Nouvelle étape franchie dans l’univers des technologies d’intelligence artificielle.
La « récurrence opaque » et d’autres termes liés à l’IA que vous devriez probablement connaître | TechCrunch
L’IA est en train de transformer le monde et, parallèlement, d’inventer un tout nouveau langage pour décrire la manière dont elle s’y prend. Assistez à n’importe quelle réunion sur les produits, présentation ou table ronde ces jours-ci, et vous entendrez les gens parler de LLM, de RAG, de RLHF — et, depuis la semaine dernière, de termes tels que « récurrence opaque », cette technique de raisonnement intégrée au nouveau modèle d’IA Astra d’OpenAI qui a mis les scientifiques en sécurité de l’IA dans tous leurs états. Le vocabulaire évolue à un rythme tel que même les personnes les plus brillantes du monde de la technologie peuvent se sentir un peu désemparées.
En parallèle, ce glossaire est notre tentative pour y remédier : des définitions en langage simple des termes liés à l’IA que vous êtes le plus susceptible de rencontrer, que vous développiez des solutions dans ce domaine, que vous y investissiez ou que vous essayiez simplement de rester au courant en lisant TechCrunch ou en écoutant des podcasts sur le sujet. Nous le mettons régulièrement à jour au fur et à mesure que le domaine évolue ; considérez-le donc comme un document évolutif, à l’image des systèmes d’IA qu’il décrit.
Sam Altman, PDG d’OpenAI, a un jour décrit l’IA générale (AGI) comme « l’équivalent d’un humain moyen que l’on pourrait embaucher comme collègue ».
Dans le même temps, l’intelligence artificielle générale, ou IAG, est un terme vague. Cependant il désigne généralement une IA plus performante qu’un être humain moyen dans de nombreuses tâches, voire dans la plupart d’entre elles. Sam Altman, PDG d’OpenAI, a un jour décrit l’IA générale (AGI) comme « l’équivalent d’un humain moyen que l’on pourrait embaucher comme collègue ». De son côté, la charte d’OpenAI définit l’AGI comme « des systèmes hautement autonomes qui surpassent les humains dans la plupart des tâches présentant une grande valeur économique ». La conception de Google DeepMind diffère légèrement de ces deux définitions ; le laboratoire considère l’AGI comme « une IA au moins aussi performante que les humains dans la plupart des tâches cognitives ». Vous ne suivez plus ? Pas d’inquiétude : c’est aussi le cas des experts à la pointe de la recherche en IA.
Autre élément, un agent IA désigne un outil qui utilise les technologies d’IA pour effectuer une série de tâches à votre place — allant bien au-delà de ce qu’un chatbot IA basique serait capable de faire — telles que la gestion des notes de frais, la réservation de billets ou d’une table au restaurant, voire l’écriture et la maintenance de code. Néanmoins, comme nous l’avons déjà expliqué, ce domaine en plein essor comporte de nombreux aspects en évolution ; ainsi, la notion d’« agent IA » peut revêtir des significations différentes selon les personnes. De plus, l’infrastructure nécessaire à la mise en œuvre des capacités envisagées est encore en cours de avancée. Cependant le concept de base implique un mécanisme autonome capable de s’appuyer sur plusieurs systèmes d’IA pour mener à bien des tâches comportant divers étapes.
À noter également, considérez les points de terminaison API comme des « boutons » situés « en coulisses » d’un logiciel, sur lesquels d’autres programmes peuvent appuyer pour lui faire effectuer des actions. Les développeurs utilisent ces interfaces pour créer des intégrations — par exemple, pour permettre à une application d’extraire des données d’une autre, ou pour permettre à un agent d’IA de contrôler directement des services tiers sans qu’un humain ait à actionner manuellement chaque interface. La plupart des appareils domestiques intelligents et des plateformes connectées disposent de ces boutons cachés, même si les utilisateurs lambda ne les voient jamais et n’interagissent jamais avec eux. À mesure que les agents d’IA gagnent en compétences, ils sont de plus en plus capables de trouver et d’exploiter ces points d’accès de manière autonome, ouvrant ainsi la voie à de puissantes — et parfois inattendues — possibilités d’automatisation.
Face à une question simple, le cerveau humain peut y répondre sans même trop y réfléchir — par exemple : « Quel animal est le plus grand, une girafe ou un chat ? » Mais dans bien des cas, il faut souvent un stylo et du papier pour trouver la bonne réponse, car il y a des étapes intermédiaires. Par exemple, si un agriculteur possède des poulets et des vaches, et qu’à eux tous, ils totalisent 40 têtes et 120 pattes, il peut être nécessaire de noter une équation simple pour trouver la réponse (20 poulets et 20 vaches).
Dans le domaine de l’IA, le raisonnement en chaîne de pensée pour les grands modèles linguistiques consiste à décomposer un problème en étapes intermédiaires plus petites afin d’améliorer la qualité du résultat final. L’obtention d’une réponse prend généralement plus de temps, cependant celle-ci a plus de chances d’être correcte, en particulier dans un contexte de logique ou de programmation. Les modèles de raisonnement sont développés à partir de grands modèles linguistiques traditionnels et optimisés pour la pensée en chaîne grâce à l’apprentissage par renforcement.
Cette actualité s’inscrit dans une dynamique plus large qui mérite d’être suivie.
Dans le même ordre d’idées :
Source originale : TechCrunch AI : TechCrunch AI