Une intelligence artificielle, concrètement, ça ressemble à quoi ? La question paraît naïve, et pourtant peu de gens qui s'en servent tous les jours sauraient y répondre. La réponse tient en une phrase : c'est un fichier rempli de nombres. Tout le reste de cet article sert à expliquer comment un fichier de nombres peut rédiger un compte rendu, et pourquoi cette réponse, loin de banaliser l'IA, la rend nettement plus intéressante.
Aucune connaissance technique n'est nécessaire pour lire ce qui suit, et il n'y aura pas une seule ligne de mathématiques.
Une métaphore venue de 1943
Commençons par le vocabulaire, parce que c'est lui qui complique tout. L'expression « réseau de neurones » remonte à 1943. Un neurophysiologiste et un logicien cherchaient alors à construire un modèle mathématique très simplifié du fonctionnement des neurones biologiques : une unité reçoit plusieurs signaux, les combine, et en émet un à son tour selon une règle simple. Reliez beaucoup de ces unités entre elles, et vous obtenez l'ancêtre direct de nos modèles actuels. L'analogie était pertinente pour ce qu'ils étudiaient, elle était élégante, et elle est restée.
Quatre-vingts ans plus tard, elle nous joue un tour, et par les deux bouts. D'un côté, les unités utilisées aujourd'hui sont restées aussi rudimentaires qu'en 1943. De l'autre, les neurosciences ont découvert entre-temps que les vrais neurones sont infiniment plus riches que ce modèle. Les deux mondes se sont éloignés, mais le mot est resté, et il fait spontanément imaginer un cerveau miniature. À partir de là, tout devient mystérieux.
La réalité est différente, et surtout beaucoup plus simple à se représenter. Le temps de cet article, mettons donc l'image du cerveau de côté et regardons ce qu'il y a dans le dossier.
Un modèle, c'est un fichier
Un modèle d'IA, qu'il soit installé dans vos locaux ou hébergé chez un géant américain, se présente à peu près toujours de la même façon : un petit dossier de quelques fichiers. Un seul est volumineux, et il contient tout le savoir-faire. Les autres sont minuscules et servent de mode d'emploi. Le compte exact varie selon la façon dont le modèle est distribué, certains formats regroupant même le tout dans un fichier unique, mais le principe ne change pas.
Le poids de ce gros fichier varie énormément d'un modèle à l'autre, et c'est ce qui décide de la machine capable de le faire tourner. Pour rester concret, tous les chiffres de cet article proviennent d'un même modèle, de taille moyenne, que nous faisons tourner en production. Un modèle plus petit ou plus gros afficherait d'autres nombres, mais exactement la même structure.
Vous pouvez le copier, le compresser, le poser sur une clé USB, l'envoyer par la poste. Tant que rien ne le lit, il ne fait strictement rien : pas de processus en tâche de fond, pas de veille, pas d'activité. Il est aussi inerte qu'une photo de vacances.
Dedans, il n'y a que des nombres
Ouvrons le gros fichier. On y trouve une liste de nombres, presque tous minuscules, de l'ordre du centième ou du millième, avec ici et là quelques valeurs bien plus grandes. Une très longue liste : douze milliards pour notre exemple.
C'est d'ailleurs exactement ce que désignent les chiffres affichés dans les noms de modèles. Le « 7B », le « 12B » ou le « 70B » que l'on voit passer un peu partout, c'est le nombre de nombres, exprimé en milliards. Vous savez désormais déchiffrer ces étiquettes : elles annoncent la longueur de la liste, et rien d'autre. Un modèle « 70B » n'est pas plus savant par nature, il a simplement dix fois plus de réglages, et il pèse dix fois plus lourd sur la machine qui doit le faire tourner.
Prenons un exemple. Dans notre modèle, le mot « bonjour » existe sous la forme de 3 840 nombres, dont voici les premiers, tels qu'ils figurent réellement dans le fichier :
0.02759, -0.02759, 0.00054, 0.02441, -0.02185, 0.00433, 0.00723, -0.00531…
Voilà tout ce que « bonjour » signifie pour la machine. Et le plus étonnant est ceci : aucun ingénieur n'a jamais tapé ce 0.02759, et personne au monde ne saurait vous expliquer pourquoi il vaut cela plutôt qu'autre chose. Pris isolément, aucun de ces nombres ne veut rien dire. C'est leur réglage collectif, et lui seul, qui produit quelque chose d'utile.
