Maîtrise l’IA en 10 min et rejoins le TOP 15% des experts !

L'autre jour, Chat GPT m'a bouleversé. Je lui ai demandé quel est le pourcentage de la population qui ne maîtrise pas l'IA, et je suis tombé de ma chaise en voyant sa réponse: moins de 15 % de la population. C'est comment utiliser l'IA? J'ai décidé de résumer en une dizaine de minutes des centaines d'heures de cours sur l'IA pour vous permettre à tous de rattraper votre retard.

Le but de la vidéo, c'est absolument pas de vous faire un cours complet sur toute l'histoire de l'IA, mais néanmoins, je suis obligé de vous présenter trois thématiques fondamentales pour comprendre comment l'intelligence artificielle est devenue un vrai phénomène de société. La première thématique, c'est l'intelligence artificielle en elle-même. Pourquoi est-ce qu'on a créé l'intelligence artificielle? Le but ici, ça a été, à la base, de se demander comment est-ce que je peux créer un système capable d'avoir la même réflexion qu'un humain pour pouvoir effectuer des tâches. Et ces solutions d'intelligence artificielle, elles ont vite pu évoluer dans un sous-domaine de l'IA qui est très connu aujourd'hui: le machine learning.

Le machine learning, le but, c'est de pouvoir permettre à l'IA de faire des tâches en étant entraîné via des données qu'on va lui injecter. Afin d'illustrer le concept de machine learning, j'ai pris un exemple ici. On a une image d'un chat, on a une autre image d'un chat. Donc je peux entraîner le modèle en lui disant: "Ça, c'est un chat, ça, c'est un chat." Par contre, ici, on a pas un chat, on a plutôt une souris. Et bien, le machine learning, si j'alimente le modèle en lui disant: "Ça, c'est un chat, ça, c'est pas un chat", et bien, au fur et à mesure, il va être capable lui-même de pouvoir faire cette classification à ma place.

Et le machine learning lui-même a permis l'arrivée de ce qu'on appelle aujourd'hui le Deep learning. Donc c'est une branche du machine learning qui fait que le modèle est auto-apprenant. C'est-à-dire que si on reprend l'exemple des chats juste avant, et bien, à force, il va être capable lui-même, sans que je l'entraîne, de pouvoir reconnaître des animaux qui sont des chats et qui ne le sont pas. Alors, l'arrivée du Deep learning, ça a nécessité beaucoup plus de données, beaucoup plus de calcul et donc de ressources, mais c'est aussi ce qui a donné lieu à des résultats juste spectaculaires. Et c'est justement en parlant de spectaculaire qu'on a vu l'arrivée récente des LLM, les Large Language Model, qui sont en fait, et bien, encore une sous-catégorie, cette fois-ci, du Deep learning, basé sur des réseaux de neurones qui ont la capacité à prédire à chaque fois le mot d'après ou bien à générer des contenus. Et c'est notamment ces LLM qui ont vu l'émergence de la GMI, l'intelligence artificielle générative, une intelligence artificielle capable de, cette fois-ci, générer des contenus cohérents basés sur les données des LLM. Dans un LLM, on peut avoir des milliards de paramètres. Et une dernière chose qui rend, et bien, ces deux pratiques totalement distinctes des autres, c'est qu'ils sont optimisés pour le langage naturel. Donc la capacité à pouvoir directement discuter avec eux comme on discute ici dans la vidéo par la voix ou bien par du texte.

