Qu'est-ce que l'IA Générative

L'intelligence artificielle générative (IA générative) est une branche de l'intelligence artificielle qui crée du contenu nouveau et original (texte, images, code, audio et vidéo) en apprenant et en reproduisant les modèles de données existantes. Il s'agit de la dernière évolution de la technologie d'apprentissage automatique qui fait désormais partie de la vie quotidienne. Qu'il s'agisse des suggestions « vous pourriez aussi aimer » lorsque vous faites des achats en ligne, des modifications automatiques dans vos applications photo ou d'un chatbot répondant à vos questions d'assistance, l'IA générative change la façon dont vous créez, communiquez et travaillez.

Principaux points à retenir

• L'IA générative est une branche de l'intelligence artificielle qui crée du contenu nouveau et original (texte, images, code, audio et vidéo) en apprenant des modèles à partir de données existantes.
• Contrairement à l'IA traditionnelle, qui reconnaît les modèles et fait des prédictions, l'objectif principal de l'IA générative est de produire quelque chose de nouveau.
• L’IA générative repose sur les réseaux neuronaux et utilise des architectures telles que les réseaux antagonistes génératifs (GAN), les autoencodeurs variationnels (VAE), les transformeurs et les modèles de diffusion.
• Des secteurs allant de la santé à la finance, en passant par le travail créatif et le développement de logiciels, utilisent l’IA générative pour la création de contenu et l’automatisation.
• L'IA Générative comporte des risques réels, notamment des résultats hallucinés ou biaisés, des litiges en matière de droits d'auteur et de vie privée, des deepfakes et des désinformations, ainsi que la perturbation de certains emplois.

Sommaire

• En quoi l'IA générative est-elle différente de l'IA traditionnelle ?
• Comment les modèles d’IA générative ont-ils évolué au fil du temps ?
• Comment fonctionnent les différents types d'IA générative ?
• Quelle est la technologie qui sous-tend l'IA générative ?
• Comment les modèles de fondation d'IA générative sont-ils entraînés ?
• Comment l'IA générative est-elle utilisée dans différents secteurs ? 
• Quels sont les défis liés à la mise en œuvre de l’IA générative ?
• Comment ajouter l’IA Générative à mes applications ? 
• Conclusion : Adopter l’IA générative
• FAQ
• Ressources connexes

En quoi l'IA générative est-elle différente de l'IA traditionnelle ?

La principale différence entre l’ IA générative et l’IA traditionnelle repose sur l’objectif pour lequel chacune a été conçue :

• L'IA traditionnelle analyse : elle reconnaît des modèles, fait des prédictions, classe les données et exécute des tâches basées sur des règles, en tirant des conclusions à partir d'informations déjà existantes.
• L'IA générative crée : Sa fonction première est de produire du contenu nouveau et original qui n'existait pas auparavant.

L'IA générative commence par un prompt. Le prompt peut provenir d'un humain ou d'une machine, comme un agent IA. Les prompts peuvent contenir du texte, des images, des vidéos ou toute autre entrée que le système d'IA peut traiter. Pour répondre à la demande, le modèle accède à un large éventail de données, telles que des livres, des sites web, des dépôts de code et Internet, puis utilise le raisonnement, les schémas et les relations statistiques appris au cours de son entraînement pour produire du contenu inédit adapté à la demande spécifique.

Le texte prédictif n’était qu’un début. Les premières applications de l’IA Générative proposaient des fonctionnalités de base, telles que le texte prédictif et les assistants vocaux, mais les Large Language Models (LLM) qui alimentent les modèles d’IA Générative d’aujourd’hui sont plus sophistiqués. Ils peuvent rédiger des articles complets avec des sources, concevoir des visuels personnalisés, composer de la musique ou générer du code fonctionnel. Au-delà de ces applications, d’autres modèles d’IA Générative peuvent être entraînés sur des données spécialisées afin de supporter des secteurs comme la santé, la finance, le droit et même le développement logiciel.

