Une carte de l'IA : six domaines et ce que chacun fait

Sous l'étiquette d'intelligence artificielle coexistent six domaines aux techniques très différentes : générer du contenu, voir, écouter, lire, extraire des données de documents et veiller aux limites. Choisir mal coûte de l'argent et du temps, parce que chaque domaine a sa manière de s'entraîner et son type de résultat. Ce post parcourt les six avec la tâche que chacune résout. Ce qui suit vient du module « Introduction to AI concepts » de Microsoft Learn.

Générer : l'IA générative

L'IA générative est la branche qui produit du contenu nouveau (dialogues, images, vidéo, code) à partir de prompts, qui sont les instructions écrites en langage naturel : dialogue, image ou code sortent de cette requête écrite. Derrière, il y a des modèles entraînés sur de grands volumes de données qui encapsulent des relations sémantiques : ils savent qu'un chien aboie sans que personne ne leur ait expliqué le mot.

À l'intérieur, deux tailles coexistent. Les LLM (large language models) généralisent bien et coûtent plus cher ; les SLA (small language models) tiennent dans des domaines bornés ou quand le modèle doit tourner sur l'appareil lui-même, sans sortir sur internet. Les LLM sont puissants et généralistes, les SLA sont plus petits et ajustés à un domaine spécifique ou à un appareil local, donc le choix se fait en regardant la tâche et le lieu où elle va tourner.

Un agent a trois pièces

Un agent IA est une application qui raisonne et agit, et il s'assemble à partir de trois pièces : un LLM qui fait le cerveau, les instructions qui définissent son rôle dans un message système, et des outils. Les outils peuvent être de connaissance, comme un moteur de recherche ou une base de données, ou d'action, comme envoyer un e-mail, mettre à jour un calendrier ou contrôler un appareil. La distinction compte à la conception : un agent qui a seulement besoin de savoir ce qui se passe consulte des sources de connaissance, et pour des tâches qui changent quelque chose il faut un outil d'action. Avec ces trois pièces, les agents automatisent des tâches et collaborent comme assistants numériques.

flowchart LR
    Brain[LLM : raisonne et rédige] -->|lit| Instr[Instructions : rôle et limites]
    Instr -->|délègue à| Tools[Outils]
    Tools -->|connaissance| Conoc[Moteurs de recherche et bases de données]
    Tools -->|action| Accion[E-mail, calendrier et appareils]

Le diagramme se lit de haut en bas : le modèle raisonne, les instructions lui marquent le rôle et les outils sont ce qui lui permet de consulter ou d'agir sur le monde.

Voir : la vision par ordinateur

La vision par ordinateur analyse les entrées visibles en s'entraînant avec beaucoup d'images, et elle a quatre manières distinctes de répondre. La classification d'images prédit l'étiquette du sujet. La détection d'objets dit où est chacun. La segmentation sémantique marque quels pixels appartiennent à quel objet. Les modèles multimodaux combinent vision et texte et décrivent ce qu'ils voient. Les quatre types partagent un même prérequis : ils s'entraînent avec de grandes quantités d'images. Les multimodaux combinent vision et texte pour décrire ce qu'ils voient et sont la pièce qui relie ce domaine au génératif : la description est générée à partir de l'image. Les usages vont de l'étiquetage et de la recherche visuelle à la surveillance de sécurité, la reconnaissance faciale et la robotique.

Entendre : la voix

La parole se travaille par deux voies. La reconnaissance de voix passe du signal audio au texte et c'est ce qui transforme une dictée en texte écrit ; la synthèse vocale fait le chemin inverse, du texte à un signal audible, et c'est ce qui rend le texte parlé. Ensemble, elles soutiennent le cycle complet d'un assistant qui écoute et répond en parlant. Les deux évoluent vers le bruit de fond ignoré, la détection des interruptions et des voix plus expressives, ce qui fait qu'un assistant ressemble davantage à une conversation.

Lire : le traitement du langage naturel

Le traitement du langage naturel (NLP) est le terme large pour donner sens au langage et la base sur laquelle reposent les LLM génératifs. Au-delà, il y a des techniques spécialisées d'analyse de texte à résultats prévisibles, utiles quand il faut une règle concrète plutôt qu'une réponse rédigée :

Détection de langue, qui est en général la première étape de tout canal de texte.
Classification de texte et analyse de sentiment, pour savoir ce qu'on dit et de quel côté on est.
Extraction de termes clés et d'entités, avec détection et masquage des PII (informations personnelles identifiables, comme le nom ou le document d'identité).
Résumé, qui condense le texte en conservant les points principaux.