Un nombre seul ne représente rien, exactement comme un pixel isolé ne montre aucune image. C'est uniquement l'organisation de ces milliards de valeurs les unes par rapport aux autres qui fait apparaître un comportement utile.
Il n'y a d'ailleurs, dans ce fichier, aucune règle écrite. Personne n'a codé « si on te demande un contrat, réponds ceci ». Pas une instruction, pas une phrase, pas une base de données. Uniquement le réglage.
Entendons-nous bien : des ingénieurs ont travaillé, et beaucoup. Ils ont conçu l'architecture du modèle, choisi le nombre de couches, sélectionné les textes d'entraînement, mis au point la méthode. Mais ils ont construit la machine qui apprend, pas les connaissances qu'elle en tire. C'est une distinction fondamentale, et c'est ce qui explique qu'aucun d'entre eux ne puisse justifier la valeur d'un nombre en particulier.
D'où viennent ces nombres ?
D'un processus dont le principe tient en trois lignes, et c'est peut-être le plus beau de l'affaire.
On prend un texte réel. On le coupe au milieu d'une phrase et on demande au modèle de deviner le mot suivant. Le texte, lui, contient déjà la bonne réponse, puisqu'on sait quel mot vient après. On compare, et on ajuste très légèrement les nombres dans le sens qui aurait donné une meilleure réponse. Puis on recommence, avec le mot suivant, et le texte suivant.
Remarquez l'élégance du procédé : à ce stade, le professeur, c'est le texte lui-même. Personne n'a eu besoin d'annoter quoi que ce soit, ni d'expliquer la grammaire, ni de définir le moindre concept. Il suffit de cacher le mot suivant et de vérifier. C'est ce qui a rendu l'échelle possible : on peut faire lire des millions de livres à la machine sans payer un seul correcteur.
Aucun humain ne corrige quoi que ce soit à la main, et aucun ne le pourrait : il y a des milliards de nombres à ajuster, et chaque correction est infime. Ce qui produit un modèle capable de rédiger, ce n'est pas la finesse de l'opération, c'est sa répétition à une échelle vertigineuse, sur des milliers de machines, pendant des mois.
Cette première phase, la plus longue et de loin la plus coûteuse, donne un modèle qui complète du texte mais qui ne sait pas tenir une conversation. Vient donc une seconde étape, bien plus courte, où des humains entrent enfin en scène : on montre au modèle des exemples de bonnes réponses, et des personnes classent celles qu'il produit, de la meilleure à la pire. Ce jugement humain sert à ajuster les nombres une dernière fois. C'est ce qui transforme un compléteur de texte en assistant, et c'est aussi là que sont installés les garde-fous. Même à cette étape, notez-le, aucun humain ne touche jamais un nombre à la main : ils fournissent un avis, la machine le traduit en ajustements.
Un point mérite ensuite d'être retenu, car il éclaire tout le reste : une fois cet entraînement terminé, les nombres sont figés. Le modèle que vous utilisez au quotidien ne se modifie pas tout seul. Il reste possible de le reprendre plus tard, lors d'une opération volontaire et distincte, pour le spécialiser sur un métier ou un vocabulaire particulier. Mais c'est une décision d'ingénierie que l'on prend, pas quelque chose qui arrive au fil de vos conversations.
Ce que ce mécanisme explique
Ce détour n'est pas de la culture générale. Chacun de ces faits éclaire une question que se posent tous les dirigeants que nous rencontrons.
- Pourquoi faut-il lui donner vos documents ? Puisqu'il n'y a pas de base de données à l'intérieur, un modèle brut ne contient aucun de vos contrats, aucun de vos tarifs, rien de votre entreprise. Il faut donc lui donner accès à vos documents séparément, et la qualité de cet accès compte souvent davantage que le choix du modèle lui-même.
- Le modèle apprend-il de mes questions ? Pas lui, non : le fichier est figé, en lecture seule, et lui poser une question ne modifie pas un seul de ses nombres. La vraie question porte ailleurs. Rien n'empêche un fournisseur en ligne de conserver vos échanges à côté, dans ses propres journaux, et de s'en servir pour entraîner la version suivante. C'est un sujet contractuel, pas technique, et c'est là qu'il faut regarder.
- Pourquoi est-il si à l'aise, et pourquoi se trompe-t-il sur un chiffre ? Les deux ont la même origine. Le modèle estime en permanence le mot le plus probable après les précédents, ce qui lui donne cette fluidité remarquable. Mais un montant ou une date produits de cette façon sont d'abord plausibles, pas nécessairement exacts. La fluidité et l'erreur sont les deux faces du même mécanisme, et c'est pourquoi un chiffre qui engage votre entreprise doit venir d'une source vérifiée plutôt que de la mémoire du modèle.