Et ici, j'ai pris un petit exemple pour illustrer le concept d'IA générative où je vais demander de générer la photo d'un chat qui est apuré. Et ici, voilà le résultat qui serait généré par un génératif: c'est une image qui n'existe pas et qui a été générée tout simplement à l'aide d'un LLM. Alors toutes ces avancées, elles ont permis l'émergence de trois types de solution d'intelligence artificielle. La première, c'est les solutions IA dites autonomes. Alors une solution IA autonome, elle est dite autonome parce qu'elle peut fonctionner de manière indépendante avec une configuration minimale. C'est notamment le cas de Chat GPT ou bien de Claude ou encore de Gemini. Ensuite, on a les solutions IA dites spécialisées. Elles sont dites spécialisées parce qu'elles sont aussi indépendantes avec une configuration minimale, mais à la grande différence, c'est qu'elles sont entraînées sur une tâche spécifique. C'est notamment le cas, par exemple, de Midjourney pour la génération d'images, le cas de Microsoft Copilot pour travailler dans Excel, dans PowerPoint, ou encore de Cursor AI qui est capable d'être spécialisé sur le développement. Et enfin, on a les solutions IA dites personnalisées. Elles sont dites personnalisées parce qu'elles ont été conçues pour répondre à un besoin spécifique. En effet, si on prend les autres solutions, par exemple Chat GPT, et bien tout le monde a la même utilisation qu'on va ensuite pouvoir un petit peu personnaliser. Alors qu'une IA à personnaliser, et bien on va aller l'entraîner sur un besoin très spécifique et qui est beaucoup moins réplicable à très grande échelle. Par exemple, imaginez que j'ai un réseau de magasins qui effectue des ventes tous les jours, et bien je vais aller entraîner un modèle d'IA personnalisé qui va me permettre d'exploiter toutes mes données de vente. Et le fait de pouvoir entraîner le modèle va me permettre, par exemple, d'optimiser les publications sur mes réseaux sociaux, de pouvoir analyser la saisonnalité de mes ventes.

Une fois que j'ai ma solution IA, qu'elle soit personnalisée, autonome, vous vous demandez certainement comment est-ce que je vais pouvoir l'utiliser. Et pour ça, je dois introduire la notion de contexte. Plus vous donnez de contexte à l'intelligence artificielle sur l'environnement dans lequel vous vous trouvez, plus la réponse sera toujours pertinente. Mais où est-ce que vous allez pouvoir exprimer ce contexte? Et là, ça permet d'introduire la notion clé des 10 prochaines années dans l'IA: le prompt. Le prompt, c'est le moyen de pouvoir échanger avec l'IA générative. Par exemple, juste ici, si je dis à Chat GPT: "Trouve-moi des restaurants pour dans le 17e arrondissement de Paris pour ce soir", et bien je viens de donner un prompt à Chat GPT, et Chat GPT me fournit une réponse. Et cette réponse, elle me permet de revenir sur la notion de contexte. Si vous regardez ici, il n'a aucun élément sur moi à part que j'habite à Paris, visiblement dans le 17e arrondissement, alors que si dans mon prompt j'avais donné plus de contexte: "Je suis végétarien", et bien la réponse, cette fois-ci, de Chat GPT, elle est sensiblement différente en sélectionnant seulement des restaurants végétariens. D'ailleurs, cette notion de contexte et de prompt, elle fait partie d'un ensemble qu'on appelle le prompt engineering. Le prompt engineering, c'est certainement la compétence clé dans l'IA pour les 10 prochaines années. C'est ce qui vous permet de bien communiquer avec l'IA générative.

Je vais à présent vous donner trois techniques de prompt engineering que vous pouvez utiliser directement. Mais juste avant ça, et en moins de 30 secondes, je voulais vous rappeler qu'en description de la vidéo, vous retrouvez le lien vers ma communauté IA 100 % gratuite, ouverte à tout le monde. C'est dans cette communauté que vous retrouvez toutes les ressources de mes vidéos, vous pouvez échanger avec moi, bénéficier de mes conseils. On est plus de 300 dans la communauté, ça ne fait que de grandir, il y a que des bonnes raisons pour la rejoindre. Vous retrouvez aussi en description le lien pour télécharger mon guide gratuit sur l'IA. Ce guide, il comprend plein de ressources pour pouvoir intégrer l'IA dans votre quotidien. Et pour ceux qui veulent aller encore plus loin, vous retrouvez tout le lien de présentation de ma Masterclass. C'est une Masterclass de référence en France pour maîtriser le prompt engineering et toutes les meilleures IAs du marché. Et c'est la seule Masterclass qui se met à jour tous les mois, ce qui fait qu'en la rejoignant, vous avez un accès à vie et vous êtes toujours à la pointe de l'intelligence artificielle.