Comment les modèles d’IA générative ont-ils évolué au fil du temps ?

Les origines de l'IA générative que nous utilisons aujourd'hui remontent à près de 70 ans. Pour comprendre comment nous en sommes arrivés là — et vers quoi cette technologie se dirige — examinons les avancées qui ont rendu ce moment possible.

Fondements du machine learning : des années 1950 aux années 1980

Les éléments constitutifs, à savoir l’apprentissage à partir de données puis l’apprentissage à partir d’erreurs, ont été mis en place des décennies avant l’arrivée de l’IA générative.

Les premières machines pouvaient apprendre, mais seulement des choses simples. En 1957, Frank Rosenblatt a créé le perceptron, le premier système d’IA capable d’apprendre des modèles à partir de données, plutôt que de reposer sur une logique de prise de décision préprogrammée par des humains. Mais ces perceptrons à une seule couche présentaient des limites importantes : ils ne pouvaient résoudre que des problèmes relativement simples, et ils échouaient lorsque les modèles devenaient plus complexes ou plus nuancés.

Ensuite, les machines ont commencé à apprendre de leurs erreurs. Une autre avancée majeure a eu lieu en 1970, lorsque Seppo Linnainmaa a introduit le mode inverse de la différentiation automatique (la technique mathématique fondamentale connue plus tard sous le nom de rétropropagation), qui a permis de calculer efficacement les gradients. En d’autres termes, cette technique permettait aux réseaux neuronaux d’apprendre de leurs erreurs en calculant dans quelle mesure chaque connexion contribuait aux erreurs, puis en ajustant les paramètres en conséquence.

Un article de 1986 a finalement résolu les problèmes les plus difficiles. L’article fondateur de 1986 de David Rumelhart, Geoffrey Hinton et Ronald Williams (souvent cité comme leur article paru dans Nature, Learning Representations by Back-propagating Errors) a démontré comment cette technique de rétropropagation pouvait entraîner avec succès des réseaux de neurones multicouches, surmontant ainsi les limites des perceptrons monocouches.

Mémoire : Années 1990

Dans les années 1990, des chercheurs ont introduit les réseaux neuronaux récurrents (RNN), conférant aux modèles une sorte de mémoire à court terme qui les rendait utiles pour des tâches comme le traitement du langage et de la parole. Mais les premiers RNN avaient du mal à traiter des entrées plus longues ou plus complexes. La situation a changé en 1997 avec l’introduction des réseaux de mémoire à long et court terme (LSTM), qui ont permis aux modèles de capturer des schémas plus complexes au fil du temps. Ces avancées dans la conception des réseaux neuronaux, associées à l’amélioration du hardware, ont jeté les bases de l’entraînement des modèles génératifs profonds qui supportent les systèmes d’aujourd’hui.

Concurrence, conversation et création : 2014-2022

Au cours de cette période, trois percées ont transformé les premiers modèles de machine learning en l'IA générative que nous connaissons aujourd'hui : les réseaux antagonistes génératifs (GAN), les transformers et les modèles de diffusion.

Réseaux antagonistes génératifs

Les réseaux antagonistes génératifs, introduits par Ian Goodfellow et ses collègues en 2014, impliquent deux réseaux neuronaux qui s'affrontent pour générer un contenu impossible à distinguer d'un contenu créé par l'homme.

Un réseau, le générateur, crée du contenu synthétique, tandis que l'autre, le discriminateur, tente de détecter s'il est réel ou faux. Cette configuration antagoniste pousse le générateur à s'améliorer à chaque tour, pour finalement produire des résultats réalistes comme des images et des vidéos en haute résolution. Les GAN sont largement utilisés pour générer des photos ou des images vidéo haute résolution, améliorant ainsi la qualité de l’image et comblant les données visuelles manquantes.

