Intelligence Artificielle Archives

Le blues de l’IA

25 juillet 2025 / by semsimo / Intelligence Artificielle, KnowledgeGraph, Transformation numérique / 0 comments

En juillet, on m’a beaucoup évoqué le côté bluffant des IAs génératives (LLMs). La terminologie me semble en effet adéquate : du bluff. L’intelligence artificielle générative est un artifice de simulation de pensées. Et au-delà du bluff, les conséquences des engouements et usages actuels me donnent un peu le blues. Cet article met des paroles sur cette musique.

L’IA hybride contre le syndrome de Frankenstein

27 décembre 2023 / by semsimo / ingénierie des connaissances, Intelligence Artificielle, KnowledgeGraph / 0 comments

Clarote & AI4Media / Better Images of AI / User/Chimera / Licenced by CC-BY 4.0

En 2024, faudra-t-il freiner ou accélérer la course à l’IA générative ? Cela ressemble un peu à une injonction à souscrire à un choix binaire qui imposerait un clivage artificiel entre le camp des transhumanistes/technosolutionistes/optimistes incurables et celui des technophobes/inadaptés/pessimistes invétérés. On peut toutefois tabler raisonnablement que l’ IA hybride restera le vrai enjeu de 2024, pas la taille des modèles. En effet, face à la course folle de l’hashtag#IA
générative, le couple LLMs et knowledgegraph semble bien être
le mariage de raison.

Une technologie d’IA, un idiot utile ? Une affaire d’entendement!

26 mars 2023 / by Sabine Bohnké / gouvernance, Intelligence Artificielle, Intelligence Economique, Processus de décision / 0 comments

Il y a des expressions courtes qui en disent long sur une époque. Telle celle des dirigeants de Microsoft, cité dans cet article de CNBC , déclarant que la technologie Copilot boostée à GPT-X d’open AI, bien qu’ayant parfois des réponses fausses, fournit du « faux utile » (« usefully wrong »). On peut se sentir halluciner comme une IA à cette lecture. L’explication est que la génération de texte nous fait « gagner du temps », pour réaliser une présentation, envoyer un mail ou autre chose, et que cela seul est utile, au prix de quelques vérifications ultérieures, bien sûr. Du moins, tant que les gens réalisent que les réponses peuvent contenir des inexactitudes. Cela donne un peu envie de susurrer : c’est comme les « Fake News », non ? Pas de problème tant que les gens s’en rendent compte … Mais est-ce gagner quelque chose que perdre du discernement ?

Intelligence Machine et Knowledge Graphs

13 mars 2023 / by Sabine Bohnké / gouvernance, ingénierie des connaissances, Intelligence Artificielle, KnowledgeGraph / 0 comments

Qu’est-ce qu’on appelle Intelligence Artificielle, in fine ? Les deux mots accolés ne conduisent qu’à des définitions bancales ou à un oxymore. Une machine de type système informatique, exécutant des algorithmes, n’a ni intelligence ni sentience. Pas plus qu’un texte ou des paroles n’évoquent d’expériences à ses sens absents, elle n’a de raisonnements poussés. Néanmoins, on peut lui donner la capacité à associer un sens explicite à des mots, dans le contexte où ils sont exprimés. L’intelligence machine : une plaisanterie? Toutefois, c’est la différence entre comprendre l’esprit d‘un texte (l’intelligence) ou le prendre à la lettre, voire en trahir l’interprétation

ChatGPT et transformers : comment mettre plus d’intelligence dans la série ?

20 février 2023 / by Sabine Bohnké / ingénierie des connaissances, Intelligence Artificielle, Intelligence Economique, Processus de décision / 0 comments

Close Encounters of the Third Kind, compte flickr MIKI Yoshihito, Licence CC BY 2.0

Les transformers sont des outils bluffants. Mais ils ne suffisent pas pour gérer des connaissances professionnelles. Il y a des points d’attention à garder en mémoire. Que peut-on dire des défauts des Transformers en traitement automatique du langage? Peu capables de faire des raisonnements logiques, les grands modèles de langage transformers interprètent les mots et leurs connexions dans un espace vectoriel. Ils sont énergivores lors de leur apprentissage et ont une empreinte écologique désastreuse. Ils absorbent et répercutent les biais de leurs données d’apprentissage et des humains qui les corrigent. Pour finir, leur usage, aussi bien à titre personnel qu’en entreprise, pose des problèmes cruciaux de fiabilité, de propriété intellectuelle et de protection d‘information. Il ne s’agit pas de jeter le bébé avec l’eau du bain. Seulement d’éclairer, avec quelques articles, certains faits liés à leur entraînement, à leur usage et à leur maturité.

Les transformers et les aspirations des titans du Web

20 février 2023 / by Sabine Bohnké / ingénierie des connaissances, Intelligence Artificielle / 1 comment

Les modèles transformers semble de plus en plus s’orienter vers une combinaison d’IA symbolique et de réseaux neuronaux. Il s’agirait d’approches « neurosymboliques ». Dans ce contexte, il n’y a rien d’étonnant à ce que les géants du Web, tels que Google, Microsoft, FaceBook… développent depuis un moment leurs knowledge Graphs. Ils ont poussé pour ce qu’un vocabulaire commun (schema.org) serve à annoter les pages Web (en RDFA ou JSON-LD) avec des métadonnées se référant à ce vocabulaire. On peut imaginer déjà le prochain mouvement.

