L'intelligence artificielle (IA) englobe de nombreuses technologies émergentes et complexes qui nécessitaient auparavant une intervention humaine et peuvent désormais être effectuées par un ordinateur. De manière générale, l'IA est un programme ou un modèle non humain qui démontre un large éventail de capacités de résolution de problèmes et de créativité.
Les ordinateurs peuvent effectuer des fonctions avancées, qui étaient traditionnellement utilisées pour comprendre et recommander des informations. Aujourd'hui, grâce à l'IA, les ordinateurs peuvent même générer de nouveaux contenus.
L'acronyme "IA" est souvent utilisé de manière interchangeable pour représenter différents types de technologies dans le domaine de l'intelligence artificielle, mais leur champ d'application peut varier considérablement.
De nombreux termes et concepts définissent l'intelligence artificielle et le machine learning, et peuvent vous être utiles. Voici quelques exemples de cas d'utilisation de l'IA sur le Web.
IA générative et grands modèles de langage
L'IA générative est une forme d'apprentissage automatique qui aide les utilisateurs à créer des contenus qui semblent familiers et qui imitent la création humaine. L'IA générative utilise de grands modèles de langage pour organiser les données et créer ou modifier du texte, des images, des vidéos et de l'audio en fonction du contexte fourni. L'IA générative va au-delà de la mise en correspondance de modèles et des prédictions.
Un grand modèle de langage (LLM) comporte de nombreux paramètres (souvent des milliards) que vous pouvez utiliser pour effectuer un large éventail de tâches, telles que la génération, la classification ou le résumé de texte ou d'images.
Les chatbots sont devenus des outils incroyablement populaires pour les utilisateurs de l'IA générative, par exemple:
Ces outils peuvent créer des textes, des exemples de code et des illustrations. Ils peuvent vous aider à planifier des vacances, à adoucir ou à professionnaliser le ton d'un e-mail, ou à classer différents ensembles d'informations en catégories.
Les cas d'utilisation sont infinis pour les développeurs et les non-développeurs.
IA côté client
Alors que la plupart des fonctionnalités d'IA sur le Web reposent sur des serveurs, l'IA côté client s'exécute dans le navigateur de l'utilisateur et effectue des inférences sur son appareil. Cela offre une latence plus faible, des coûts côté serveur réduits, l'abandon des exigences concernant les clés API, une confidentialité accrue pour les utilisateurs et un accès hors connexion. Vous pouvez implémenter une IA côté client qui fonctionne dans tous les navigateurs avec des bibliothèques JavaScript, y compris Transformers.js, TensorFlow.js et MediaPipe.
Il est possible qu'un petit modèle côté client optimisé surpasse un modèle côté serveur plus volumineux, en particulier lorsqu'il est optimisé pour les performances. Évaluez votre cas d'utilisation pour déterminer la solution qui vous convient le mieux.
IA côté serveur
L'IA côté serveur englobe les services d'IA cloud. Imaginez Gemini 1.5 Pro exécuté sur un cloud. Ces modèles ont tendance à être beaucoup plus volumineux et plus puissants. C'est particulièrement vrai pour les grands modèles de langage.
IA hybride
L'IA hybride désigne toute solution incluant à la fois un composant client et un composant serveur. Par exemple, vous pouvez utiliser un modèle côté client pour effectuer une tâche et revenir à un modèle côté serveur lorsque la tâche ne peut pas être effectuée sur l'appareil.
Machine learning (ML)
Le machine learning (ML) est le processus par lequel un ordinateur apprend et effectue des tâches sans programmation explicite. Alors que l'IA s'efforce de générer de l'intelligence, le ML consiste en des algorithmes permettant de faire des prédictions sur des ensembles de données.
Par exemple, supposons que vous souhaitiez créer un site Web qui évalue la météo d'un jour donné. Traditionnellement, cette tâche peut être effectuée par un ou plusieurs météorologues, qui peuvent créer une représentation de l'atmosphère et de la surface de la Terre, calculer et prédire les modèles météorologiques, et déterminer une note en comparant les données actuelles au contexte historique.
À la place, nous pourrions fournir à un modèle de ML une énorme quantité de données météorologiques, jusqu'à ce qu'il apprenne la relation mathématique entre les modèles météorologiques, les données historiques et les consignes sur ce qui rend la météo bonne ou mauvaise un jour donné. En fait, nous l'avons créé sur le Web.
Deep learning
Le deep learning (DL) est une classe d'algorithmes de ML. Les réseaux de neurones profonds (DNN, Deep Neural Network) en sont un exemple. Ils tentent de modéliser la façon dont le cerveau humain traite les informations.