Au-delà de cela, ils jouent un rôle dans plusieurs domaines :

• Génération d'art: Création d'images, d'œuvres d'art et de conceptions visuelles originales
• Restauration et colorisation de photos: réparation des photos endommagées et ajout de couleur aux images en noir et blanc
• Imagerie médicale : amélioration des examens et génération d’images médicales synthétiques
• Découverte de médicaments: proposer de nouveaux composés médicamenteux aux chercheurs pour essai
• Augmentation des données : Extension des ensembles de données d’entraînement pour d’autres modèles

Architecture de transformeur, 2017

Les transformeurs, introduits en 2017, sont un type d'architecture de réseau neuronal qui permet aux chercheurs d'entraîner des modèles plus grands sans avoir à étiqueter toutes les données à l'avance. Ils analysent des séquences entières de données simultanément plutôt que de traiter un mot à la fois. Cette amélioration a permis l'essor des chatbots IA modernes et des modèles de langage et a ouvert la voie aux systèmes de traduction, de synthèse et de dialogue.

Utilisée partout aujourd’hui : L’architecture des transformeurs génératifs pré-entraînés est au fondement de nombreux modèles d’IA générative que nous voyons aujourd’hui, comme ChatGPT d’OpenAI, Gemini de Google et Claude d’Anthropic.

Modèles de diffusion, début des années 2020

Les modèles de diffusion sont le moteur des principaux générateurs d'images d'aujourd'hui, tels que DALL-E et Midjourney. Ils inversent le processus d'ajout de bruit à une image, en commençant par le bruit statique et en révélant progressivement une image claire et de haute qualité grâce à plusieurs étapes de raffinement. Ces techniques permettent de générer des images réalistes pratiquement indiscernables des photographies réelles. Stable Diffusion est une implémentation populaire de cette approche.

Adoption généralisée, multimodalité et agents : de 2022 à aujourd'hui

Le rythme de l’IA générative n’a pas ralenti après le début des années 2020. La version de novembre 2022 de ChatGPT a démocratisé l’IA générative presque du jour au lendemain, transformant une trajectoire de recherche en un outil du quotidien pour des millions de personnes. Depuis lors, la technologie a évolué dans plusieurs directions à la fois :

• Les modèles multimodaux traitent le texte, les images, l’audio et la vidéo au sein d’un système unique plutôt que de se spécialiser dans un seul.
• Les modèles de raisonnement abordent un problème par étapes avant de produire une réponse, améliorant ainsi la précision sur les tâches complexes.
• Les agents d’IA ne se contentent pas de répondre à un prompt ; ils prennent des mesures, utilisent des outils et accomplissent des tâches en plusieurs étapes pour le compte de l’utilisateur, souvent en incitant eux-mêmes le modèle sous-jacent plutôt que d’attendre qu’une personne en fasse la demande.

Comment fonctionnent les différents types d'IA générative ?

Même si de nombreux systèmes modernes créent différents types de contenus, tels que du texte, des images, du code, ou de la vidéo, au sein d'un même système multimodal, chaque type fonctionne toujours selon des approches et des méthodes d'entraînement distinctes.

Génération de textes

Les grands modèles linguistiques représentent les systèmes de machine learning les plus performants actuellement utilisés.

• Ce qu’ils font: ils utilisent le traitement du langage naturel (NLP) et se concentrent sur l’apprentissage de la compréhension et de la génération du langage humain par les ordinateurs.
• Fonctionnement: basés sur l’architecture Transformer, ces systèmes comprennent le contexte et les relations entre les mots presque comme le font les humains.
• Pourquoi est-ce important ? Cette percée dans le traitement du langage naturel (NLP) a permis un traitement beaucoup plus précis et contextuel du langage.

Lorsque vous interagissez avec des systèmes comme ChatGPT, vous utilisez des LLM formés sur des milliards de pages Web, de livres et d'articles, qui acquièrent la grammaire, le ton et les connaissances spécialisées nécessaires pour traiter toute requête en langage naturel avec aisance.

