Comprendre les modèles d’intelligence artificielle
Pourquoi deux intelligences artificielles ne donnent-elles pas toujours les mêmes réponses ? Comment un modèle peut-il rédiger un texte, analyser une image ou traiter une conversation ? Que signifient les mots LLM, token, fenêtre de contexte, paramètres, température ou fine-tuning ?
Dans ce deuxième chapitre, nous allons découvrir ce qui se cache derrière les outils d’intelligence artificielle. L’objectif n’est pas de devenir immédiatement ingénieur en IA, mais de comprendre suffisamment leur fonctionnement pour savoir les choisir, les utiliser et interpréter leurs résultats.
Les explications commencent par les notions les plus simples et progressent vers des mécanismes plus techniques, avec des exemples concrets et des exercices.
Avoir parcouru le chapitre 1 — Les fondamentaux de l’intelligence artificielle. Aucune compétence en programmation ni en mathématiques avancées n’est nécessaire.
Objectifs du chapitre
À la fin de ce chapitre, vous serez capable de :
- Expliquer ce qu’est un modèle d’intelligence artificielle.
- Comprendre le rôle des grands modèles de langage (LLM).
- Décrire simplement comment un modèle génère du texte.
- Comprendre les tokens et leur utilisation.
- Expliquer le rôle et les limites d’une fenêtre de contexte.
- Distinguer paramètres internes et réglages de génération.
- Comprendre l’influence de la température sur les réponses.
- Comparer les modèles généralistes et spécialisés.
- Identifier les capacités des modèles multimodaux.
- Distinguer modèles ouverts, open source et propriétaires.
- Expliquer la différence entre entraînement, fine-tuning et inférence.
- Comprendre pourquoi les réponses varient entre modèles.
- Identifier les principales limites techniques des modèles.
Pourquoi apprendre à comprendre les modèles ?
Lorsqu’on utilise un assistant d’intelligence artificielle, on voit principalement une interface : une zone de texte, un bouton pour envoyer une demande et une réponse.
Pourtant, derrière cette interface se trouvent un ou plusieurs modèles, parfois associés à des outils supplémentaires : recherche documentaire, navigation web, génération d’images, exécution de code ou accès à certaines applications.
Il formule une demande ou transmet un document.
Elle prépare la demande, applique certains réglages et peut mobiliser des outils.
Il traite les informations disponibles et calcule une sortie selon son fonctionnement.
L’application présente la réponse, éventuellement enrichie par des outils ou des traitements complémentaires.
Une application comme un assistant conversationnel n’est pas nécessairement un modèle unique. Elle peut combiner plusieurs modèles, outils, règles et services. Les capacités visibles dépendent de cet ensemble.
Les 12 cours du chapitre
Les cours suivent une progression logique : comprendre d’abord ce qu’est un modèle, puis découvrir son fonctionnement, ses différentes catégories et ses limites.
Qu’est-ce qu’un modèle d’IA ?
Comprendre ce qu’est un modèle, à quoi il sert, comment il est construit et en quoi il diffère d’une application ou d’un programme classique.
Découvrir le cours → COURS 02 / 12Comprendre les grands modèles de langage (LLM)
Découvrir les modèles capables de traiter et générer du langage, leurs principes et leurs principales utilisations.
Découvrir le cours → COURS 03 / 12Comment une IA génère-t-elle du texte ?
Suivre les étapes de production d’une réponse, depuis la demande jusqu’à la génération progressive du texte.
Découvrir le cours → COURS 04 / 12Comprendre les tokens et la tokenisation
Découvrir comment le texte est découpé en unités de traitement et pourquoi cela compte pour les limites et les coûts d’utilisation.
Découvrir le cours → COURS 05 / 12Comprendre la fenêtre de contexte
Comprendre combien d’informations un modèle peut traiter dans une demande et pourquoi certaines informations peuvent être perdues.
Découvrir le cours → COURS 06 / 12Comprendre les paramètres et la température
Distinguer les paramètres appris pendant l’entraînement des réglages qui influencent la génération des réponses.
