Comprendre l'Intelligence Artificielle et l'Intelligence Artificielle Générative
L’IA Générative est au cœur de tous les débats. Mais, il peut parfois être difficile d’y voir clair dans l’IA.
I. Quelle différence entre l'IA et l'IAG ?
Saviez-vous que la catégorie d’apprentissage d’IA qui a fait la renommée du laboratoire DeepMind fonctionne avec le même principe que l’IA des voitures autonomes de Tesla*, qui est aussi la dernière étape d’amélioration du modèle ChatGPT ? Oui, c’est du Reinforcement Learning, qui est une catégorie d’apprentissage, au même titre que l’apprentissage supervisé, non supervisé ou l’apprentissage par distillation.
Cela fonctionne avec des agents qui vont réitérer des actions dans un environnement, et lorsque l’agent atteint son objectif, il obtient une récompense. Selon l’état, c’est-à-dire la représentation de l’environnement, cela permet à l’IA d’apprendre. Ces agents n’ont rien à voir avec les agents des modèles LLM comme les GPTs. Les agents des LLM sont des outils qui permettent d’automatiser des processus. Pas facile hein ?
II. Les cas d'usage
Pour y voir plus clair, voici un petit tableau des cas d’usage de l’IA générative et des cas qui ne relèvent pas de l’IAG.
Le tableau met en perspective les cas d’usage par domaine d’activité avec les formats de données. Les cas d’usage permettent d’y voir plus clair, car cela donne une représentation, autrement dit, à quoi ça sert ?
Chez Giris, on raisonne en termes de technologies et d’architecture quand on nous donne un brief. C’est ce qui nous permet de définir si c’est de l’IA ou de l’IAG. Pour atteindre un objectif, il faut parfois mixer plusieurs technologies entre elles. Ainsi, vous trouverez dans le tableau les cas d’usage ainsi que les technologies/architectures à utiliser pour atteindre l’objectif. Toutes les IA présentées ont déjà été produites par Giris, ou alors nous avons produit des IA similaires (sauf pour la voiture autonome).
Vous souhaitez savoir quelle architecture vous devez mettre en place pour atteindre vos objectifs ? N’hésitez pas à prendre contact !
*Tesla utilise aussi des données annotées pour entraîner leurs modèles, donc apprentissage supervisé, et a également exploré des techniques comme l’apprentissage par imitation et l’apprentissage semi-supervisé.