Génération d'images

Créer une image générée par l'IA peut sembler magique, mais une technologie sophistiquée travaille en arrière-plan pour interpréter votre invite de texte et générer le visuel demandé. Ces modèles de génération d'images utilisent des encodeurs de texte avancés pour comprendre votre description, puis utilisent des architectures telles que des modèles de diffusion pour créer l'image réelle.

Génération de code

Les outils de code d'IA sont formés sur de grandes bibliothèques de code open source, qui leur apprennent à reconnaître les modèles de programmation et la logique derrière la façon dont les développeurs résolvent les problèmes. Un utilisateur peut décrire ce dont il a besoin en anglais simple, et le résultat fournit un code logiciel fonctionnel dans des langages de programmation tels que Python ou JavaScript.

Génération vidéo et audio

L’IA peut générer de courtes vidéos en prédisant comment les scènes doivent se dérouler d’une image à l’autre. Elle commence par un concept, comme quelqu’un qui marche, et construit chaque étape du mouvement pour créer une séquence fluide et naturelle. Dans la génération vocale, l’IA prend du texte écrit et le transforme en contenu audio réaliste — en ajustant le ton, le débit et l’intonation pour correspondre au rythme et au naturel d’une vraie conversation.

Quelle est la technologie qui sous-tend l'IA générative ?

Les capacités de l’IA générative sont construites sur un ensemble de blocs de construction techniques puissants. Examinons plus attentivement ce qui se passe en coulisses.

Réseaux neuronaux et apprentissage profond

Les réseaux neuronaux sont le moteur de la plupart des systèmes d’IA générative. Considérez-les comme des versions simplifiées du fonctionnement du cerveau humain : les informations circulent à travers des couches d’unités de traitement connectées appelées nœuds, chaque couche apprenant à reconnaître différents motifs ou fonctionnalités dans les données. Lorsqu’un réseau comporte de nombreuses couches, cette approche est appelée apprentissage profond.

Pendant la formation, ces réseaux convertissent les différentes caractéristiques des données, comme la couleur d’un pixel dans une image ou la signification d’un mot, en représentations mathématiques appelées vecteurs. En analysant des millions d’exemples, le réseau apprend à identifier des modèles et des relations, puis utilise ces connaissances pour générer du nouveau contenu similaire.

Au fil du temps, différents types de réseaux neuronaux ont été développés pour différentes tâches :

• Les réseaux neuronaux récurrents (RNN) étaient utilisés dans les anciens systèmes pour aider l'IA à traiter la parole et le texte. Ils traitaient les mots un par un et transmettaient des informations pour comprendre ce qui suit.
  Exemple : une application de conversion parole-texte qui transforme votre voix en sous-titres en temps réel en prédisant chaque nouveau mot à partir de ce que vous venez de dire.
• Les réseaux neuronaux convolutifs (CNN) sont spécialisés dans l’analyse d’images pour les tâches de vision par ordinateur, détectant des motifs tels que des contours, des formes et des textures. 
  Exemple: une application photo qui utilise l’IA pour détecter et identifier les visages de vos amis sur une photo de groupe.
• Les auto-encodeurs variationnels (VAE) compressent les données dans une forme mathématique compacte, puis les reconstruisent en apprenant à atténuer le bruit et à générer de nouvelles variations en cours de route.
  Exemple: une application photo qui supprime le grain d’une image en basse lumière ou crée des variantes subtiles d’une image.
• Les réseaux Transformer, qui constituent aujourd’hui la base des modèles d’IA générative modernes, traitent simultanément toutes les parties de l’entrée, ce qui leur permet de bien mieux comprendre les langages complexes et de générer des réponses plus longues et plus cohérentes.
  Exemple : Une application de messagerie qui propose des réponses sous forme de phrases complètes, par exemple « Ça me va, on se voit plus tard » en comprenant instantanément l'ensemble du message.

