|
Édition du: 12/06/2026 |
|
INDEX |
LOGIQUE |
IA |
||
|
|
||||
|
|
||||
|
Avril 2026 – pdf – 234 pages |
|
|||
Faites un double-clic pour un retour en haut de page
|
IA – Modèles à raisonnement Première génération: Intelligence
Artificielle (IA) générative comme Chat-GPT ou Copilot. Deuxième génération: outre l'apprentissage,
la deuxième génération intègre une capacité de raisonnement, de déduction.
Avec elle, une nouvelle étape significative va être franchie dans le domaine
de la révolution IA. |
||
|
|
Sommaire de cette page >>> Approche >>> Deuxième génération d'IA générative |
Débutants Glossaire |
|
IA Les applications d'Intelligence
Artificielle sont connues de longue date. IA générative En 2022 est apparu ChatGPT, un agent conversationnel (chatbot)
utilisant des transformateurs génératifs pré-entrainés (Generative Pretrained
Transformers en anglais, ou GPT) IA générative à modèles de raisonnement En 2025 se prépare la nouvelle
génération qui, outre l'apprentissage, sera capable de tenir des
raisonnements. |
LLM – Large Language
Model Les grands modèles de
langage sont nés en 2018. Ils constituent la technologie utilisée par l'IA
générative. Ce sont des réseaux de neurones
profonds entraînés sur de grandes quantités de texte. Ils sont entraînés à
prédire une suite probable pour une entrée donnée. Les modèles de langage à
grand nombre de paramètres sont capables de capturer une grande partie de la
syntaxe et de la sémantique du langage humain. |
|
|
Nouvelle ère L’intégration de mécanismes
de raisonnement au cœur des modèles IA ouvre la voie à une nouvelle ère
d’applications. Capables de planifier, décomposer des
problèmes et tester des hypothèses, ces modèles révolutionnent des secteurs
comme la logistique, les mathématiques et le diagnostic médical. |
Intérêt Les systèmes de la
première génération à apprentissage profond sont nombreux en 2024 (plus de 50
modèles). ChatGPT
5, Gemini 2.0, Claude 3.5, DeepAI … Ce sont des technologies
qui arrivent à un plateau de performances; les nouvelles versions n'offrent
désormais que peu de progrès. |
|
|
Piste Les chercheurs explorent
de nouvelles pistes de R&D afin d'obtenir de nouvelles performances. Parmi ces pistes les modèles
à raisonnement constituent une nouvelle
tendance forte qui est compatible avec la technologie existante de première
génération. |
Chaine de pensée (Chain of thought
– CoT) L’idée consiste à doter
les modèles d'IA existants d’une capacité de réflexion plus proche de celle
des humains. La chaîne de pensée (CoT) reflète le raisonnement humain, facilitant la
résolution systématique des problèmes grâce à une série cohérente de
déductions logiques. La chaîne de pensée est
une approche de l'intelligence artificielle qui simule des processus de
raisonnement de type humain en décomposant des tâches complexes en une suite
d'étapes logiques gérables qui conduisent séquentiellement à une réponse
concluante. |
|
|
Première génération Les LLM traditionnels se
basent principalement sur des associations statistiques pour générer des
réponses. Leur approche reste
principalement basée sur des corrélations statistiques, sans véritable
compréhension ou raisonnement sous-jacent. Ils excellent dans la
génération de contenus fluides ou la synthèse d’informations préexistantes,
mais peinent souvent à traiter des problèmes nécessitant des étapes logiques
structurées ou une analyse d’abstraction. Bref, leur capacité à
raisonner reste limitée. |
Deuxième génération Les modèles de
raisonnement intègrent des processus de délibération interne pour analyser et
résoudre des problèmes complexes Les modèles à
raisonnement cherchent à imiter un haut niveau de la cognition humaine, celle
qui implique une réflexion délibérée et structurée, permettant une meilleure
cohérence des réponses et une capacité accrue à atteindre des objectifs. Ces modèles sont conçus
pour décomposer les problèmes complexes, suivre des règles logiques ou encore
intégrer des connaissances symboliques, comme des graphes ou des moteurs de
résolution d’équations. Dit autrement, ils sont
conçus pour réfléchir et tester des hypothèses avant de formuler une réponse. |
|
Haut de page (ou double-clic)
|
Retour |
||
|
Suite |
||
|
Voir |
|
|
|
Sites |
|
|
|
Cette page |
||