Découvrir le cours → COURS 07 / 12Modèles généralistes et modèles spécialisés
Comparer les modèles polyvalents et ceux conçus ou adaptés pour des tâches particulières.
Découvrir le cours → COURS 08 / 12Modèles multimodaux : texte, image, audio et vidéo
Découvrir les systèmes capables de traiter plusieurs types d’informations et les usages associés.
Découvrir le cours → COURS 09 / 12Modèles ouverts, open source et propriétaires
Comprendre les différences d’accès, de licence, de transparence, d’hébergement et de personnalisation.
Découvrir le cours → COURS 10 / 12Comprendre l’entraînement, le fine-tuning et l’inférence
Distinguer la création d’un modèle, son adaptation à un besoin et son utilisation pour produire des résultats.
Découvrir le cours → COURS 11 / 12Pourquoi deux modèles donnent-ils des réponses différentes ?
Examiner l’influence des données, de l’entraînement, des réglages, du contexte et des outils utilisés.
Découvrir le cours → COURS 12 / 12Comprendre les limites techniques des modèles
Étudier les contraintes de contexte, les erreurs, les coûts de calcul, les limites de fiabilité et les compromis techniques.
Découvrir le cours →Les notions essentielles que vous allez découvrir
| Notion | Explication simplifiée | Pourquoi la comprendre ? |
|---|---|---|
| Modèle d’IA | Système de calcul dont les paramètres permettent de réaliser certaines tâches. | Comprendre ce qui produit les résultats. |
| LLM | Grand modèle entraîné à traiter et produire du langage. | Comprendre les assistants conversationnels. |
| Token | Unité de traitement utilisée par un modèle. | Comprendre le découpage du texte. |
| Fenêtre de contexte | Quantité d’informations que le modèle peut prendre en compte dans un contexte donné. | Comprendre les limites des longues conversations et des documents. |
| Température | Réglage pouvant influencer la diversité des choix pendant la génération. | Comprendre pourquoi les formulations varient. |
| Multimodalité | Capacité à traiter plusieurs modalités, comme le texte et l’image. | Comprendre les modèles qui dépassent le texte. |
| Fine-tuning | Entraînement complémentaire destiné à adapter un modèle existant. | Comprendre la personnalisation technique. |
| Inférence | Utilisation d’un modèle entraîné pour calculer un résultat. | Distinguer l’apprentissage de l’utilisation. |
Exemple concret — Pourquoi un même prompt peut produire plusieurs réponses
Imaginons que vous demandiez :
« Rédige un court message pour annoncer l’ouverture d’une boutique. »
Un premier modèle pourrait produire un message très professionnel. Un deuxième pourrait proposer un ton plus chaleureux. Un troisième pourrait privilégier une formulation plus commerciale.
Ces différences peuvent notamment provenir de l’entraînement, des consignes intégrées, des réglages de génération et du contexte fourni.
Au fil du chapitre, vous comprendrez pourquoi ces variations apparaissent et comment mieux interpréter les résultats obtenus.
Comment étudier ce chapitre ?
Les cours sont organisés pour être suivis dans l’ordre, mais chaque leçon pourra aussi être consultée séparément pour retrouver une notion précise.
- Lire le cours pour comprendre le vocabulaire et les mécanismes.
- Observer les exemples pour relier la théorie à des situations concrètes.
- Reformuler les notions avec vos propres mots.
- Réaliser les exercices pour vérifier la compréhension.
- Revenir sur les corrections en cas d’erreur ou d’hésitation.
Comprendre le fonctionnement d’un modèle ne signifie pas que ses réponses deviennent automatiquement exactes. La vérification des informations reste nécessaire, particulièrement pour les décisions importantes.
Passer à la pratique
Les exercices du chapitre permettront de vérifier votre compréhension des modèles d’IA, des LLM, des tokens, de la fenêtre de contexte, des paramètres, de la multimodalité et des limites techniques.
Vous pourrez ainsi consolider les notions essentielles avant de poursuivre le parcours.
Accéder aux exercices du chapitre →