Comment les modèles de fondation d'IA générative sont-ils entraînés ?

Au lieu d'entraîner des modèles distincts pour chaque tâche, les modèles de fondation comme ChatGPT sont entraînés pour accomplir une variété de tâches, telles que répondre à des questions, écrire du code, et résumer du texte.

L'entraînement de ces modèles nécessite des ressources considérables, notamment une puissance de calcul massive et des ensembles de données soigneusement sélectionnés.

Plusieurs types de données et de rétroaction entrent dans leur formation :

• Données étiquetées et non étiquetées: un mélange utilisé lors de l’entraînement initial, aidant les modèles à généraliser des schémas sur un large éventail de contenus sans supervision directe
• Données synthétiques: souvent utilisées pour compléter des ensembles de données réels, surtout lorsqu’on travaille avec des informations sensibles ou limitées
• Rétroaction humaine: les personnes évaluent ou corrigent les résultats, souvent appelés « apprentissage par renforcement à partir de la rétroaction humaine » ou RLHF, pour rendre les réponses plus utiles, plus précises et conformes aux attentes des utilisateurs

Une fois entraînés, les organisations peuvent adapter les modèles de plusieurs façons :

• Les affiner avec leurs propres données pour effectuer des tâches spécifiques
• Ajout de bases de connaissances personnalisées
• Entraîner des couches supplémentaires qui supportent leur domaine ou cas d'usage particulier
• Ajouter des données nouvelles ou complexes provenant de sources telles que des articles scientifiques, des documents juridiques et des manuels techniques

Comment l'IA générative est-elle utilisée dans différents secteurs ?

L'IA Générative est appliquée dans de multiples secteurs pour la création de contenu et l'automatisation, notamment dans la santé pour la découverte de médicaments et les données médicales synthétiques ; la finance pour la rédaction de rapports et le service client ; et les médias pour la composition musicale et la génération de vidéos.

Voici comment différents secteurs mettent ces outils à profit :

• Soins de santé: les prestataires de soins de santé l’utilisent pour améliorer l’imagerie médicale, faciliter la documentation clinique et personnaliser les traitements. Il peut également générer des données synthétiques sur les patients pour entraîner des modèles d’apprentissage automatique sans exposer d’informations sensibles.
• Découverte de médicaments: les entreprises pharmaceutiques et de biotechnologie utilisent l’IA Générative pour accélérer le développement précoce de médicaments, en identifiant des composés et en affinant les structures moléculaires. Elle peut également aider à concevoir des essais cliniques.
• Automatisation des processus métier: l’IA générative rationalise les opérations en automatisant les tâches répétitives telles que la rédaction de rapports, la synthèse de feuilles de calcul et les réponses aux demandes des clients, libérant ainsi des équipes pour des travaux à plus forte valeur ajoutée.
• Industries créatives et art de l’IA: les designers et artistes utilisent des outils comme DALL-E, Midjourney et Adobe Firefly pour générer du concept art et des graphismes personnalisés à partir de Prompts textuels. La genAI compose également de la musique et crée des environnements, des personnages et des avatars pour les jeux vidéo et les simulations, transformant en quelques minutes un travail qui prenait autrefois des heures.
• Amélioration du développement logiciel: l'IA générative aide les développeurs à rédiger du code standard, à refondre les systèmes hérités et à créer des fonctions à partir de prompts en langage simple. Associée à des plateformes comme MongoDB Atlas, elle peut également générer des requêtes de base de données, des définitions de schéma et une logique d'application.
• Outils marketing et de messagerie: les équipes marketing utilisent l'IA générative pour produire des posts de blog, du contenu publicitaire et des campagnes par e-mail plus rapidement. Des outils tels que Jasper, Copy.ai et Persado peuvent adapter le ton et le format aux différents publics.

