Qu'est-ce que l'IA générative ?

Explication (de base) pour un étudiant :

L'IA générative est une technologie qui peut créer des contenus inédits et originaux dans les domaines des arts, de la musique, du code logiciel et de l'écriture. Lorsqu'un utilisateur entre une invite, l'intelligence artificielle génère des réponses en fonction de ce qu'elle a appris des exemples existants sur Internet, et produit souvent des résultats uniques et créatifs.

Explication (technique) pour un développeur :

L'IA générative est une branche de l'intelligence artificielle axée sur les modèles informatiques capables de générer du contenu original. En s'appuyant sur les grands modèles de langage, les réseaux de neurones et le Machine Learning, l'IA générative est capable de produire des contenus inédits comme s'ils avaient été crées par un esprit humain. Ces modèles sont entraînés à l'aide d'ensembles de données volumineux et d'algorithmes de Deep Learning qui apprennent les structures, relations et schémas sous-jacents présents dans les données. Les résultats donnent lieu à des sorties nouvelles et uniques basées sur les invites d'entrée, notamment images, vidéos, code, musique, conception, traduction, réponse aux questions et texte.

L'IA générative modélise des travaux à l'aide de réseaux de neurones, lesquels s'inspirent des neurones du cerveau humain pour apprendre des schémas et des fonctionnalités à partir de données existantes. Ces modèles peuvent ensuite générer de nouvelles données qui se conforment aux schémas qu'ils ont appris. Par exemple, un modèle d'IA générative entraîné sur un ensemble d'images peut créer de nouvelles images qui ressemblent à celles à partir desquelles il a été entraîné. De la même façon, les modèles de langage peuvent générer un texte étendu en fonction des mots qui lui ont été fournis à des fins de contexte.

L'IA générative s'appuie sur des techniques avancées comme les réseaux antagonistes génératifs (GAN), les grands modèles de langage, les modèles d'auto-encodeurs variationnels (VAE) et les transformateurs pour créer du contenu sur un éventail dynamique de domaines. Nous verrons ces approches plus en détail ci-dessous.

En apprenant à partir de vastes ensembles de données, ces modèles peuvent affiner leurs sorties à l'aide de processus d'entraînement itératifs. Le modèle analyse les relations au sein de données spécifiques, ce qui lui permet d'acquérir des connaissances à partir des exemples fournis. En ajustant leurs paramètres et en limitant la différence entre sorties souhaitées et sorties générées, les modèles d'IA générative peuvent améliorer continuellement leur capacité à produire des contenus contextuels de haute qualité. Les résultats, que ce soit un poème fantaisiste ou une réponse du support technique par chatbot, sont souvent impossibles à différencier d'un contenu généré par un humain.

Du point de vue de l'utilisateur, l'IA générative démarre souvent par une invite initiale qui guidera la génération de contenus, suivie d'un processus itératif d'aller-retour explorant et affinant les variations.

Regardez cette vidéo et découvrez le fonctionnement de l'IA générative. Vous apprendrez quels sont les aspects à prendre en compte pour sa mise en œuvre dans votre entreprise.

L'IA générative emploie différents modèles pour créer des contenus inédits et originaux. Parmi les types de modèles d'IA générative les plus courants, citons :

Réseaux antagonistes génératifs (GAN) : un GAN est constitué de deux composants clés, à savoir un réseau générateur et un réseau discriminateur. Le réseau générateur génère des données synthétiques en fonction des schémas qu'il a appris à partir des données d'entraînement. Le réseau discriminateur agit comme un juge qui évalue l'authenticité de ces données générées par rapport à des données réelles, et décide si elles sont réelles ou fausses. Le processus d'entraînement apprend au réseau générateur à produire des sorties plus réalistes, tandis que le réseau discriminateur s'améliore pour faire la distinction entre les données authentiques et les données synthétiques. L'utilisation des GAN est largement répandue dans la génération d'images. Ils ont prouvé leur aptitude à créer des visuels particulièrement réalistes, pour des résultats impressionnants.

