Aujourd’hui, la plupart des gens utilisent déjà l’IA sans se demander ce qu’il y a derrière. Dans le travail pour rédiger un devis ou un mail, sur le plan personnel pour trouver des informations, les IA sont devenues des sources intarissables de réponse et de précieuses aides à la productivité. Comment s’est construite cette avancée technologique ? C’est ce que nous allons retracer dans cet article de blog consacré à l’histoire de l’IA.
1950-1990 : aux débuts, l’IA n’est encore qu’une idée
Alan Turing pose une question qui va changer l’histoire. Retour en 1950.
Les ordinateurs sont encore gigantesques, coûteux et réservés à quelques institutions. Pourtant, le mathématicien britannique Alan Turing ose poser une question qui semble presque relever de la science-fiction : une machine peut-elle penser ? Pour essayer d’y répondre, Turing imagine ce qui deviendra le célèbre « Test de Turing ».
Le principe ? Une personne échange par écrit avec un interlocuteur sans savoir s’il s’agit d’un humain ou d’une machine. Si elle n’arrive pas à faire la différence, peut-on considérer que la machine fait preuve d’intelligence ?
À l’époque, l’idée paraît futuriste. Pourtant aujourd’hui, c’est ce que nous pouvons faire.
1956 : l’intelligence artificielle devient un véritable domaine de recherche
Quelques années plus tard, en 1956, des chercheurs se réunissent au Dartmouth Collège, aux États-Unis. Ces derniers pensent alors que les progrès en informatique permettront de reproduire rapidement certaines formes d’intelligence humaine.
Ils se trompent sur le calendrier, mais ils ont raison sur un point essentiel : l’intelligence artificielle devient un domaine de recherche à part entière.
Pendant plusieurs décennies, les chercheurs vont explorer différentes pistes : logique, raisonnement, représentation des connaissances, résolution de problèmes…
1966 : ELIZA, le premier chatbot qui donne une impression de conversation
Arrive alors ELIZA, créé par Joseph Weizenbaum au MIT en 1966. Ce programme informatique simule notamment les réponses d’un psychothérapeute.
Techniquement, ELIZA est très loin d’un assistant comme ChatGPT. Elle ne comprend pas réellement les conversations et fonctionne essentiellement grâce à des règles et des reformulations.
Et pourtant, quelque chose d’étonnant se produit. Certaines personnes ont l’impression de véritablement parler à quelqu’un.
C’est une première démonstration d’un phénomène qui reste très actuel. Nous avons naturellement tendance à attribuer de l’intelligence à une machine dès qu’elle nous répond de manière suffisamment convaincante.
1990-2010 : les machines commencent à apprendre
Les années 1990 marquent une nouvelle étape dans le développement des réseaux de neurones. Les chercheurs améliorent les réseaux de neurones récurrents (RNN), capables de prendre en compte une partie des informations précédentes lorsqu’ils traitent une séquence. Cela permet aux machines de mieux travailler avec des données qui se suivent : texte, parole, séries temporelles…
La génération de texte devient progressivement possible.
Les résultats sont encore très éloignés de ceux que nous connaissons aujourd’hui, mais l’idée est d’apprendre aux machines à repérer elles-mêmes les régularités présentes dans les données.
L’IA apprend les probabilités
Au fil des années 2000, les approches statistiques prennent une place importante dans le traitement automatique du langage.
Les machines apprennent à identifier des associations et des probabilités dans de grandes quantités de textes.
L’idée peut sembler presque trop simple :
Pour générer du texte, il faut notamment être capable d’estimer quel mot a le plus de chances de venir ensuite.
Mais cette idée va devenir l’un des fondements des modèles de langage modernes. Elle change notre manière de concevoir l’IA.
Il ne s’agit plus forcément de reproduire exactement le raisonnement humain, mais plutôt d’apprendre à partir de grandes quantités de données. L’idée est de produire des résultats proches de ceux d’une intelligence humaine.
2010-2021 : le deep learning accélère tout
Les données et la puissance de calcul changent encore la donne.
À partir des années 2010, plusieurs ingrédients sont enfin réunis.
Les volumes de données disponibles explosent. Les processeurs graphiques, ou GPU, deviennent extrêmement puissants. Les techniques d’apprentissage profond, ou deep learning, progressent rapidement.
Les réseaux de neurones peuvent désormais être entraînés sur des quantités de données beaucoup plus importantes.
Les performances progressent. L’IA commence à franchir des étapes qui semblaient encore très lointaines quelques années auparavant.
