendre la « touche humaine » ne consiste pas seulement à être prudent — il s'agit de s'assurer que la technologie vous sert, vous et votre communauté, de manière sûre et équitable.

Le principe de l'humain dans la boucle (Human-in-the-loop)

Imaginez que vous utilisez un GPS haut de gamme pour naviguer dans une forêt dense. Le GPS utilise la reconnaissance de formes pour suggérer l'itinéraire le plus rapide en fonction des données satellites. Cependant, le GPS ne sait pas qu'une tempête récente a emporté un pont juste devant vous. Si vous suivez l'écran aveuglément, vous finirez dans la rivière. C'est pourquoi nous utilisons le principe de l'humain dans la boucle (Human-in-the-loop).

Un flux de travail avec un humain dans la boucle signifie qu'un humain reste le décideur final dans le processus de l'IA. Parce qu'un modèle de langage étendu (Large Language Model) fonctionne essentiellement comme un texte prédictif hautement avancé, il peut parfois subir une hallucination de l'IA — un moment où il présente avec assurance de fausses informations comme des faits. Pour éviter cela, vous devez mettre en œuvre un flux de travail de vérification :

1. Génération : L'IA produit un brouillon ou une solution.
2. Examen : Vous inspectez le résultat pour vérifier son exactitude et son ton.
3. Vérification : Vous recoupez les faits avec des sources fiables.
4. Affinement : Vous ajustez le résultat pour vous assurer qu'il respecte les normes éthiques.

Maintenez toujours un humain dans la boucle pour garantir des résultats éthiques et précis #(DocTitle, Page 10 | evidence=ev-005). En restant « dans la boucle », vous passez du statut d'observateur passif à celui de superviseur actif, en veillant à ce que l'automatisation ne vous conduise pas dans une impasse « hallucinée ».

Principes fondamentaux de la confidentialité des données

Utiliser l'IA, c'est comme parler à un voisin très serviable qui se trouve avoir un mégaphone et une mémoire parfaite. Tout ce que vous dites à l'IA pourrait potentiellement être utilisé pour entraîner les futures versions du modèle. Par conséquent, les principes fondamentaux de la confidentialité des données commencent par une règle d'or : ne partagez jamais ce que vous ne voudriez pas voir affiché sur un panneau d'affichage public.

Pour vous protéger et protéger les autres, suivez ces étapes pratiques :

• Anonymisez vos données : Avant de coller un e-mail professionnel ou un rapport dans une IA, remplacez les noms, adresses ou chiffres financiers spécifiques par des espaces réservés comme « [Client A] » ou « [Projet X] ».
• Vérifiez vos paramètres : La plupart des plateformes d'IA disposent de modes « Incognito » ou « Privé » qui empêchent l'utilisation de vos conversations pour l'entraînement.
• Respectez la confidentialité des tiers : Ne saisissez jamais de données personnelles appartenant à des collègues, des amis ou des clients sans leur consentement explicite.

La confidentialité n'est pas seulement un paramètre technique ; c'est une limite qui protège votre intégrité professionnelle et votre sécurité personnelle #(Nissenbaum, H., 2009, Privacy in Context: Technology, Policy, and the Integrity of Social Life).

Utilisation responsable de l'IA

L'utilisation responsable de l'IA est la pratique consistant à utiliser ces outils pour augmenter les capacités humaines sans causer de préjudice ou de biais. Considérez l'IA comme un miroir qui reflète les données dont elle a été nourrie. Si ces données contiennent des biais, l'IA les répétera. C'est pourquoi il est essentiel de comprendre la reconnaissance de formes ; l'IA ne « pense » pas, elle fait correspondre des modèles.

Principe	Action pratique	Pourquoi c'est important
Transparence	Divulguez quand l'IA a été utilisée pour créer un produit final.	Renforce la confiance avec votre public.
Conscience des biais	Vérifiez si le résultat de l'IA favorise un groupe par rapport à un autre.	Empêche la propagation de stéréotypes injustes.
Responsabilité	Assumez la responsabilité du résultat de l'IA comme si vous l'aviez écrit vous-même.	Vous êtes le pilote ; l'IA n'est que le moteur.