Auto-encodeurs variationnels (VAE) : les VAE sont des réseaux de neurones qui apprennent à encoder et à décoder les données. Un encodeur compresse les données d'entrée en une représentation de plus faible dimension, qu'on appelle l'espace latent. En parallèle, un décodeur reconstruit les données d'origine à partir de l'espace latent. Les VAE permettent la génération de nouvelles données en échantillonnant des points dans l'espace latent et en les décodant en sorties significatives. Cette approche est particulièrement utile dans la synthèse d'images et la synthèse audio, dans lesquelles les représentations latentes peuvent être manipulées pour produire des sorties variées et créatives.

Grands modèles de langage : les types les plus courants de grands modèles de langage, comme ChatGPT (transformateur génératif pré-entraîné), sont entraînés sur de vastes volumes de données textuelles. Ces modèles de langage sophistiqués utilisent les connaissances venant de manuels, de sites web, de publications sur les réseaux sociaux, etc. Ils tirent parti des architectures des transformateurs pour comprendre et générer un texte cohérent d'après les invites fournies. Les modèles de transformateur constituent l'architecture la plus courante des grands modèles de langage. Composés d'un encodeur et d'un décodeur, ils traitent les données en créant un token à partir des invites fournies pour découvrir les relations qui existent entre elles.

De façon générale, les modèles de transformateur prédisent le mot qui suit dans une séquence de mots pour simuler un discours humain. Les grands modèles de langage sont capables de participer à des conversations réalistes, à répondre à des questions et à générer des réponses créatives semblables à celles qu'un humain aurait données, ce qui les rend utiles pour les applications de type linguistiques, depuis les chatbots jusqu'à la création et la traduction de contenus.

L'IA générative offre des avantages particulièrement intéressants aussi bien sur le plan personnel que sur le plan commercial. Et son impact ne fera que croître au fur et à mesure de l'évolution de la technologie. À court terme, l'un des avantages parmi les plus immédiats et les plus significatifs est le gain d'efficacité grâce à des workflows rationalisés. Grâce à l'automatisation des tâches, les personnes et les entreprises gagnent du temps, de l'énergie et des ressources. Qu'il s'agisse de préparer un e-mail ou de prendre une réservation, l'IA générative augmente déjà l'efficacité et la productivité. Voici quelques aspects sur lesquels l'IA générative change la donne :

• La création automatisée de contenus permet aux entreprises et aux personnes de produire des contenus personnalisés de haute qualité à grande échelle. Celle-ci a déjà un impact dans différents domaines, en particulier la publicité, le marketing, le divertissement et la production audiovisuelle.
• L'IA générative peut servir d'outil d'inspiration pour les artistes, les concepteurs, les écrivains, les architectes et autres créateurs. Elle leur permet d'explorer des possibilités inédites, de générer de nouvelles idées et de repousser les limites de leurs travaux de création. En collaborant avec l'IA générative, les créateurs peuvent atteindre des niveaux de productivité jamais vus jusque-là, ce qui ouvre la voie à une multiplication des œuvres dans les arts, la littérature, le journalisme, l'architecture, la vidéo, la musique et la mode.
• Les modèles d'IA générative peuvent être utilisés pour les tâches de résolution des problèmes qui nécessitent de nouvelles solutions ou idées, ainsi que pour analyser les données pour améliorer la prise de décision. Par exemple, dans la conception de produits, les systèmes optimisés par l'IA peuvent générer de nouveaux prototypes et améliorer les conceptions existantes d'après des contraintes ou des exigences spécifiques. Les applications pratiques dans le cadre de la recherche et du développement sont potentiellement révolutionnaires. Et la capacité à synthétiser des informations complexes en quelques secondes présente des avantages pour la résolution de problèmes à grande échelle.
• Pour les développeurs, l'IA générative peut rationaliser le processus d'écriture, de vérification, de mise en œuvre et d'optimisation du code.
• Pour les entreprises en contact avec les clients, les chatbots et les assistants virtuels optimisés par l'IA générative peuvent offrir un support technique amélioré aux clients, ce qui réduit le temps de réponse et les casse-tête liés à l'allocation de ressources.