Un algorithme de deep learning peut être entraîné pour associer certaines caractéristiques d'images à un libellé ou une catégorie spécifique. Une fois entraîné, l'algorithme peut effectuer des prédictions qui identifient cette même catégorie dans de nouvelles images. Par exemple, Google Photos peut faire la différence entre un chat et un chien sur une photo.
Traitement du langage naturel (TLN)
Le traitement du langage naturel est une classe de ML qui vise à aider les ordinateurs à comprendre le langage humain, des règles d'une langue particulière aux particularités, au dialecte et à l'argot utilisés par les individus.
Défis liés à l'IA
La création et l'utilisation de l'IA présentent plusieurs défis. Voici quelques points à prendre en compte.
Qualité et actualité des données
Les grands ensembles de données utilisés pour entraîner divers modèles d'IA sont souvent obsolètes peu de temps après leur utilisation. Par conséquent, lorsque vous recherchez les informations les plus récentes, vous pouvez bénéficier de l'ingénierie des requêtes pour améliorer les performances d'un modèle d'IA sur des tâches spécifiques et obtenir de meilleurs résultats.
Les ensembles de données peuvent être incomplets ou trop petits pour prendre en charge efficacement certains cas d'utilisation. Il peut être utile d'essayer de travailler avec plusieurs outils ou de personnaliser le modèle en fonction de vos besoins.
Questions d'éthique et de biais
La technologie d'IA est passionnante et offre un grand potentiel. Cependant, en fin de compte, les ordinateurs et les algorithmes sont conçus par des humains, entraînés sur des données qui peuvent être collectées par des humains et sont donc soumis à plusieurs défis. Par exemple, les modèles peuvent apprendre et amplifier les biais humains et les stéréotypes nuisibles, ce qui a un impact direct sur la sortie. Il est important d'aborder le développement de la technologie d'IA en privilégiant la réduction des biais.
De nombreuses considérations éthiques sont liées aux droits d'auteur des contenus générés par IA. À qui appartient le résultat, en particulier s'il est fortement influencé par du contenu protégé par des droits d'auteur ou copié directement à partir de ce contenu ?
Avant de générer de nouveaux contenus et idées, consultez les règles existantes sur l'utilisation des contenus que vous créez.
Sécurité et confidentialité
De nombreux développeurs Web ont déclaré que la confidentialité et la sécurité étaient leurs principales préoccupations concernant l'utilisation d'outils d'IA. C'est particulièrement vrai dans les contextes d'entreprise où les exigences en matière de données sont strictes, comme les gouvernements et les entreprises de santé. L'exposition des données utilisateur à davantage de tiers avec les API cloud est un problème. Il est important que toute transmission de données soit sécurisée et surveillée en permanence.
L'IA côté client peut être la clé pour répondre à ces cas d'utilisation. De nombreuses recherches et développements restent à accomplir.
Premiers pas avec l'IA sur le Web
Maintenant que vous connaissez les nombreux types d'intelligence artificielle, vous pouvez commencer à réfléchir à la manière d'utiliser les modèles existants pour être plus productif et créer de meilleurs sites Web et applications Web.
Vous pouvez utiliser l'IA pour:
- Créez un autocomplétion plus efficace pour la recherche sur votre site.
- Détecter la présence d'objets courants, comme des humains ou des animaux de compagnie, avec une caméra intelligente
- Traitez le spam dans les commentaires à l'aide d'un modèle de langage naturel.
- Améliorez votre productivité en activant la saisie semi-automatique pour votre code.
- Créez une expérience d'écriture WYSIWYG avec des suggestions pour le mot ou la phrase suivant.
- Fournissez une explication claire d'un ensemble de données.
- Et plus encore…
Les modèles d'IA pré-entraînés peuvent être un excellent moyen d'améliorer nos sites Web, nos applications Web et notre productivité, sans avoir besoin de comprendre parfaitement comment créer des modèles mathématiques et rassembler des ensembles de données complexes qui alimentent les outils d'IA les plus populaires.
Vous constaterez peut-être que la plupart des modèles répondent immédiatement à vos besoins, sans aucun ajustement. Le réglage consiste à prendre un modèle déjà entraîné sur un grand ensemble de données et à l'entraîner davantage pour répondre à vos besoins d'utilisation spécifiques. Il existe plusieurs techniques pour ajuster un modèle:
- L'apprentissage par renforcement qui utilise le feedback humain (RLHF) est une technique qui utilise le feedback humain pour améliorer l'alignement d'un modèle sur les préférences et les intentions humaines.
- L'adaptation à faible rang (LoRA) est une méthode efficace pour les LLM, qui réduit le nombre de paramètres enregistrables, tout en maintenant les performances du modèle.