Utiliser l'IA de manière responsable signifie être un « consommateur critique ». Si une IA suggère une décision d'embauche ou rédige une évaluation de performance, vous devez vous demander : « Est-ce juste, ou l'IA ne fait-elle que répéter un modèle biaisé appris en ligne ? » #(Eubanks, V., 2018, Automating Inequality: How High-Tech Tools Profile, Police, and Punish the Poor).

Conclusion

La maîtrise de l'IA est autant une question de caractère que de compétences techniques. En adoptant le principe de l'humain dans la boucle (Human-in-the-loop), vous garantissez que votre travail reste précis et ancré dans la réalité. Donner la priorité aux bases de la confidentialité des données protège votre empreinte numérique, tandis qu'une utilisation responsable de l'IA assure que votre « superpouvoir » est utilisé pour construire plutôt que pour détruire. À mesure que vous avancez, n'oubliez pas que la partie la plus importante de l'« intelligence artificielle » est l'intelligence humaine qui la guide.

Conclusion

Maîtriser l'IA exige de dépasser le mythe du « cerveau numérique » pour voir un moteur sophistiqué de reconnaissance de formes. En comprenant que l'IA fonctionne par probabilité prédictive plutôt que par une véritable logique, vous pouvez naviguer autour de ses angles morts, comme les hallucinations et les biais de données. Ce cours vous a doté de la Matrice des Superpouvoirs pour identifier les tâches adaptées à l'IA, déplaçant l'attention de la simple récupération de faits vers la synthèse créative. Cependant, la composante la plus vitale est le principe de l'Humain dans la boucle (Human-in-the-loop). En pilotant ces outils, votre jugement et votre engagement envers la confidentialité des données garantissent que l'IA sert d'extension responsable de votre propre potentiel. Vous n'êtes plus seulement un utilisateur ; vous êtes un éditeur critique et un guide éthique dans un monde automatisé.

⟬

1. Laquelle des propositions suivantes décrit le mieux le mécanisme principal par lequel un modèle d'IA génère du texte ? A. Il utilise un raisonnement causal pour comprendre le sens des mots. B. Il identifie des modèles statistiques et calcule la séquence de jetons la plus probable pour la suite.© C. Il accède à une base de données de faits vérifiés pour garantir une vérité absolue. D. Il imite la conscience humaine et l'expérience vécue pour former des phrases. L'IA fonctionne comme un moteur sophistiqué de reconnaissance de formes basé sur la probabilité mathématique plutôt que sur une véritable compréhension ou conscience.
2. Pourquoi l'analogie du « texte prédictif » est-elle fréquemment utilisée pour expliquer le fonctionnement des grands modèles de langage (LLM) ? A. Parce que les LLM sont conçus spécifiques pour les applications de messagerie mobile. B. Parce que les LLM ont une fenêtre de contexte très limitée, similaire aux claviers de smartphones. C. Parce que les LLM prédisent le prochain « jeton » en fonction de la probabilité statistique, tout comme la saisie semi-automatique des smartphones.© D. Parce que les LLM sont incapables de générer quoi que ce soit de plus long qu'une seule phrase. Tout comme le texte prédictif sur un téléphone, les LLM utilisent la corrélation statistique pour déterminer le segment de texte le plus probable en fonction du contexte fourni.
3. Quel terme est utilisé pour décrire le moment où une IA génère des informations qui semblent plausibles mais qui sont factuellement incorrectes ? A. Confabulation© B. Cécité contextuelle C. Biais de données D. Déduction logique La confabulation, ou hallucination de l'IA, se produit lorsqu'une IA privilégie la fluidité statistique de la structure de la phrase au détriment de l'exactitude factuelle.
4. Quel est le rôle principal de l'« Humain dans la boucle » lors du travail avec l'IA ? A. Fournir les données d'entraînement qui manquent à l'IA. B. Fournir l'intention, la supervision et le jugement éthique qui manquent à la machine.© C. Effectuer manuellement les calculs que l'IA est incapable de traiter. D. Apprendre à l'IA à développer le sens commun humain. Parce que l'IA manque de sens commun et de raisonnement éthique, les humains doivent fournir les conseils, le contexte et la vérification nécessaires pour garantir des résultats sûrs et précis. ⟭