2017 : les transformers changent la trajectoire de l’IA
Puis arrive une publication qui va avoir un impact considérable : « Attention Is All You Need », publiée en 2017 par des chercheurs de Google et de l’Université de Toronto.
Elle présente l’architecture Transformer.
Pourquoi est-ce si important ? Parce que les Transformers comprennent mieux les liens entre les mots d’une phrase. Pour simplifier, imaginez que vous puissiez regarder toute une phrase et déterminer rapidement quels mots sont importants les uns pour les autres.
Cette capacité devient l’un des piliers des grands modèles de langage. Elle va ouvrir la voie à la génération de texte à grande échelle.
2018-2021 : les modèles de langage deviennent de plus en plus impressionnants
En 2018, Google présente BERT, un modèle qui améliore la compréhension du contexte dans de nombreuses tâches liées au langage.
Puis OpenAI dévoile GPT-3 en 2020. Le modèle est capable de générer du texte, de répondre à des questions, de produire du code ou encore d’imiter différents styles d’écriture à partir de simples instructions et exemples.
En parallèle, les modèles commencent aussi à s'étendre à d’autres formats.
Avec DALL·E, présenté par OpenAI en 2021, l’IA peut générer des images à partir de descriptions textuelles.
L’IA ne se contente donc plus d’analyser des informations. Elle commence à créer.
2022-aujourd’hui : l’IA générative entre dans notre quotidien
Le 30 novembre 2022, OpenAI met ChatGPT à disposition du grand public. L’IA n’est plus seulement un sujet de recherche ou une technologie utilisée en arrière-plan par quelques grandes entreprises. Elle devient une interface simple où l’on pose des questions et obtient des réponses.
En quelques semaines, des millions de personnes découvrent alors une nouvelle manière d’interagir avec l’informatique.
Il n’y a plus besoin de savoir programmer pour commencer à travailler avec une IA.
2023 : les entreprises commencent à passer de la curiosité à l’usage
En 2023, GPT-4 renforce encore les capacités des modèles de langage. D’autres acteurs, comme Anthropic avec Claude, développent leurs propres modèles et approches.
Les entreprises, quant à elles, commencent à se poser la question de savoir comment utiliser l’IA dans le travail. Les expérimentations se multiplient. Marketing, ressources humaines, relation client, finance, informatique, communication, formation…
Petit à petit, l’IA quitte le terrain de la curiosité technologique pour entrer dans celui de la productivité.
2024-2026 : l’IA ne se contente plus de répondre, elle commence à agir
Les modèles peuvent désormais travailler avec du texte, des images, de l’audio et selon les outils, de la vidéo. Une nouvelle génération d’outils IA apparaît avec les agents IA.
Par exemple, un chatbot répond à une question.
Un agent IA peut aussi, selon ses capacités et les outils auxquels il a accès, enchaîner plusieurs actions comme chercher une information, analyser un document, utiliser un logiciel, préparer un résultat ou exécuter une tâche.
C’est l’une des évolutions les plus importantes pour le monde professionnel puisque l’IA se présente maintenant comme un assistant.
L’IA comme copilote, pas comme pilote automatique
L’histoire de l’IA n’est pas juste une histoire de technologie. C’est aussi une histoire du travail.
Les outils évoluent, les métiers se transforment et certaines tâches qui demandaient autrefois plusieurs heures peuvent désormais être réalisées beaucoup plus vite. L’humain ne devient pas inutile pour autant. En effet, pour maîtriser l’IA, il faut des compétences. Il est notamment indispensable de comprendre ce que l’IA peut réellement faire et d’apprendre à bien travailler avec elle.
Une IA peut vous faire gagner du temps. Elle peut vous aider à explorer une idée, structurer un document, analyser des informations ou automatiser certaines tâches. Attention toutefois, elle peut aussi se tromper ! Elle peut produire une information fausse avec beaucoup d’assurance. Elle peut mal interpréter une demande. Elle peut même manquer un élément important du contexte.
Les professionnels qui tireront le meilleur parti de l’IA ne seront pas nécessairement ceux qui utilisent le plus d’outils. Ce seront ceux qui sauront quand les utiliser, comment les utiliser et surtout quand vérifier leur travail, d’où l’importance de se former. Formation vibe coding, formation growth ou encore formation pour apprendre à créer son agent IA, il existe plusieurs approches pour se former. Ces nouvelles compétences sont d’ailleurs de plus en plus prisées sur le marché.
