Alors que l’IA générative continue de progresser, elle devient de plus en plus présente dans les conversations quotidiennes, intégrant des termes tels que « apprentissage automatique » et « incitations » dans des discussions informelles autour d’un café. Il est essentiel de rester au fait du vocabulaire de l’IA en expansion, qui comprend des notions allant de la planification dans les systèmes d’IA aux spécificités des Petits Modèles Linguistiques (SLMs).
Les systèmes d’IA démontrent désormais des capacités impressionnantes de résolution de problèmes, similaires au raisonnement humain. Ils apprennent à partir de données historiques pour créer des plans et exécuter une séquence d’actions visant à atteindre des objectifs spécifiques. Par exemple, une IA pourrait organiser une visite dans un parc d’attractions en programmant les attractions de manière stratégique tout en veillant à ce qu’une attraction aquatique soit planifiée pour la partie la plus chaude de la journée.
Il y a deux étapes essentielles dans le déploiement d’un système d’IA : la formation et l’inférence. La formation consiste à éduquer le système en utilisant des ensembles de données afin qu’il puisse faire des prédictions ou accomplir des tâches. Par exemple, il pourrait apprendre à prédire les prix des maisons en analysant des données de ventes historiques. L’inférence intervient lorsque le système utilise les modèles appris pour prédire le prix d’une nouvelle maison sur le marché.
De plus, nous pouvons différencier les Grands Modèles Linguistiques (LLMs) de leurs homologues plus petits, les SLMs. Alors que les LLMs nécessitent une puissance de calcul substantielle, les SLMs fonctionnent sur des ensembles de données plus petits et nécessitent moins de paramètres, ce qui les rend adaptés à une utilisation sur des appareils mobiles pour des requêtes simples.
Un autre concept est l’ancrage, qui fait référence à l’ancrage d’un modèle d’IA à des données du monde réel pour améliorer la précision et fournir des réponses pertinentes. Les développeurs d’IA visent à atténuer le problème de l’IA fournissant des informations inexactes ou obsolètes, communément appelées hallucinations.
Le modèle de génération augmentée par récupération (RAG) permet aux systèmes d’IA d’accéder à des bases de données externes pour améliorer la précision et la pertinence actuelle, tout comme l’ajout de connaissances supplémentaires sans reprogrammation extensive.
L’orchestration de l’IA guide les systèmes d’IA à travers les tâches pour délivrer des réponses optimales. Par exemple, il peut stocker l’historique des conversations pour comprendre les indices contextuels dans les questions de suivi.
Enfin, bien que les modèles d’IA actuels ne possèdent pas de mémoire réelle, l’orchestration peut aider à simuler la mémoire, stockant temporairement des informations pour informer les interactions actuelles, ou utilisant des bases de données selon le schéma RAG pour des réponses les plus à jour possibles.