Même si l'IA générative dispose d'un potentiel phénoménal, elle fait également face à certains défis et limitations. En voici quelques-uns :

Biais des données : les modèles d'IA générative s'appuient sur les données à partir desquelles ils ont été entraînés. Si les données d'entraînement contiennent des biais ou des limitations, ceux-ci seront reflétés dans les sorties. Les organisations peuvent atténuer ces risques en choisissant avec soin les données qui serviront à entraîner leurs modèles ou en utilisant des modèles spécialisés et personnalisés adaptés à leurs besoins.

Considérations éthiques : la capacité des modèles d'IA générative à créer des contenus réalistes soulève des questions éthiques, notamment concernant l'impact sur la société humaine ou le risque qu'ils soient utilisés de façon abusive ou manipulés. Il sera nécessaire de veiller à ce que les technologies d'IA générative soient utilisées de manière responsable et éthique à tout moment.

Sorties non fiables : un problème connu des modèles d'IA générative et des grands modèles de langage est "l'hallucination", problème exacerbé lorsque ceux-ci n'ont pas accès à des informations pertinentes. Dans un tel cas, ils fournissent aux utilisateurs des réponses incorrectes ou des informations erronées qui semblent factuelles et dignes de confiance. Et plus le contenu semble réaliste, plus il est difficile d'identifier une information inexacte.

Spécificité des domaines : l'une des limitations courantes des modèles d'IA générative comme ChatGPT, c'est le fait de manquer de connaissances spécifiques à un domaine. Les modèles peuvent générer des réponses cohérentes et pertinentes d'un point de vue contextuel d'après les informations sur lesquelles ils sont entraînés (souvent des données publiques accessibles sur Internet), mais ils sont souvent incapables d'accéder à des données spécifiques à un domaine ou à fournir des réponses qui dépendent d'une base de connaissances unique, comme le logiciel propriétaire ou la documentation interne d'une organisation. Pour surmonter ces limitations, vous pouvez leur fournir un accès à des documents et des données spécifiques à votre domaine.

Temporalité : l'exactitude des modèles dépend des données à partir desquelles ils sont entraînés. Les réponses que les modèles fournissent se basent sur des données "à un moment dans le temps", qui ne sont pas des données en temps réel.

Besoins de calcul : pour entraîner et exécuter de grands modèles d'IA générative, il faut des ressources de calcul conséquentes, notamment un matériel puissant et une mémoire étendue. Ces impératifs peuvent entraîner l'augmentation des coûts et limiter l'accessibilité et la scalabilité de certaines applications.

Besoins en données : pour entraîner de grands modèles d'IA générative, il faut également un accès à un vaste corpus de données, qui peut être chronophage à mettre en place et coûteux à stocker.

Problèmes liés à l'origine des données : les modèles d'IA générative n'identifient pas toujours la source des contenus sur lesquels ils s'appuient, ce qui peut créer des problèmes complexes de copyright et d'attribution.

Manque d'interprétabilité : les modèles d'IA générative fonctionnent souvent comme des "boîtes noires" et il est donc particulièrement difficile de comprendre leur processus de prise de décision. Le manque d'interprétabilité peut entraver la confiance et limiter l'adoption dans les applications essentielles.

Processus de déploiement et de gestion des modèles : pour choisir le bon modèle, il faut faire des tests et itérer rapidement. Or, le déploiement de grands modèles de langage (LLM) pour les applications d'IA générative demande beaucoup de temps et est très complexe. La courbe d'apprentissage qui lui est associée est difficile pour la plupart des développeurs

Les modèles d'IA générative se présentent sous différentes formes, qui disposent toutes de capacités et d'applications uniques. Le nombre d'interfaces d'IA générative semble se multiplier chaque jour. Parmi les modèles d'IA générative les plus populaires et les plus puissants aujourd'hui, citons :

ChatGPT
Succès fulgurant depuis son lancement public en novembre 2022, ChatGPT est un grand modèle de langage mis au point par OpenAI. Il se sert d'une interface conversationnelle de tchat pour interagir avec les utilisateurs et affiner les résultats qu'il produit. Il est conçu pour comprendre les invites textuelles et générer des réponses qui semblent avoir été rédigées par une main humaine. Il a montré qu'il était capable de participer à des conversations, de répondre à des questions de façon pertinentes, et même de faire preuve d'humour.

