INTELLIGENCE ARTIFICIELLE GÉNÉRATIVE

Apprentissage machine

Pour comprendre ces évolutions, il faut commencer par en rappeler la généalogie, en particulier celle des différentes techniques d’apprentissage machine qui les ont permises. Dès l’origine, les chercheurs en IA ont essayé de fabriquer des machines capables d’apprendre, c’est-à-dire d’acquérir d’elles-mêmes des connaissances générales à partir de l’observation de cas singuliers. Ces tentatives relèvent de l’apprentissage machine. De multiples approches ont été expérimentées. Parmi elles, on en distingue souvent trois : l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement.

Dans l’apprentissage dit supervisé, chaque exemple proposé à la machine est assorti d’une catégorie le caractérisant. À titre d’illustration, à supposer que l’on dispose de photographies de grains de beauté, celles-ci peuvent être annotées par un dermatologue afin d’en évaluer la nocivité. Il est alors envisageable d’extraire, par apprentissage machine supervisé, ce qui caractérise cette nocivité sur une image, de sorte que, confronté à un nouveau cliché de grain de beauté, l’ordinateur soit capable d’établir un diagnostic analogue à celui d’un dermatologue. Il existe de très nombreuses techniques d’apprentissage supervisé, par exemple la construction de forêts aléatoires, les machines à vecteur de support (supportvector machine, SVM en anglais), la rétropropagation de gradient pour les réseaux de neurones formels, enfin, et surtout, l’apprentissage profond (deeplearning, en anglais) qui constitue, à partir de 2010, un progrès notable pour certains types de données (en particulier pour les données numériques, les images, les signaux de parole, etc.).

L’apprentissage par renforcement améliore le comportement d’un agent, à savoir d’une entité qui agit et perçoit des rétributions positives ou négatives de l’environnement où il se trouve. À titre d’illustration, prenons un joueur d’échecs ou de go : les actions correspondent aux différents coups possibles et les rétributions aux pièces prises et aux parties gagnées ou perdues. L’apprentissage consiste alors à déterminer la « politique » optimale, à savoir la stratégie qui maximise l’espérance de rétribution de l’agent.

Enfin, dans le cas de l’apprentissage non supervisé, les exemples sont fournis tels quels, sans information complémentaire. De ce fait, on constitue aisément de très grandes bases d’exemples, puisqu’il n’est plus nécessaire d’indiquer la catégorie ou la récompense. Jusqu’au milieu des années 2010, il était très difficile de mettre en œuvre ces techniques, ce qui expliquait leur faible diffusion. Les progrès de l’apprentissage machine – en particulier de l’apprentissage profond – ont ensuite permis la mise en œuvre de cet apprentissage non supervisé sur de très grandes quantités d’exemples, grâce à la conception des réseaux antagonistes génératifs (en anglais GAN pour generativeadversarial network) d’abord, puis l’élaboration des grands modèles de langage (en anglais LLM pour large language model). Il en est résulté des évolutions notables dans l’IA générative d’images, de textes ensuite.