Ce que tu vas comprendre

• Pourquoi « intelligence artificielle » désigne une famille de systèmes très différents plutôt qu’une technologie unique.
• La différence entre un algorithme, un modèle entraîné, une application et un système complet.
• Ce que signifie réellement « apprendre » pour une machine.
• Quel rôle jouent les données et les paramètres pendant l’entraînement.
• À quoi servent une fonction de perte et l’optimisation.
• Le principe de la descente de gradient sans devoir ressortir un manuel de calcul différentiel.
• Comment fonctionne grossièrement la rétropropagation.
• Pourquoi un réseau neuronal artificiel n’est pas un cerveau biologique miniature.
• La différence entre apprentissage supervisé, auto-supervisé et apprentissage par renforcement.
• Pourquoi il faut séparer entraînement, validation et test.
• Ce que signifient surapprentissage et généralisation.
• Pourquoi un modèle performant dans un contexte peut devenir mauvais lorsque les données changent.
• Comment une image, un son ou un texte deviennent des nombres utilisables par un modèle.
• Ce que sont les tokens et les embeddings.
• Ce que fait le mécanisme d’attention dans un Transformer.
• Comment un modèle de langage produit du texte en prédisant des suites de tokens.
• Pourquoi « prédire le prochain token » n’implique pas que le système fait simplement du copier-coller.
• La différence entre préentraînement, fine-tuning et instruction tuning.
• Quel rôle peuvent jouer les préférences humaines dans l’ajustement d’un modèle.
• Pourquoi une réponse fluide peut être complètement fausse.
• Ce qu’on appelle une hallucination et pourquoi toute erreur d’IA n’en est pas une.
• Pourquoi les paramètres d’un modèle ne fonctionnent pas comme une base de données où chaque fait posséderait une case.
• Pourquoi connecter une recherche Web, une calculatrice ou une base documentaire augmente les capacités du système sans changer automatiquement le modèle.
• Ce qu’est un agent logiciel et pourquoi « agent » ne signifie pas volonté propre.
• Comment biais, objectif mal choisi et changement de distribution peuvent produire des erreurs.
• Pourquoi un bon score moyen peut cacher de mauvaises performances sur certains groupes ou certains cas.
• Ce qu’un benchmark mesure réellement et ce qu’il ne démontre pas.
• Pourquoi performance, raisonnement, compréhension et conscience sont quatre questions différentes.
• Pourquoi aucune phrase produite à la première personne ne prouve qu’une machine possède une expérience subjective.
• Comment décider si une sortie d’IA peut être utilisée directement, doit être vérifiée ou ne devrait jamais porter seule une décision importante.

Ce que ce livre ne promet pas

Ce livre n’est pas un cours de programmation et ne cherche pas à cataloguer tous les algorithmes existants. Il ne réduit pas l’intelligence artificielle aux chatbots ou aux grands modèles de langage, ne présente pas les réseaux neuronaux comme des copies du cerveau humain et ne prétend pas que les machines actuelles comprennent ou ne comprennent rien comme si la question était définitivement réglée. Il ne transforme pas davantage un score de benchmark en mesure universelle d’intelligence, ni une phrase produite par un modèle en preuve de conscience. L’objectif est d’expliquer les mécanismes, les capacités, les limites et les critères permettant de juger les systèmes réels.