On rapporte que la version d'origine ChatGPT-3, proposée gratuitement, a été entraînée avec plus de 45 téraoctets de données textuelles venant d'Internet. Microsoft a intégré une version de GPT dans son moteur de recherche Bing peu après. La version mise à niveau, ChatGPT-4, proposée par OpenAI sous forme d'abonnement, a été lancée en mars 2023.

ChatGPT s'appuie sur une architecture de transformateur de pointe. GPT signifie "transformateur génératif pré-entraîné". Ce type d'architecture de transformateur a révolutionné le domaine du traitement du langage naturel (NLP).

DALL-E
DALL-E 2, également mis au point par OpenAI, met l'accent sur la génération d'images. DALL-E combine une architecture GAN avec un auto-encodeur variationnel pour produire des résultats visuels hautement détaillés et imaginatifs d'après les invites textuelles. Avec DALL-E, les utilisateurs peuvent décrire une image et le style qu'ils ont en tête, puis le modèle générera le résultat correspondant. Aux côtés de concurrents tels que MidJourney et le nouvel arrivant Adobe Firefly, DALL-E et l'IA générative révolutionnent la façon dont les images sont créées et éditées. Et au vu des capacités qui font leur apparition dans le secteur, les vidéos, les animations et les effets spéciaux s'apprêtent à prendre le même chemin.

Google Bard
Créé initialement sur une version de la famille des grands modèles de langage LaMDA de Google, puis mis à niveau vers la version plus avancée PaLM 2, Bard est l'alternative de Google à ChatGPT. Bard fonctionne de façon similaire, offrant la capacité de coder, de résoudre des problèmes mathématiques, de répondre à des questions et d'écrire, ainsi que de fournir des résultats de recherche de Google.

Même si cette technologie est relativement jeune et qu'elle évolue rapidement, l'IA générative est déjà bien implantée dans différentes applications et différents secteurs. En concevant des applications adossées à l'IA générative, les entreprises peuvent proposer des expériences client innovantes qui boostent la satisfaction, le chiffre d'affaires et la rentabilité. Elles peuvent aussi mettre en place de nouveaux workflows pour les employés qui améliorent la productivité tout en réduisant les risques et les coûts. Parmi les cas d'utilisation que l'IA générative prend en charge, citons :

