Qu’est-ce que l’IA ?
Découvrez la différence entre un programme classique, le Machine Learning, un modèle, une application IA et un agent comme l’Agent Imọlẹ.
Objectifs de la leçon
Distinguer un programme classique d’un système qui apprend à partir de données.
Expliquer simplement le Machine Learning et le Deep Learning.
Reconnaître le rôle d’un modèle, d’une application IA et d’un agent IA dans Imọlẹ.
Pourquoi un programme commence par des règles
Un ordinateur ne comprend pas naturellement une activité, une phrase ou une photographie. Dans un logiciel classique, les développeurs décrivent les situations que le programme doit reconnaître et l’action qu’il doit effectuer.
Cette méthode fonctionne bien lorsque la règle est stable. Une application Mobile Money peut calculer des frais selon le montant envoyé, un logiciel scolaire peut refuser une note supérieure à 20 et une boutique peut réduire son stock après une vente.
La difficulté apparaît lorsqu’il existe trop de situations possibles. Écrire une règle différente pour chaque paiement frauduleux, maladie agricole, accent parlé ou question de client devient rapidement impossible.
Règle fixe
Une vendeuse au marché applique une réduction de 10 % lorsqu’un client achète plus de cinq articles. La condition et le calcul peuvent être programmés directement.
Le logiciel classique convient lorsque toutes les conditions importantes sont connues.
Trop de règles
Une banque veut reconnaître les transferts inhabituels. Montant, heure, localisation, appareil, fréquence et historique du compte peuvent se combiner de milliers de façons.
Un système d’apprentissage peut repérer des relations difficiles à énumérer manuellement.
Machine Learning et Deep Learning
Le Machine Learning est une branche de l’IA dans laquelle un système apprend des relations à partir d’exemples. Au lieu de recevoir toutes les règles de fraude, il étudie des transactions passées indiquées comme normales ou suspectes et apprend les signes qui apparaissent souvent ensemble.
Le Deep Learning est une méthode de Machine Learning capable de traiter des informations plus riches et des relations plus complexes. Il se trouve derrière une grande partie des systèmes modernes de texte, d’image, de voix, de musique et de vidéo.
Le mot apprentissage ne signifie pas que la machine comprend comme un humain. Il signifie que des valeurs mathématiques internes sont ajustées jusqu’à ce que les résultats deviennent plus utiles sur les exemples utilisés pendant l’entraînement.
Données Les exemples utilisés pour entraîner ou évaluer un système.
Anciens relevés de récolte, messages clients, images ou enregistrements.
Entraînement Le processus qui ajuste le modèle à partir des exemples.
Apprendre à distinguer des feuilles de manioc saines de feuilles malades.
Prédiction Le résultat produit pour une nouvelle information.
Estimer si une nouvelle transaction semble suspecte.
Agriculture
Un modèle étudie des milliers de photographies de feuilles et apprend les signes visuels associés à une maladie.
Le résultat est une probabilité, pas automatiquement un diagnostic agronomique.
Service client
Un système étudie des messages comme « mon transfert a échoué » ou « j’ai oublié mon code » et apprend à classer la demande.
Les exemples enseignent des catégories qui demanderaient de nombreuses règles de langage.
Modèles, applications et agents dans Imọlẹ
Un modèle est le moteur d’IA qui transforme une entrée en sortie. Un modèle de texte reçoit un message et retourne du texte. Un modèle d’image reçoit une description ou une image de référence et retourne un visuel.
Une application IA ajoute une interface utilisable autour des modèles. Le Playground Imọlẹ permet de choisir un modèle, ajouter des fichiers, régler les options disponibles, lancer une génération, comparer les essais et retrouver les résultats enregistrés.
Un agent utilise un modèle pour poursuivre un objectif plus large. L’Agent Imọlẹ peut comprendre une demande, préparer des étapes, travailler avec des fichiers et des outils, puis livrer plusieurs résultats liés au lieu d’une seule génération directe.
| Niveau | Exemple Imọlẹ | Résultat |
|---|---|---|
| Modèle | Demander à un modèle de texte trois noms pour une marque de jus. | Une réponse directe. |
| Application | Utiliser le Playground pour comparer trois modèles de texte et conserver la meilleure réponse. | Un test contrôlé avec historique et réglages. |
| Agent | Demander à l’Agent de préparer le nom, le positionnement, les textes de lancement, les visuels et la présentation. | Un travail complet composé de plusieurs étapes. |
Génération directe
Un étudiant veut reformuler clairement un paragraphe de son devoir.
Un modèle de texte dans le Playground suffit.
Résultat complet
Une coopérative a besoin d’une fiche produit, d’un argumentaire, d’images et d’une présentation pour une offre de beurre de karité.
L’Agent convient mieux, car plusieurs livrables liés sont nécessaires.