Comment bien éduquer un transformer ?

20 février 2023 / by Sabine Bohnké / ingénierie des connaissances, Intelligence Artificielle, Processus de décision / 0 comments

Un transformer peut se comporter comme une personne mal éduquée Dans l’apprentissage profond (deep learning), une fois l’espace multidimensionnel créé avec toutes les représentations des tokens calculées, les neurones et les connexions entre couches de neurones établies par l’apprentissage initial, on a affaire à une boîte noire entre l’entrée et la sortie. Cela signifie que le modèle ne peut pas expliquer comment il arrive à ses résultats. Le processus de prise de décision est caché. Mais il y a des probabilités que le système obtenu réplique des types de tournures ou de réactions typiques de son corpus d’entrée

Les données d’apprentissage : l’alpha et l’omega d’un transformer

20 février 2023 / by Sabine Bohnké / ingénierie des connaissances, Intelligence Artificielle / 0 comments

un agent conversationnel basé sur un grand modèle de langage ne raisonne pas. Il joue sur des similarités textuelles, traduites dans un espace vectoriel. La façon même de répondre, de pouvoir reproduire un style, dépend de ses données d’apprentissage. Peut-on dès lors réellement utiliser le terme intelligence à son sujet ? En tous cas, ses capacités découlent de la nature des données sur lesquelles il a été entrainé.

L’arrivée des transformers dans le monde de l’IA

20 février 2023 / by Sabine Bohnké / ingénierie des connaissances, Intelligence Artificielle, Processus de décision / 0 comments

ChatGPT utilise un modèle transformer : and so what ? ChatGPT est un agent conversationnel (ChatBot) qui utilise un modèle transformer GPT-3.5 (Generative Pre-trained Transformer) pour comprendre et répondre à des questions d’utilisateurs. Il reprend les principes d’InstructGPT et utilise un apprentissage par renforcement avec un feedback humain (RLHF) pour améliorer ses réponses. Soyons honnêtes : ces deux phrases n’apprennent rien à personne. Ceux qui travaillent dans le domaine le savent déjà. Quant aux autres, cela ne clarifie rien. Car le premier point d’interrogation demeure : qu’est-ce qu’un modèle Transformer ?

Comprendre les outils d’IA : un enjeu d’Intelligence Economique

2 février 2023 / by Sabine Bohnké / Intelligence Artificielle, Intelligence Economique / 0 comments

L’IA, un marteau de guerre… économique ? Dans l’art de la guerre économique, l’IA fournit des armes numériques pour le triptyque : veille, influence, protection. Ces armes ont pour particularité d’être peu visibles et on ne les lie pas forcément à leurs résultats. Surtout quand il s’agit de « l’art du faire savoir, faire croire et du faire faire ». La subtilité nécessairement liée à l’art de l’influence de l’IE est opposée à la visibilité des influenceurs des réseaux sociaux. Ce qui peut constituer une difficulté à déterminer la complicité par instigation, si l’influence pousse jusqu’au délit.

l’IA et le temps long du futur

20 janvier 2023 / by Sabine Bohnké / gouvernance, Intelligence Artificielle, Transformation numérique / 0 comments

Avec l’IA, nous devons réfléchir à changer de paradigme de croissance, pas répliquer l’existant Les avancées technologiques des outils dits d’intelligence artificielle donnent l’impression d’être au bord d’un changement de paradigme. L’aphorisme est connu : « Il faut que tout change pour que rien ne change ». Passé le retournement de la boule à neige en verre, les faux flocons retombent sur un paysage figé. Car la plupart des usages qui enthousiasment renvoient à des paradigmes existants : la destruction créatrice de Schumpeter, l’Intelligence économique et la guerre de l’information, le paradoxe de l’épée et du bouclier, la croissance vue par le PIB. Pourtant, nous aurions bien besoin, pour un futur plus durable, d’un peu plus d’innovations dans nos systèmes de pensées.

Entretien avec un robot: ChatGPT

5 janvier 2023 / by Sabine Bohnké / ingénierie des connaissances, Intelligence Artificielle, Processus de décision / 2 comments

Assisterions-nous à une nouvelle vague épidémiologique d’un battage publicitaire disproportionné sur les miracles tant attendus de l’intelligence artificielle ? On peut se le demander avec les articles incessants depuis un mois sur le robot conversationnel ChatGPT. Pour en avoir le cœur net, j’ai décidé de tester quelques questions via l’interface mise à disposition par OpenAI. Pour me faire ma propre idée de son utilité (ou pas) ainsi qu’en cerner les limites.

Intelligence artificielle ou data science sans conscience ?

