Les progrès de l'intelligence artificielle sont portés par l'apprentissage automatique, l'apprentissage profond et le traitement automatique du langage. Ces techniques, fondées sur des réseaux de neurones, permettent à des systèmes d'apprendre à partir de grandes quantités de données plutôt que d'être programmés tâche par tâche.
Les avancées techniques
L'apprentissage profond a permis, à partir des années 2010, des progrès décisifs en reconnaissance d'images et de parole.
L'architecture des transformeurs, introduite en 2017, a ensuite transformé le traitement du langage : elle permet de traiter une séquence entière en parallèle et de pondérer les relations entre ses éléments, ce qui a rendu possibles les grands modèles de langue.
L'apprentissage par renforcement, où un système optimise son comportement à partir de retours reçus dans un environnement, a produit des résultats notables dans les jeux de stratégie, la robotique et l'optimisation de ressources.
Le passage à l'échelle, davantage de données, de paramètres et de puissance de calcul, a joué un rôle au moins aussi important que les avancées conceptuelles.
Les modèles génératifs
Les réseaux antagonistes génératifs, puis les modèles de diffusion et les modèles de langue pré-entraînés, produisent images, textes, sons et vidéos.
Ils ont ouvert des usages nouveaux dans la création assistée et posé, du même mouvement, des questions sur l'originalité, sur les droits des auteurs dont les œuvres ont servi à l'entraînement, et sur la traçabilité des contenus produits.
Une limite est bien documentée et mérite d'être connue de tout utilisateur : ces modèles produisent des énoncés plausibles, pas nécessairement exacts. Ils peuvent affirmer avec assurance des faits inexistants, citer des sources qui n'existent pas et se tromper sur des calculs simples. Toute information sensible doit être vérifiée auprès d'une source primaire.
Les applications
En santé : aide au diagnostic par imagerie, tri de dossiers, recherche de molécules, prédiction de structures de protéines, domaine où les résultats ont été spectaculaires.
Dans l'industrie : maintenance prédictive, contrôle qualité par vision, optimisation de procédés et de consommation énergétique.
Dans les services : traduction, synthèse documentaire, relation client, détection de fraude.
Dans les transports : aide à la conduite, planification, gestion de flotte.
Et dans la recherche scientifique, où ces outils accélèrent le traitement de volumes de données que nul ne pourrait examiner autrement.
Les questions ouvertes
Les biais : un système entraîné sur des données reflétant des inégalités existantes les reproduit, parfois en les amplifiant. C'est le problème le mieux documenté et le plus difficile à traiter.
L'explicabilité : les modèles les plus performants sont les moins interprétables, ce qui pose problème dans les domaines où une décision doit être motivée, crédit, emploi, justice, santé.
Les données personnelles : les conditions de collecte des corpus d'entraînement font l'objet de contentieux et de décisions d'autorités de protection.
L'emploi : les études disponibles convergent moins sur une disparition massive de métiers que sur une transformation des tâches, très inégale selon les secteurs.
Et l'empreinte environnementale : l'entraînement et surtout l'usage à grande échelle de ces modèles consomment une électricité et une eau de refroidissement considérables, sujet longtemps ignoré et désormais mesuré.
Le cadre réglementaire
L'Union européenne s'est dotée d'un règlement sur l'intelligence artificielle, fondé sur une approche par les risques : interdiction de certains usages, obligations renforcées pour les systèmes à haut risque, exigences de transparence pour les contenus générés, et régime particulier pour les modèles à usage général.
Son application est progressive, avec des échéances échelonnées.
Pour une organisation, les questions pratiques sont désormais : quels usages sont mis en œuvre, avec quelles données, sous quel contrôle humain, et avec quelle information des personnes concernées.