CATALOGUE IA Comprendre l’IA : origines, fonctionnement, usages et responsabilités

Comment fonctionne l’intelligence artificielle générative

Retour à la formation
Chapitre 2 Leçon 3
Précédent
Suivant

Découvrez les principes fondamentaux de l’intelligence artificielle générative : des concepts de base tels que la tokenisation, le contexte et la température, jusqu’aux mécanismes spécifiques pour générer du texte, des images et du son. Mettez en lumière la distinction entre IA discriminante et générative et comprenez le rôle crucial du prompt dans la qualité des résultats obtenus.

Détails de la leçon

Description de la leçon

Cette leçon propose une immersion complète dans le fonctionnement de l’intelligence artificielle générative. Après un rappel de la différence fondamentale entre IA discriminante et IA générative – la première se limitant à classer et à reconnaître, tandis que la seconde crée véritablement de nouvelles données – la vidéo détaille les mécanismes internes des différents outils de génération.


La création de texte par les modèles comme GPT repose sur des enchaînements probabilistes, la tokenisation des entrées, et un usage du contexte pour garantir la cohérence des réponses. Le réglage de la température influence directement la créativité des productions, offrant ainsi un éventail de sorties allant du factuel à l’original.


Pour l’image, la méthode des modèles de diffusion est expliquée à travers l’analogie du sculpteur, soulignant le passage du chaos, incarné par le bruit aléatoire, vers une représentation visuelle ordonnée à partir du prompt utilisateur.


En ce qui concerne la génération de son ou de musique, la leçon insiste sur la transposition préalable en spectrogrammes — images des fréquences — qui sont ensuite converties en audio exploitable. Ainsi, qu’il s’agisse de texte, d’image ou de son, l’IA se fonde sur des statistiques avancées et l’optimisation du prompt demeure déterminant pour obtenir des résultats pertinents. Enfin, la leçon énonce l’importance de l’humain dans le processus, positionnant l’utilisateur comme véritable chef d’orchestre de la création assistée par IA.

Objectifs de cette leçon

L’objectif de cette vidéo est de familiariser le spectateur avec le fonctionnement interne des modèles d’intelligence artificielle générative. Elle permet de distinguer IA discriminante et générative, de comprendre les principes de tokenisation, de contextualisation, de régulation de la créativité par la température, ainsi que les mécanismes de génération d’images et de sons. Enfin, elle met en avant le rôle stratégique du prompt pour obtenir des résultats satisfaisants.

Prérequis pour cette leçon

Une connaissance générale de l’informatique et une compréhension basique des concepts d’intelligence artificielle (classification, reconnaissance) sont utiles mais non indispensables. Aucun prérequis technique avancé n’est exigé.

Métiers concernés

Les technologies décrites dans cette vidéo sont pertinentes pour de nombreux métiers : data scientists, ingénieurs IA, créateurs de contenu, artistes numériques, spécialistes du marketing digital, enseignants, et toute profession impliquant la création, la gestion ou l’analyse de données générées par intelligence artificielle.

Alternatives et ressources

Au-delà de ChatGPT, Midjourney, Gemini ou Sora, d’autres solutions existent telles que Stable Diffusion ou DALL·E pour l’image, Bard ou Llama pour le texte, ainsi que AudioLM ou VALL-E pour le son.

Questions & Réponses

L’IA discriminante analyse et classe des données existantes, répondant à la question « qu’est-ce que c’est ? » sans rien produire de nouveau. À l’inverse, l’IA générative produit des données inédites (texte, image ou son) en réponse à une commande ou un prompt, créant ainsi des contenus originaux.
Elle utilise un modèle de diffusion : l’IA commence par générer une image aléatoire, semblable à du bruit, puis, guidée par le prompt, élimine ce bruit petit à petit pour révéler progressivement une image cohérente correspondant à la demande initiale.
La température ajuste le degré de créativité du modèle. Une température basse (ex : 0,1) rend le texte plus factuel et prévisible, tandis qu’une température élevée (ex : 0,9) favorise l’originalité, mais avec un risque accru d’erreurs ou d’incohérences.