5 mai 2021 / by Sabine Bohnké / data centric, gouvernance, ingénierie des connaissances, Intelligence Artificielle, ontologies, sémantique / 0 comments

Intelligence artificielle ou data science sans conscience ?
Posted by Sabine Bohnké / data centric, gouvernance, ingénierie des connaissances, Intelligence Artificielle, ontologies, sémantique

Science sans conscience n’est que ruine de l’âme. Cette citation de Rabelais peut s’appliquer aujourd’hui à beaucoup de sujets connexes à la data science. Il y a celui des entreprises pilotées par les données (data driven). On peut aussi traiter des architectures « data-centric » mettant l’accent sur les données et leurs modèles conceptuels comme actifs essentiels de l’entreprise. L’idée étant de construire, sur un noyau central fait de « données », des systèmes d‘information agiles et durables servant la performance globale. Ce sont deux approches de niveau stratégique et deux sujets distincts. Néanmoins, quand on traite d’implémentation, on peut recourir dans l’un ou l’autre cas à des algorithmes de machine learning ou des solutions de représentation des connaissances et mécanismes de raisonnement. Autrement dit, nous parlons ici de disciplines liées à l’intelligence artificielle, mises au service d’un objectif commun aux deux approches.

Approches data centric, créez votre pierre de rosette des SI !

19 novembre 2020 / by semsimo / data centric, gouvernance, Intelligence Artificielle, ontologies, Processus de décision / 0 comments

Le vocabulaire lié aux métiers des systèmes d’information d’entreprise est riche en acronymes ou expressions de toutes sortes. Que penser de celle-ci : data centric? Bien souvent, de nouveaux mots-clés apparaissent, par effet de mode ou par l’impulsion de nouvelles technologies. Mais ils ne font que recouvrir d’anciens concepts liés au besoin de maîtriser la complexité des SI. Bien que désignant des solutions utiles, ils ne sont pas non plus la solution ultime. En fournissant une nouvelle voie, ils proposent juste un nouveau point de vue. Finalement, tout l’enjeu dans les SI est de bien poser les problèmes avec l’ensemble des parties prenantes. Il faut pouvoir réconcilier des perspectives différentes, pour tenter de répondre aux trois questions essentielles de la création de valeur.

Un monde rempli d’incohérences n’empêche pas de raisonner

27 mai 2019 / by Sabine Bohnké / ingénierie des connaissances, Intelligence Artificielle, ontologies, Web sémantique / 1 comment

Connaissances et raisonnements sont liés pour les humains, mais aussi pour les machines. Pour leur donner une forme d’intelligence, il faut relever l’enjeu de représentation des connaissances et de logique de raisonnement. C’est le domaine du «SRR : symbolic representation and Reasoning », un des deux paradigmes, avec le Machine Learning, de l’intelligence artificielle. Certes, faire inférer des nouvelles informations à des machines dans un monde de réutilisation largement ouvert, pose des problèmes d’incohérences. Les évolutions des dernières années ont montré qu’ils n’étaient pas insolubles. Malheureusement, on en est resté plutôt à des systèmes d’Intelligences Artificielles très superficielles. Bien qu’elles sachent faire des corrélations, en liant X et Y, elles ne comprennent pas grand-chose à ce qu’elles lient. On peut faire mieux et apprendre aux machines à raisonner dans un environnement incohérent. Les outils et méthodes sont là.

Intelligence Artificielle et pilotage par la valeur

10 avril 2017 / by Sabine Bohnké / gouvernance, Intelligence Artificielle, Transformation numérique / 0 comments

Certaines annonces sur le marché de l’Intelligence Artificielle et l’effervescence d’investissements actuels qu’il suscite font irrésistiblement penser à Christophe Colomb. Quand il a réclamé l’aide du roi et de la reine d’Espagne pour sa seconde expédition, c’était avec une promesse. En retour, il leur rapporterait de son prochain voyage : « autant d’or qu’ils en auront besoin et autant d’esclaves qu’ils en exigeront ». Christophe Colomb a utilisé tous les expédients pour trouver l’or escompté. A lire le témoignage de Las Casas (les indes sanglantes) les espagnols n’ont pas compris, ou n’ont pas voulu comprendre, la valeur humaine de ce qu’il découvrait et l’on détruit sauvagement, par soif de l’or. En sera-t-il ainsi en Intelligence Artificielle, pour l’exploration des nouveaux territoires technologiques? Ne verrons-nous que l’appât du gain, c’est-à-dire vendre plus et réduire plus les coûts humains, sans voir les impacts collatéraux?

Le Web sémantique n’est plus le web de demain

18 janvier 2017 / by Sabine Bohnké / Intelligence Artificielle, ontologies, Web sémantique / 1 comment

Nombreux sont ceux qui prétendent que le Web sémantique est mort depuis longtemps, qu’il est inutile d’investir dans ses technologies et standards. Ils «n’auraient jamais marché» ou seraient «trop compliqués à utiliser» (RDF, OWL, SPARQL). Aujourd’hui, non seulement cette pensée est fausse, mais elle est de surcroît dangereuse, dans ce qu’elle laisse s’opérer. C’est à dire une exploitation d’un potentiel énorme par un très petit nombre de sociétés en situation de monopole. Le web sémantique n’est pas mort, il s’est transformé.