Quels sont les défis liés à la mise en œuvre de l’IA générative ?

L'adoption de l'IA générative peut soulever de nombreux défis qui vont bien au-delà de la configuration du modèle et de ses performances. Voici quelques-uns de ces défis :

• Hallucinations: les modèles peuvent produire des résultats qui semblent plausibles mais qui sont incorrects (hallucinations).
• Droits d’auteur : l’entraînement de modèles sur des contenus collectés sur le Web et protégés par le droit d’auteur sans autorisation a suscité des litiges juridiques concernant l’utilisation équitable et la rémunération des créateurs, et la question de savoir si les œuvres générées par l’IA peuvent être protégées par le droit d’auteur reste en suspens.
• Biais: les modèles peuvent encoder et amplifier les préjugés contenus dans leurs données d'entraînement, ce qui produit des résultats injustes ou discriminatoires dans des domaines comme le recrutement et l’approbation de prêts. C’est pourquoi les données d’entraînement diversifiées et l’évaluation continue ont toute leur importance.
• Utilisation abusive : L'IA générative peut être utilisée à mauvais escient pour des deepfakes (simulant l'apparence et le discours d'une personne dans des vidéos réalistes générées par l'IA) qui donnent l'impression que quelqu'un a dit ou fait quelque chose qu'il n'a jamais fait.

Comment ajouter l’IA Générative à mes applications ?

Lorsque vous souhaitez intégrer l’IA générative à vos applications, vous devez déterminer l’approche qui correspond le mieux à vos besoins : l’implémentation de l’IA peut être très simple, ou très complexe. Parmi les options les plus simples, vous pourriez ajouter un chatbot pour résumer des e-mails. Des options plus complexes peuvent consister à affiner un LLM, à mettre en place des flux de travail agentiques, à créer un système de retrieval augmented generation (RAG) ou à concevoir vos propres magasins de vecteurs à l’aide d’une base de données vectorielle comme MongoDB.

Pour des applications plus avancées, les équipes peuvent utiliser une plateforme d'agents qui intègre la mémoire, la récupération et la gouvernance dans l'architecture de l'application.

Generative AI applications become more useful when they move beyond one-off responses to multi-step workflows grounded in business context. MongoDB Atlas Agent Engine offre aux équipes une plateforme pour créer, déployer et gérer des agents dotés de fonctionnalités intégrées de mémoire et de récupération de données, afin qu’ils puissent travailler avec un contexte précis au lieu de repartir de zéro ou de s’appuyer sur des pipelines fragmentés. Un plan de contrôle unique régit les actions des agents, tandis que la prise en charge de différents LLM, frameworks et environnements permet aux équipes de faire évoluer leur architecture en fonction de l’évolution de leurs cas d’usage.

Voici quelques questions clés qui peuvent vous aider à décider : recherchez-vous une solution simple et rapide utilisant les services d'IA existants ? Ou avez-vous besoin d'une solution plus sophistiquée qui fonctionne avec vos données propriétaires et votre logique métier spécifique ?

Prêt(e) à vous lancer et commencer à créer sur Atlas ? Créez un cluster dès aujourd'hui ou consultez notre documentation.

Si vous cherchez à partir de zéro ou si vous ne savez pas par où commencer, consultez notre parcours de badge d’apprentissage Création d’applications d’IA générative ou obtenez le badge de compétences RAG !

Vous souhaitez découvrir nos solutions ? Jetez un œil aux cas d'utilisation de l'IA

Conclusion : Adopter l’IA générative

L’IA générative change la façon dont nous écrivons, concevons, codons et communiquons, en passant de l’analyse des informations à leur création. Mais en tirer une réelle valeur nécessite plus qu’un simple accès : il faut comprendre ses limites, y ajouter des protections et l’intégrer de manière réfléchie. Alors que les organisations naviguent dans ce changement, elles doivent équilibrer l'innovation et la responsabilité.