Les quatre servent quand le résultat doit sortir prévisible avec une règle personnalisée derrière. Si ce dont on a besoin est une rédaction libre, c'est le modèle génératif qui donne la sortie ; s'il faut une classification qui sorte toujours pareille, c'est le NLP qui la donne.

D'un document à un champ : l'extraction d'informations

L'extraction d'informations automatise l'obtention de données à partir de sources non structurées. La base est l'OCR (reconnaissance optique de caractères) de la vision par ordinateur, qui localise le texte dans une image, combiné avec un modèle analytique qui interprète les valeurs et extrait des champs concrets : d'un reçu sortent le montant, la date et le commerce, prêts à apparier une note de frais. Les deux étapes se partagent le travail : l'OCR trouve où c'est écrit, le modèle analytique décide ce que cela signifie. Le même schéma sert à traiter des formulaires, digitaliser en masse, indexer des documents pour la recherche et sortir des actions de réunions. Et la frontière se déplace : de plus en plus de modèles lisent l'audio, les images et la vidéo en plus du texte.

Les limites : l'IA responsable

L'IA responsable s'appuie sur des garde-fous, comme les filtres de contenu, plus six principes qui doivent traverser la conception, le design, l'implémentation et l'opération : équité, fiabilité et sécurité, confidentialité et sécurité, inclusion, transparence et responsabilité. Les filtres coupent le contenu déplacé, mais ne remplacent pas les principes : ils se considèrent de la conception à l'opération, avec le cadre de gouvernance de l'organisation derrière.

Les modèles sont probabilistes, pas infaillibles, et les traiter comme infaillibles est l'erreur la plus chère. L'équité demande de minimiser le biais dans les données et de tester ; la confidentialité demande de protéger les données d'entraînement et d'empêcher le modèle de révéler de l'information ; la transparence demande d'expliquer comment cela fonctionne et quels sont ses limites ; la responsabilité vise le cadre de gouvernance de l'organisation.

Appliqué à un cas, l'examen ressemble à ceci : un agent avec voix pour les clients, est-il juste avec les différents accents ? Que se passe-t-il quand il doute ? Garde-t-il des données personnelles ? Génère-t-il des sous-titres pour ceux qui n'entendent pas ? Explique-t-il ses limites ? Qui répond de ses erreurs ?

Le même questionnaire sert à réviser toute sortie générée avant de la publier : si l'agent doute, il vaut mieux qu'il le dise dans la réponse ; si le système touche des données personnelles, il ne doit pas les renvoyer en clair ; et s'il ne peut pas expliquer comment il est arrivé au résultat, il reste du travail sur la transparence.

flowchart TD
    IA[Intelligence artificielle] --> G[Generative : crée du contenu avec des prompts]
    IA --> V[Vision : classe, localise et décrit les images]
    IA --> S[Voix : transcrit et synthétise la parole]
    IA --> N[NLP : détecte langue, sentiment, entités et résume]
    IA --> E[Extraction : d'un document aux champs]
    IA --> R[Responsable : six principes sur tout le cycle]

En termes simples : si la tâche est de créer ou de converser, génératif ; si c'est de compter, localiser ou décrire, vision ; si c'est de transcrire ou de donner la voix, voix ; s'il faut classer ou résumer avec une règle, NLP ; s'il faut lire des documents et en sortir des champs, extraction. Les six principes ne sont pas un domaine à part : ils traversent les cinq précédents de la conception à l'opération.

Quatre cas et leur domaine

La théorie s'atterrit avec quatre tâches quotidiennes de n'importe quelle équipe :

Un chat qui répond à des questions sur une entreprise : IA générative, avec un prompt utilisateur et un LLM derrière.
Un robot qui évite de percuter : vision par ordinateur, avec un seuil de confiance qui décide s'il se déclenche.
Une dictée de notes : reconnaissance de voix, de l'audio au texte.
Digitaliser des reçus vers les champs d'un système : OCR combiné avec un modèle d'extraction.

Les quatre cas partagent une routine : regarder quelle sortie la tâche a besoin, la situer dans l'un des six domaines, et seulement ensuite choisir le modèle et la taille. Le saut inverse, choisir le modèle d'abord et ensuite lui demander ce qu'on peut en faire, c'est comme choisir un outil et aller chercher un clou.

*Source : le module « Introduction to AI concepts » de Microsoft Learn.*