- Peut-il vivre chez moi ? C'est la conséquence la plus directe. Un fichier tient sur une machine, et rien n'oblige cette machine à être à l'autre bout du monde : elle peut être dans vos locaux. Attention toutefois à ne pas en conclure que c'est trivial : comme le montre le schéma plus haut, tout dépend de la taille du modèle. Le fichier peut vivre chez vous, mais il faut lui construire un logement à sa mesure. C'est précisément le travail de dimensionnement qui précède toute installation.
Ce dernier point éclaire une objection fréquente : « ce modèle a été conçu par un géant américain, donc il verra mes données ». Utiliser une IA en ligne, c'est écrire vos documents dans Google Docs : par construction, tout ce que vous tapez part chez l'éditeur, puisque c'est là que le travail s'effectue. Faire tourner le même modèle chez vous, c'est utiliser Word sur votre PC : Microsoft a écrit le logiciel, mais votre texte n'a aucune raison de quitter votre machine pour être traité.
Une précision, pour ne rien promettre de plus que la vérité. Cette analogie porte sur un point, et sur lui seul : l'endroit où s'effectue le traitement. Ce que l'exécution locale garantit, c'est que vos documents ne partent pas chez le fabricant du modèle pour être traités, puisqu'ils sont traités chez vous.
Autrement dit, qui a fabriqué le modèle et où vont vos données sont deux questions séparées. La première regarde l'origine d'un fichier. La seconde regarde l'endroit où vous branchez la prise.
Comprendre ne retire rien
On pourrait croire qu'expliquer le mécanisme le banalise. C'est l'inverse qui se produit, et c'est notre expérience à chaque fois que nous le présentons à un dirigeant.
Des milliards de nombres, que personne n'a écrits, obtenus en devinant des mots manquants des milliards de fois, et il en sort une machine capable de résumer quarante pages ou de reformuler un courrier. Savoir de quoi c'est fait ne diminue pas le résultat : cela le rend plus remarquable.
Il faut d'ailleurs reconnaître une limite à cette explication. Savoir qu'un modèle est une liste de nombres ne permet de prédire à peu près rien de ce qu'il va répondre. Personne, pas même ceux qui les fabriquent, ne sait lire ces milliards de nombres et en déduire un comportement. On comprend parfaitement la mécanique, et on ne comprend pas encore le résultat. C'est l'un des aspects les plus fascinants du domaine aujourd'hui.
Ce que la compréhension apporte, en revanche, c'est l'autonomie. Un dirigeant qui sait qu'un modèle est un fichier de nombres, sans base de données ni règles écrites à l'intérieur, pose de meilleures questions à ses fournisseurs. Il comprend pourquoi il faut donner ses documents à l'outil. Il sait d'où vient une erreur sur un montant. Il sait que l'endroit où vivent ses données relève d'un choix, et que ce choix a un coût matériel qu'il peut faire chiffrer.
Ces questions-là, vous pouvez désormais les poser à n'importe quel prestataire. À nous compris, et c'est très bien ainsi : installer ces fichiers dans les locaux d'entreprises françaises est précisément notre métier, et nous préférons des clients qui comprennent ce qu'ils achètent à des clients qui nous croient sur parole.
Questions fréquentes
Une intelligence artificielle contient-elle une base de données ?
Non. Un modèle est un fichier de nombres, sans base de données ni règles écrites à l'intérieur. Il ne contient aucun de vos documents : c'est pourquoi il faut lui donner accès à vos données séparément.
Un modèle d'IA apprend-il de mes questions ?
Non. Une fois entraîné, le fichier est figé et ne se modifie pas quand vous l'utilisez. En revanche, un service en ligne peut conserver vos échanges dans ses journaux : c'est un sujet contractuel, pas technique.
Pourquoi une IA peut-elle se tromper sur un chiffre tout en étant très fluide ?
Parce qu'elle prédit le mot le plus probable après les précédents. Cette mécanique donne sa fluidité, mais un montant produit ainsi est plausible avant d'être exact. Un chiffre qui engage votre entreprise doit toujours venir d'une source vérifiée.
Peut-on faire tourner un modèle d'IA dans ses propres locaux ?
Oui. Un modèle est un fichier, et la machine qui le fait tourner peut être dans vos locaux. La faisabilité dépend de sa taille : un petit modèle tient sur un ordinateur portable, un modèle utile en entreprise demande une carte graphique dédiée.