Au cœur du moteur d’IA

L’utilisation de l’IA peut sembler étonnamment simple. Il suffit de saisir une demande, de sélectionner une option, de téléverser un élément ou simplement d’utiliser un outil dont l’IA fonctionne en arrière-plan. Derrière cette interaction se cache toutefois un système beaucoup plus vaste comprenant des données, des modèles, de la puissance de calcul et une infrastructure matérielle.

Il n’est pas nécessaire d’être informaticien ou informaticienne pour comprendre ces éléments de base. Pensez à une voiture. Vous comprenez probablement que le moteur la fait avancer, que le carburant la maintient en marche et que les routes et les autres infrastructures lui permettent de circuler, sans pour autant savoir comment construire ou réparer une voiture. On peut aborder l’IA de la même façon. Comprendre quelques composantes clés peut rendre beaucoup moins mystérieux ce qui se passe en arrière-plan.

Si l’IA était cette voiture :

L’analogie de la voiture nous permet de comprendre simplement comment ces éléments s’articulent, mais examinons de plus près chaque composante d’un système d’IA : ce qu’elle est, ce qu’elle fait et comment elle contribue à l’ensemble.

Les données sont le carburant de l’IA. Elles fournissent les exemples que les systèmes d’apprentissage automatique utilisent pour repérer des tendances et des relations.

Au lieu de programmer un système d’IA avec une règle pour chaque situation possible qu’il pourrait rencontrer, l’apprentissage automatique permet à un modèle d’apprendre des tendances à partir d’exemples. Ces exemples sont des données. À mesure qu’un modèle les traite, il repère des tendances et des relations qui contribuent à déterminer ce qu’il est capable de faire.

Mais d’où viennent toutes ces données? Cela dépend de ce que l’IA est conçue pour faire.

Un modèle linguistique peut apprendre à partir de grandes collections de textes. Un système de reconnaissance d’images peut être entraîné à l’aide d’images étiquetées. Un système de recommandation peut apprendre à partir des interactions antérieures d’une personne, par exemple ce sur quoi elle a cliqué, ce qu’elle a regardé ou ce avec quoi elle a interagi. Un système de prévision météorologique peut utiliser des années d’observations, comme la température, les précipitations et les conditions atmosphériques. Autrement dit, il n’existe pas un seul type de « données d’IA ». Les différents systèmes d’IA apprennent à partir de différents types d’information selon ce qu’ils sont conçus pour faire.

• Texte → IA linguistique
• Images étiquetées → Reconnaissance d’images
• Interactions antérieures → Système de recommandation
• Observations météorologiques historiques → Prévisions météorologiques

Il est important de garder à l’esprit que davantage de données ne signifie pas automatiquement une meilleure IA. Les types d’exemples à partir desquels une IA apprend, ainsi que leur qualité, peuvent influencer ce qu’elle apprend et son rendement. Au chapitre 2, nous examinerons de beaucoup plus près la qualité des données et ce qui peut se produire lorsqu’elles sont incomplètes, inexactes ou biaisées.

Les données donnent à l’IA de quoi apprendre, mais ce n’est qu’une partie de l’équation. Les systèmes d’IA ont aussi besoin de puissance de calcul pour traiter les données. La puissance de calcul, aussi appelée capacité de traitement, est souvent désignée simplement par le terme « calcul ». Imaginez une grande pile de problèmes de mathématiques. Une personne pourrait les résoudre un à la fois, mais une grande équipe pourrait répartir le travail et en résoudre plusieurs à la fois. La puissance de calcul fonctionne de façon semblable. Une plus grande capacité de traitement permet aux ordinateurs d’effectuer davantage de calculs, souvent beaucoup plus rapidement.

Deux types importants de processeurs sont les CPU (unités centrales de traitement) et les GPU (processeurs graphiques). Les CPU exécutent bon nombre des instructions générales nécessaires au fonctionnement d’un ordinateur. Les GPU sont particulièrement efficaces pour effectuer de nombreux calculs en même temps, ce qui les rend bien adaptés au travail mathématique qu’exige l’IA. À mesure que les processeurs comme les GPU sont devenus plus puissants, la puissance de calcul offerte à l’IA a aussi augmenté. Cela a été l’un des principaux moteurs des progrès rapides de l’IA, permettant aux systèmes d’IA de traiter davantage d’information et d’accomplir des tâches de plus en plus complexes.

La capacité de calcul en IA du Canada est en croissance

Alors, où tous ces calculs sont-ils réellement effectués? Souvent, la réponse est « dans le nuage ». Mais malgré son nom, le nuage est bien ancré dans le monde physique. Il repose sur des ordinateurs et d’autres équipements situés dans centres de données partout dans le monde.

Les centres de données sont des installations physiques remplies d’ordinateurs et d’autres équipements servant à traiter et à stocker l’information. À l’intérieur, les processeurs fournissent la puissance de calcul, les systèmes de stockage conservent les données et les connexions réseau permettent à l’information de circuler d’un endroit à l’autre, et tous ces équipements ont besoin d’électricité pour fonctionner et produisent de la chaleur qui doit être gérée. Les centres de données dépendent donc de systèmes de refroidissement, de connexions réseau, de mesures de sécurité et d’autres équipements pour assurer un fonctionnement fiable.

Mais quel est le lien avec l’outil d’IA que vous pourriez utiliser sur un ordinateur portable, une tablette ou un téléphone? Lorsque vous utilisez un outil d’IA infonuagique, votre appareil n’effectue pas tous les calculs lui-même. Il peut plutôt envoyer une demande par un réseau à des ressources informatiques situées dans un centre de données. Ces ressources traitent la demande et renvoient le résultat à votre appareil.

En fin de compte, ce qui semble être une simple interaction à l’écran dépend d’un système physique beaucoup plus vaste qui fonctionne en coulisses.