5 mots à la mode courants en matière d’IA que tous les professionnels des relations publiques doivent connaître

L’IA générative existe depuis plus d’un an, bouleversant le industrie des relations publiques et amener les communicateurs à s’interroger sur l’avenir de leur travail. Les gens sont incertains, surtout avec toutes les inconnues que la technologie apporte.

Cependant, ceci peur empêche les gens de comprendre les capacités de l’intelligence artificielle, ce qui les amène à penser qu’ils ne peuvent pas préparer l’avenir. Malheureusement, de nombreux communicateurs n’ont pas les connaissances nécessaires pour décrire avec précision ce qu’est cette technologie, comment elle fonctionne et ce dont elle est capable, tant en termes des organisations qu’ils représentent qu’en termes de leurs propres connaissances générales.

C’est pourquoi j’ai rédigé un court glossaire des termes couramment utilisés en IA, dans un anglais simple, pour permettre à tout communicateur de comprendre ce que signifient ces mots à la mode et d’expliquer ce qui se passe.

En rapport: Il y a une ligne fine entre l’utilisation et la dépendance excessive à l’IA. Voici le rôle que les dirigeants doivent jouer.

IA

IA est une technologie qui permet aux ordinateurs et aux machines de simuler la pensée et l’intelligence humaines ainsi que la résolution de problèmes au niveau humain.

Il englobe tout, des voitures autonomes aux modèles de prévisions météorologiques, en passant par l’apprentissage automatique, la robotique et bien plus encore. Chacun de ces exemples est un « sous-ensemble » de l’IA, et des articles entiers peuvent être rédigés sur chacun d’eux. Cependant, étant donné que cet article porte sur l’IA générative, nous approfondirons le lexique entourant ce type d’intelligence artificielle.

Et pour ce faire, nous devons regarder la « machine « apprentissage » sous-ensemble de l’IA.

Apprentissage automatique

Le but de apprentissage automatique, ou « ML », consiste à utiliser des algorithmes capables d’apprendre et de généraliser des informations. Essentiellement, un algorithme d’apprentissage automatique reçoit des informations. Une question lui est ensuite posée et l’algorithme imagine une réponse en fonction des informations qui lui ont été fournies.

Il existe des dizaines de sous-ensembles dans l’apprentissage automatique. Il s’agit notamment des « arbres de décision » qui sont utilisés dans les chatbots. Il existe une « régression linéaire », qui est utile pour prédire ce qui se passera dans le futur sur la base de données antérieures telles que les modèles météorologiques. Il existe également le « clustering », qui permet à un algorithme adtech de savoir quand et comment vous vendre un produit ou un service.

Tous ces sous-ensembles utilisent les informations qui y ont été introduites pour faire des prédictions sur l’avenir basées sur des événements passés. Ils sont tous utiles et impactent notre quotidien. Cependant, il existe un autre sous-ensemble de l’apprentissage automatique appelé « apprentissage profond ». C’est le sous-ensemble dans lequel on retrouve l’IA générative.

L’apprentissage en profondeur

L’apprentissage en profondeur signifie qu’il existe plus de trois couches de réseaux neuronaux. Les « réseaux de neurones » sont le cerveau de l’algorithme, tandis que les « couches » représentent la profondeur de pensée qu’un algorithme peut réaliser.

Dans l’apprentissage automatique standard, il existe une couche d’entrée (c’est-à-dire quel temps fera-t-il aujourd’hui ?) ; une couche « réflexive », comme prendre toutes les données de vent, de pluie et de température des événements passés et les appliquer à la situation actuelle ; puis la couche de sortie (c’est-à-dire que les prévisions météo seront ensoleillées). Toutes ces couches constituent le réseau neuronal.

Avec l’apprentissage profond, il y a plus de trois niveaux réseau neuronal. Cela permet à l’algorithme de réfléchir plus profondément et avec plus de nuances. En fait, c’est de cette façon de penser profonde et superficielle que viennent les expressions « IA profonde » et « IA superficielle ».

En plus de la différence dans le nombre de couches dans l’algorithme, la manière dont les informations sont introduites dans ces algorithmes est également différente. En effet, un algorithme d’apprentissage profond est basé sur des modèles fondamentaux.

En rapport: Comment tirer parti de l’IA pour dynamiser votre entreprise

Modèles fondamentaux

Les « modèles fondamentaux » sont des réserves géantes de données, chaque point de données étant appelé « paramètre ». Les modèles d’apprentissage profond sont formés sur ces modèles fondamentaux remplis de données, puis « affinés » pour fonctionner d’une manière particulière. Certains modèles fondamentaux comportent plus de mille milliards de paramètres.

Il existe plusieurs types de modèles fondamentaux, notamment «Grands modèles de langage » ou « LLM ». Ils sont appelés ainsi parce qu’ils sont volumineux – ils peuvent avoir plus d’un billion de paramètres – et sont destinés au traitement et à la génération d’un langage humain normal. D’autres modèles fondamentaux incluent des modèles de vision pour générer de la vidéo, des modèles sonores pour générer différents types de sons et même des modèles biologiques pour prédire comment les protéines interagiront les unes avec les autres.

Les modèles fondamentaux sont importants car ce sont d’énormes référentiels de données que tout abonné payant peut utiliser. Au lieu de dépenser des millions de dollars et des milliers d’heures à compiler toutes ces données, une entreprise peut s’abonner à un modèle déjà existant (comme le modèle d’OpenAI ou celui de Google) et utiliser ces informations pour entraîner son IA générative.

Application d’IA

Ces modèles fondateurs constituent la base de « Applications d’IA.  » L’application elle-même peut être n’importe quoi, depuis un élément d’une plate-forme jusqu’à une application à part entière qui affine un modèle de base à utiliser d’une certaine manière. Une bonne analogie pour une application d’IA consiste à examiner comment les applications en général sont construit.

Si vous regardez une application sur l’Apple Store ou Google Play, cette application a été conçue pour pouvoir fonctionner sur l’infrastructure technologique de base de cette boutique d’applications particulière. Les applications d’IA fonctionnent sur la même idée : elles sont conçues pour fonctionner avec l’infrastructure technologique fondamentale du modèle d’IA.

En rapport: Comment tirer parti de l’intelligence artificielle dans les relations publiques

Alors, quelle est la place de l’IA générative ?

« IA générative » comprend des modèles spécialement conçus pour générer du nouveau contenu. C’est ce qui est créé en utilisant la base de connaissances des modèles fondamentaux couplée aux réglages fins provenant d’une application d’IA pour obtenir le résultat souhaité. C’est ainsi que les générateurs vidéo tels que Sora ou des générateurs de langage tels que Perplexity ou ChatGPT fonctionnent.

En bref, l’IA générative est utilisée dans les applications d’IA qui utilisent des réseaux neuronaux d’apprentissage profond formés sur des modèles fondamentaux pour générer un élément de contenu particulier et inédit.

Il est important pour nous, en tant que communicateurs, de bien comprendre ces termes liés à l’IA afin de permettre au public de comprendre comment fonctionne cette technologie qui change le monde. Espérons que les professionnels des relations publiques pourront utiliser ce glossaire pour mieux communiquer ce qu’est l’IA, ainsi que pour mieux comprendre comment elle peut être mise en œuvre dans leur vie quotidienne.