Alors la première technique de prompt engineering, c'est le zero-shot. C'est ce qui va consister à avoir une IA qui peut réaliser une tâche sans avoir été entraînée spécifiquement dessus. Par exemple, juste ici: "Génère une fiche produit sur une chaise pliable électrique". On voit qu'en quelques secondes, il a pu générer cette fiche avec une description, des caractéristiques, des spécifications, pourquoi choisir la chaise, le contenu du colis. La deuxième technique, c'est le one-shot. La différence, c'est qu'on va donner un et un seul exemple à l'IA générative pour pouvoir la guider et lui permettre de comprendre la tâche à réaliser. Par exemple, juste ici, si je reprends mon exemple de génération de fiche produit, j'ai à nouveau le prompt qui a été tapé, sauf que cette fois-ci, je vais lui donner un exemple: "Voici un exemple de description de produit", avec un exemple, une description. Et là, après quelques secondes, comme vous pouvez le voir, la fiche produit qui a été générée, elle est beaucoup plus courte, étant donné qu'elle est basée uniquement sur le one-shot que j'avais donné à l'IA générative. La prochaine technique, c'est le few-shot. La différence avec le one-shot, c'est qu'on va donner plusieurs exemples cette fois-ci à l'IA générative pour encore mieux encadrer sa réponse et la guider dans l'accomplissement de sa tâche. Ici, on retrouve l'exemple de génération de fiche produit pour la chaise pliable, sauf que cette fois-ci, je vais donner comme ça plusieurs exemples à l'IA générative. Et comme vous pouvez le voir, cette fois-ci, la fiche produit, elle reprend vraiment bien les exemples que j'avais donné au-dessus, en respectant les emojis et en s'adaptant à la chaise pliable électrique.

Enfin, même en moins de 10 minutes, je ne pouvais pas vous laisser sans vous partager cette technique extrêmement puissante, parce que vous allez me dire: "Super, j'ai des few-shots extrêmement grands que je vais donner à Chat GPT, et à la fin, je vais peut-être pas avoir des super bonnes réponses." Et bien, pour ça, je suis obligé de vous parler du chain of thoughts. Le chain of thoughts, l'idée, c'est qu'on va aller découper une tâche en plusieurs petites étapes. Le problème complexe, il devient des petites étapes très simples à faire pour l'IA générative, et à la fin, ça va tout simplement améliorer sa capacité à résoudre la tâche. Afin d'illustrer ça dans Chat GPT, ici, j'ai la génération de ma fiche produit, sauf qu'avant de rédiger, on va analyser des points essentiels: les caractéristiques techniques, les avantages concrets, les émotions, et avoir un exemple. Et là, comme on peut le voir, même si Chat GPT n'a pas terminé de donner sa réponse, on a une description, on a des points forts, "Idéal pour...", et là vous voyez que la fiche produit, c'est vraiment plus du tout la même. J'ai bien segmenté les étapes, et comme ça, j'ai quelque chose que je trouve encore plus percutant grâce au chain of thoughts.

Alors, malgré tout ça, il y a quand même quelques limitations quand on utilise de l'IA qui sont à connaître pour bien monter en compétence. Déjà, les données qui ont servi à entraîner le modèle ont directement une influence sur les résultats que vous allez avoir. Si les données sont de mauvaise qualité, vous allez pas forcément avoir de très bonnes réponses. Les hallucinations, c'est un terme un peu technique, mais en fait, l'IA est peu hallucinée. Vous avez l'impression qu'elle vous donne toujours une réponse à n'importe quelle question, et bien n'hésitez pas à vérifier les sources et à vérifier les réponses qu'elle va vous donner, parce que très souvent, elle peut donner l'impression d'avoir la réponse, mais la réponse est totalement erronée. C'est ce qu'on appelle une hallucination. Et enfin, elles ont des mémoires limitées, c'est-à-dire qu'il faut à chaque fois redonner les éléments de contexte qu'on a vu avant, réutiliser les techniques de prompt engineering, parce qu'en fait, elle vous connaît à l'instant de votre session où vous discutez avec elle, ou peut-être en donnant quelques informations, mais elle n'a pas encore une mémoire illimitée sur qui vous êtes pour toujours s'adapter. Vous devez sans cesse la réentraîner sur ces petits détails. Enfin, si on veut aller encore plus loin, et bien sachez qu'il y a juste ici une vidéo qui s'affiche et qui vous présente trois agents IA. Les agents IA, c'est vraiment le phénomène à la mode sur l'IA en 2025. Vous pouvez les voir, ils vous permettent d'automatiser toutes vos tâches et ainsi, bah, tout simplement pouvoir les reproduire pour votre quotidien.