Ce que nous entendons par IA

Ce que vous apprendrez

Temps estimé : 20 minutes

À la fin de cette leçon, vous serez capable de :

• Distinguer l'IA générative de l'IA de classification et de prédiction que vous rencontrez déjà quotidiennement
• Comprendre que les propriétés de l'IA générative existent sur un continuum allant de la capacité à la limitation
• Apercevoir les quatre propriétés fondamentales que vous explorerez en profondeur : Next Token Prediction, Knowledge, Working Memory et Steerability

Ce que nous entendons par IA générative

(4 minutes)

La plupart de l'IA dans le monde (filtres anti-spam, recommandations, détection de fraude) n'est pas générative. Ce cours porte sur celle qui l'est : les modèles de texte basés sur des transformateurs qui produisent du nouveau contenu un token à la fois.

Construire un modèle mental de la machine

Cadre des capacités et limitations de l'IA

Quatre propriétés qui façonnent ce que l'IA peut et ne peut pas faire pour vous. Chacune se situe sur un spectre — plus à droite, plus vous devriez vérifier et compenser.

Capacité

Limitation

Next Token Prediction

D'où viennent les réponses de l'IA ?

Chemins bien tracés : résumer, reformater, expliquer les concepts courantsTerritoire nouveau, motifs rares, « vrai vs. semble vrai »

Knowledge

Que sait réellement l'IA ?

Fréquent, récent à l'entraînement, cohérent : sujets grand public, langues populairesRare, post-cutoff, niche, local ou contesté

Working Memory

À quoi l'IA prête-t-elle attention en ce moment ?

Le matériel s'adapte confortablement, la session est actuelle, vous fournissez un contexte pertinentDocuments/conversations très longs, attente de continuité entre sessions (la falaise)

Steerability

Quel contrôle ai-je ?

Instructions courtes, concrètes, vérifiables (« répondre sous forme de tableau », « moins de 100 mots »)Chaînes de raisonnement longues, demandes abstraites, précision native

Points clés à retenir

• L'IA générative produit du nouveau contenu plutôt que de classer le contenu existant.
• **L'IA n'est pas uniformément capable ou uniformément peu fiable. ** Elle est forte et faible selon quatre axes prévisibles : Next Token Prediction, Knowledge, Working Memory et Steerability.
• **Chaque propriété est un continuum. ** Le même mécanisme vous donne à la fois la capacité et la limitation.
• La confiance calibrée signifie localiser votre tâche sur le continuum, plutôt que d'accorder ou de refuser la confiance en bloc.

Exercices

Exercice : Générative ou non ?

Pourquoi ? Vous venez d'apprendre que l'IA générative est fondamentalement différente de l'IA qui filtre votre spam et recommande votre prochaine vidéo. Maintenant, vous allez utiliser cette distinction sur votre propre expérience.

• **Listez cinq fonctionnalités alimentées par l'IA avec lesquelles vous avez interagi cette semaine. ** Jetez un large filet : autocomplétion, marquage de photos, filtrage du spam, réponses de chatbot, traduction, recommandations de produits, assistants vocaux.
• Pour chacune, notez votre conclusion : produit-elle du nouveau contenu, ou trie-t-elle, classe-t-elle et catégorise-t-elle le contenu existant ?
• **Partagez votre liste avec une IA et demandez-lui de vérifier vos conclusions. ** Pour celles que vous avez mal comprises (ou dont vous n'étiez pas sûr), demandez-lui d'expliquer la distinction en une phrase. Puis demandez : « Laquelle de ces cinq est la plus susceptible d'avoir un mode de défaillance que ce cours m'aidera à comprendre ? »
• **Retournez à votre liste de tâches de la leçon 1. ** Pour chaque tâche, étiquetez-la avec la question de propriété qui vous semble la plus pertinente en ce moment :
• D'où viennent les réponses ? (Next Token Prediction)
• Que sait-elle ? (Knowledge)
• À quoi prête-t-elle attention ? (Working Memory)
• Quel contrôle ai-je ? (Steerability)

Vous n'êtes pas censé bien réussir. Vous créez des prédictions que vous testerez au cours des quatre prochaines leçons.

Réflexion sur la leçon

• La distinction générative/classification avec l'IA a-t-elle changé votre façon de penser à un outil que vous utilisez ?
• Regardez comment vous avez étiqueté votre liste de tâches. Y a-t-il une tâche qui pourrait appartenir à plus d'une propriété ?

Prochaines étapes

Avant d'approfondir les quatre propriétés, nous consacrerons une leçon à la façon dont un système d'IA finit par avoir une personnalité. Pourquoi il est poli, utile, honnête, pourquoi il accepte parfois trop facilement, pourquoi il refuse certaines choses. Ce processus de façonnage laisse des traces sur tout ce qui suit.

Retours d'information

Au fur et à mesure que vous progressez dans le cours, nous aimerions entendre parler de la façon dont vous utilisez les concepts du cours dans votre travail, ainsi que tout retour d'information que vous pourriez avoir. Partagez vos retours ici.

Remerciements et licence

Copyright 2026 Anthropic. Travail original s'appuyant sur le cadre de maîtrise de l'IA développé par le Prof. Rick Dakan (Ringling College of Art and Design) et le Prof. Joseph Feller (University College Cork). Publié sous la licence CC BY-NC-SA 4. 0.