• L'IA dans la technologie : avec l'IA générative, les entreprises technologiques peuvent améliorer l'expérience et le service client grâce à un support technique interactif et des bases de connaissances fournies, accélérer la recherche et le développement de produits grâce à l'écriture de code et à la modélisation d'essais, ou encore redéfinir les workflows des employés avec des assistants propulsés par l'IA qui aident à synthétiser et à extraire des informations rapidement.
• L'IA dans le gouvernement : les agences gouvernementales nationales et locales réfléchissent à la façon dont l'IA générative pourrait créer des services publics plus personnalisés et extrêmement pertinents, mettre en place des enquêtes et une analyse des renseignements plus précises, favoriser une meilleure productivité des fonctionnaires, rationaliser les expériences numériques des électeurs, et bien plus encore.
• L'IA dans les services financiers : les banques, les compagnies d'assurance, les entreprises de gestion du patrimoine, les agences de crédit et d'autres institutions financières peuvent tirer parti de l'IA générative pour concevoir des expériences client innovantes qui se répercutent de manière positive sur le chiffre d'affaires.Elles pourraient notamment mettre en place des assistants de banque de détail, des chatbots d'assistance en libre-service, des conseillers financiers vrtuels, des assistants de prêt, et bien plus encore. L'IA générative peut aussi améliorer la capacité des employés à trouver des informations pertinentes qui accélèrent leur workflow. Qu'il s'agisse de détecter de fraudes, de gérer des risques, d'effectuer des études de marché ou des opérations commerciales, les assistants adossés à l'IA peuvent aider à réduire le temps passé sur les tâches manuelles et à accélérer la prise de décision.
• L'IA dans la publicité et le marketing : l'IA générative fournit des contenus automatisés à faible coût pour les campagnes publicitaires et marketing, les publications sur les réseaux sociaux, les descriptions de produits, les supports de marque, les e-mails marketing, les recommandations personnalisées, et bien d'autres stratégies ciblées en matière de marketing, vente incitative et vente croisée. En produisant des contenus sur mesure en fonction des données des clients et de leur analyse, l'IA générative peut booster l'engagement des clients et les taux de conversion. Elle peut aussi aider à segmenter les clients à l'aide des données afin de prédire la réponse d'un groupe cible aux campagnes.
• L'IA dans le domaine de la santé : les modèles d'IA générative peuvent aider dans différents domaines, tels que l'analyse des images médicales, le diagnostic des maladies, l'identification des interactions entre médicaments et l'accélération de la découverte de traitements, ce qui permet d'économiser du temps et de l'argent. En générant des données médicales synthétiques, les modèles peuvent aider à renforcer les ensembles de données limités et à améliorer la précision des systèmes de diagnostic.
• L'IA dans les secteurs de l'automobile et de la fabrication : avec l'IA générative, les entreprises des secteurs de l'automobile et de la fabrication peuvent mettre à la disposition des employés un ensemble d'outils pertinents pour rationaliser les opérations, notamment pour identifier les problèmes technologiques opérationnels, gérer la chaîne logistique de manière interactive, assurer une maintenance prédictive avec des jumeaux numériques ou employer des assistants virtuels pour un secteur d'activité quel qu'il soit. Les entreprises peuvent aussi s'atteler au développement de manuels numériques interactifs, de chatbots en libre-service, d'outils assistés de configuration de prosuits, et bien plus encore, dans le but d'améliorer l'expérience des clients et les fidéliser.
• L'IA dans les arts et les médias : c'est peut-être dans le domaine des disciplines artistiques que l'IA générative apporte les plus grands bouleversements. Elle peut aider les artistes et les concepteurs à générer des œuvres uniques plus rapidement, les musiciens à composer de nouvelles mélodies, les concepteurs de jeux à créer des mondes de toutes pièces, et les réalisateurs de films à générer des effets visuels et des animations réalistes. Les sociétés de production de films et de médias peuvent également produire des contenus à un prix réduit, tout en ayant la possibilité d'accomplir différentes choses comme traduire une œuvre en différentes langues en utilisant la voix de l'acteur d'origine.
• L'IA dans le e-commerce et le commerce de détail : avec l'IA générative, le e-commerce peut proposer des parcours personnalisés aux acheteurs en se basant sur leurs schémas d'achat pour leur recommander de nouveaux produits et créer un processus de shopping plus fluide. En s'aidant de l'IA, les détaillants et les entreprises de e-commerce peuvent mettre en place de meilleures expériences utilisateur en favorisant une navigation intuitive et des fonctionnalités de support technique adossées à l'IA, dont les chatbots et certaines sections de FAQ.

L'avenir de l'IA générative est plein de promesses. Au fur et à mesure que la technologie évolue, les modèles d'IA générative deviennent de plus en plus sophistiqués et s'attaquent à des problématiques mondiales. L'IA permet d'accélérer la recherche pour découvrir et développer de nouveaux médicaments en générant et en testant des molécules. Par exemple, Pfizer s'est servi de l'IA pour effectuer des tests de vaccin lors de la pandémie de coronavirus¹. L'IA est aussi une solution émergente pour bon nombre de problématiques écologiques. Citons par exemple des robots optimisés par l'IA qui sont déjà à l'œuvre en participant à des initiatives de nettoyage des océans.

