Un type d’IA qui, contrairement à l’IA générative, ne crée pas de contenu nouveau : elle analyse des données existantes pour les classer, les trier ou prédire à quelle catégorie elles appartiennent (repérer si un email est probablement un spam, par exemple). Elle ne rédige rien, son petit truc c’est juste de ranger les dossiers dans les bonnes piles.
Dans la famille IA générative, je voudrais… ChatGPT !
Bonne pioche !
C’est effectivement l’un des membres les plus connus des IA génératives, aka les IA dont la fonction principale est de produire du contenu nouveau (texte, image, son) à partir d’une consigne. À côté, les IA plutôt analytiques ou discriminatives servent surtout à classer, repérer, distinguer ou prédire à partir de données existantes.
Évidemment, les familles se mélangent parfois : une IA générative peut aussi analyser ou classer, parce que sinon ce serait beaucoup trop simple. Le distinguo reste utile : on n’attend pas la même chose ni le même niveau de vigilance, selon ce qu’on lui demande de faire.
Ce qu’on donne à un système d’IA en entrée : une question, une consigne, un document, pour qu’il produise un résultat en retour.
Simplement : l’input, c’est votre requête. L’output, c’est sa réponse.
La seule, l’unique, la star (internationale).
Pas si jeune qu’elle n’y paraît puisque le terme date officiellement de 1956, d’une conférence de Dartmouth où des chercheurs ont parié que des machines pourraient un jour simuler l’intelligence humaine.
Bien vu les chercheurs !
Aujourd’hui, le terme désigne l’ensemble des techniques qui permettent à une machine, avec beaucoup de données et pas mal d’électricité, d’accomplir des tâches qu’on croyait réservées aux humains : comprendre un texte, reconnaître une image, raisonner, apprendre… ne rien faire qu’apprendre, apprendre à aimer, aimer sans attendre, aimer à tout prendre, apprendre à sourire, rien que pour le geste, sans vouloir le reste et apprendre à vivre…
Woops, on a glissé dans du Florent Pagny.
Mais ça pose une vraie question sur les capacités de l’IA !
Voilà une analogie qui vous parlera, chers lecteurs :
L’explicabilité, c’est quand un confrère vous dit : « Le juge a rejeté la demande parce qu’elle n’était pas suffisamment fondée en droit. » Techniquement correct, mais légèrement insuffisant si vous vouliez comprendre pourquoi votre argumentation, pourtant bardée de jurisprudence, s’est effondrée dès le deuxième considérant.
L’interprétabilité, c’est quand un avocat reprend le dossier avec vous pour identifier la qualification juridique retenue, les faits jugés déterminants, les règles appliquées, le poids accordé à chaque pièce et le raisonnement précis ayant conduit à la décision.
Pour l’IA, c’est pareil : là où l’explicabilité donne une explication compréhensible, l’interprétabilité cherchera la raison technique. La frontière exacte entre les deux varie selon les sources : l’idée, elle, est là.
On veut savoir comment, pourquoi, où et idéalement ne pas découvrir un petit lutin statistique en train d’improviser.
Par Myfanwy Poissant, pour Ordalie · mis à jour le
