Quelles sont les trois grandes catégories d’IA quand on se réfère aux cas d’usage ? Quand on parle d’IA, on évoque souvent les projets pharaoniques d’intelligence artificielle générative. Quid des projets dans votre entreprise ? Dans votre département ?

Nous avons classé les IA en trois catégories principales, chacune adaptée à des besoins spécifiques.

I. Les IA d’interaction

Une IA d’interaction est conçue pour engager des conversations et interagir avec des utilisateurs, que ce soit par écrit ou oralement. L’interaction écrite est souvent privilégiée en raison de sa simplicité. De son côté, l’interaction orale requiert des technologies complémentaires, telles que la transcription (TTS) et la reconnaissance vocale (STT).

Pour les interactions orales, diverses représentations graphiques sont possibles, du simple effet visuel (par exemple, « effet sonore de vague ») à des avatars en 2D ou 3D, utilisés dans des contextes de réalité augmentée ou virtuelle. Il y a également des objets physiques tels que les enceintes, les voitures, voire des robots humanoïdes pour ceux qui en ont les moyens.

Que ce soit une interaction orale ou écrite, l’intelligence artificielle ne peut être limitée et on peut combiner plusieurs technologies selon le cas d’usage.

II. Les IA d’automatisation

Elles se divisent en deux phases : l’analyse et l’action. Ces IA sont évaluées sur leur précision en environnement réel, plutôt que uniquement sur des jeux de données de test. Il est essentiel de maîtriser parfaitement le processus métier. C’est pourquoi Jensen Huang mettait en lumière il y a trois semaines l’importance de connaître le côté métier ou la science (pour les modèles scientifiques) pour affiner efficacement les IA.

Leur efficacité est mesurée par leur capacité à répondre correctement à un pourcentage élevé des situations du cas d’usage envisagé, sans erreurs de jugement, même sur des données non incluses dans leur apprentissage initial. Chez Giris, nous évaluons la précision d’un modèle par rapport aux données de son environnement métier, et non par rapport à son dataset d’entraînement.

III. Les IA de correction

Contrairement aux IA d’automatisation, les IA de correction ne prennent pas de décisions mais ajustent ou corrigent les données fournies. Elles peuvent être utilisées pour modifier du code, comme dans l’exemple du Professeur Violet dans Genius27, qui corrige le code des joueurs-étudiants.