L'IA est également capable de générer des contenus imaginatifs originaux et hyper-réalistes. Les contenus produits dans les secteurs du marketing, du divertissement, des arts et de l'éducation seront adaptés aux préférences et aux besoins individuels, ce qui pourrait entraîner la redéfinition du concept d'expression créative. Les avancées réalisées pourraient conduire au final à la mise en place d'applications en réalité virtuelle, de jeux vidéo et d'expériences de récit immersives pratiquement impossibles à distinguer de la réalité.

À court terme, l'impact de l'IA générative se fera ressentir directement, étant donné que les capacités avancées qu'elle propose sont intégrées dans des outils que nous utilisons au quotidien, depuis les plateformes de messagerie électronique et les logiciels de feuilles de calcul jusqu'aux moteurs de recherche, les logiciels de traitement de texte, les places de marché de e-commerce et les calendriers. Les workflows gagneront en efficacité et les tâches répétitives seront automatisées. D'après les analystes, nous constaterons des gains d'efficacité et de productivité énormes dans l'ensemble des secteurs du marché.

Les organisations utiliseront des solutions d'IA générative personnalisées, entraînées sur leurs propres données, pour s'améliorer sur tous les aspects, qu'il s'agisse des opérations, du recrutement, de la formation, des chaînes d'approvisionnement, de la logistique, du branding ou encore de la communication. Les développeurs s'en serviront pour écrire un code parfait en une fraction de seconde. Comme de nombreuses technologies révolutionnaires précédentes, l'IA générative va avoir un impact dans chaque aspect de notre vie.

Découvrez les grandes tendances en matière de recherche technique pour 2024. Regardez ce webinar pour vous familiariser avec les bonnes pratiques et les méthodologies émergentes, ainsi que pour découvrir les grandes tendances incontournables pour les développeurs en 2024.

Étant donné qu'un nombre croissant d'organisations intègrent l'IA générative à leurs opérations internes et externes, Elastic a conçu Elasticsearch Relevance Engine™ (ESRE) pour donner aux développeurs les outils dont ils ont besoin pour optimiser les applications de recherche adossées à l'intelligence artificielle. ESRE peut améliorer la pertinence de la recherche et générer des plongements et des vecteurs de recherche à grande échelle, tout en permettant aux entreprises d'intégrer leurs propres modèles de transformateur.

Notre moteur de pertinence est idéal pour les développeurs qui mettent au point des applications de recherche optimisées par l'IA. Il offre en effet la possibilité d'intégrer des modèles de transformateur tiers comme l'IA générative, ChatGPT-3 et ChatGPT-4 via des API, entre autres fonctionnalités. Elastic établit un pont entre les données propriétaires et l'IA générative, en ce sens que les organisations peuvent fournir un contexte sur mesure qui leur est propre à l'IA générative grâce à une fenêtre contextuelle. Cette synergie entre Elasticsearch et ChatGPT offre l'assurance que les utilisateurs recevront des réponses factuelles, pertinentes d'un point de vue contextuel et à jour.

Le mariage entre l'habileté d'Elasticsearch en matière de récupération et les capacités de compréhension du langage naturel de ChatGPT offre une expérience utilisateur inégalée qui définit une nouvelle norme concernant la récupération d'informations et l'aide optimisée par l'IA. Mais ce n'est pas tout. L'avenir de la sécurité est également concerné, avec la mise en place potentielle d'applications ambitieuses de ChatGPT pour améliorer la détection, la réponse et la compréhension.

Envie de booster votre recherche avec Elastic et l'IA générative ? Inscrivez-vous pour bénéficier d'une démo gratuite.

• Choosing an LLM: The 2024 getting started guide to open-source LLMs
• AI search algorithms explained
• What is a large language model?
• The role of generative AI in higher ed IT
• Revolutionising Australian government services with generative AI
• Advanced search for the AI revolution
• ChatGPT et Elasticsearch : les liens entre OpenAI et les données privées
• Elastic at Microsoft Build

Pour aller plus loin, voici quatre méthodes qui vous aideront à révéler des informations exploitables à partir des données de votre entreprise :

1. Démarrez un essai gratuit et découvrez l'aide qu'Elastic peut apporter à votre entreprise.
2. Faites le tour de nos offres afin de savoir comment Elasticsearch Platform fonctionne et comment nos solutions s'adaptent à vos besoins.
3. Découvrez comment mettre en place l'IA générative dans votre enterprise.
4. Partagez cet article avec une personne de votre réseau qui pourrait être intéressée par son contenu. Partagez cet article par e-mail, sur LinkedIn, sur Twitter ou sur Facebook.

Est-ce que ChatGPT utilise Elasticsearch ?
Elasticsearch fournit à ChatGPT un accès sécurisé aux données afin qu'il génère des réponses plus pertinentes.

Pouvez-vous donner quelques exemples d'IA générative ?
Parmi les exemples d'IA générative, citons ChatGPT, DALL-E, Google Bard, Midjourney, Adobe Firefly et Stable Diffusion.

Quelle est la différence entre l'intelligence artificielle et le Machine Learning ?
L'intelligence artificielle (IA) fait référence au développement de systèmes qui effectuent des tâches qui simulent l'intelligence humaine, tandis que le Machine Learning (ML) est un sous-ensemble de l'IA qui implique l'utilisation d'algorithmes et de techniques complexes permettant aux systèmes d'apprendre des données, d'identifier des schémas et d'améliorer les performances sans instructions explicites.

Réseaux antagonistes génératifs (GAN) : les GAN sont un type d'architecture de réseaux de neurones, constituée d'un réseau générateur et d'un réseau discriminateur qui fonctionnent en tandem pour générer des contenus réalistes et de haute qualité.

Auto-encodeurs : un auto-encodeur est une architecture de réseaux de neurones qui apprend à encoder et à décoder des données, souvent utilisée dans des tâches telles que la compression et la génération de données.

Réseaux de neurones récurrents (RNN) : les RNN sont des réseaux de neurones spécialisés dans le traitement séquentiel des données. Ils disposent d'une mémoire qui leur permet de retenir les informations des étapes précédentes et qui en font un outil adapté pour des tâches telles que la génération de textes.

Grands modèles de langage : les grands modèles de langage, dont ChatGPT, sont des modèles puissants d'IA générative entraînés sur de vastes volumes de données textuelles. Ils peuvent produire des textes qui semblent avoir été rédigés par une main humaine à partir des invites fournies.

Machine Learning : le Machine Learning est un sous-ensemble de l'IA qui utilise des algorithmes, des modèles et des techniques pour permettre aux systèmes d'apprendre à partir des données et de s'adapter, sans suivre d'instructions explicites.

Traitement du langage naturel : le traitement du langage naturel est un sous-domaine de l'IA et de la science informatique qui concerne l'interaction entre les ordinateurs et le langage humain. Il implique des tâches telles que la génération de textes, l'analyse des sentiments et la traduction.

Réseaux de neurones : les réseaux de neurones sont des algorithmes qui s'inspirent de la structure et du fonctionnement du cerveau humain. Ils se composent de nœuds interconnectés, ou neurones, qui traitent et transmettent les informations.

Recherche sémantique : la recherche sémantique est une technique de recherche qui s'attache à comprendre le sens d'une requête et les contenus qui font l'objet de cette recherche. Elle vise à fournir des résultats de recherche d'une plus grande pertinence du point de vue du contexte.

Recherche vectorielle : la recherche vectorielle est une technique qui consiste à représenter des points de données sous forme de vecteurs dans un espace hautement dimensionnel. Elle propulse des systèmes efficaces de recherche de similarités et de recommandations en calculant les distances entre les vecteurs.

¹ "Artificial Intelligence-Based Data-Driven Strategy to Accelerate Research, Development, and Clinical Trials of COVID Vaccine," Biomed Res Int. 2022, par Ashwani Sharma, Tarun Virmani, Vipluv Pathak, Anjali Sharma, Kamla Pathak, Girish Kumar et Devender Pathak, article publié en ligne le 6 juillet 2022, consulté le 27 juin 2023.