Modèle (Model)

En IA et en machine learning, un modèle, c'est le résultat de l'entraînement d'un algorithme sur des données. C'est une sorte de programme qui a appris à reconnaître des patterns, à faire des prédictions, à générer du contenu. Concrètement, c'est un fichier (souvent volumineux) qui contient tous les paramètres appris par l'algorithme. Quand on lui donne une nouvelle donnée en entrée, il utilise ces paramètres pour produire un résultat en sortie. Pour un directeur, comprendre ça, c'est comprendre ce qu'on achète ou ce qu'on construit quand on investit dans l'IA.

Comment on crée un modèle

La création d'un modèle, c'est un processus en plusieurs étapes. D'abord, on choisit une architecture d'algorithme (un type de réseau de neurones, par exemple). Ensuite, on lui donne à "manger" des données d'entraînement. Pour un modèle de classification d'images, on lui montre des millions d'images étiquetées ("ceci est un chat", "ceci est un chien"). L'algorithme ajuste petit à petit ses paramètres internes pour que ses prédictions soient les plus justes possible. C'est la phase d'apprentissage, qui peut durer des jours ou des semaines sur des ordinateurs très puissants.

Une fois l'entraînement terminé, on a un modèle. On le teste sur des données qu'il n'a jamais vues pour vérifier qu'il généralise bien, qu'il n'a pas simplement "appris par cœur" les données d'entraînement. Si les performances sont satisfaisantes, le modèle est prêt à être utilisé en production. Il peut alors être déployé, par exemple via une API, pour analyser de nouvelles images, prédire des comportements clients, ou générer du texte.

Les différents types de modèles

Il y a autant de modèles que de problèmes à résoudre. Des modèles de classification (est-ce un spam ou non ?), de régression (quel sera le chiffre d'affaires demain ?), de clustering (comment regrouper mes clients de façon pertinente ?). Et puis les modèles génératifs, comme les LLM, qui génèrent du texte, des images, du son.

On distingue aussi les modèles selon leur degré de spécialisation. Les modèles de fondation (foundation models) sont des modèles gigantesques, entraînés sur des données massives et variées, capables de faire beaucoup de choses (comme GPT-4). Ensuite, on peut les spécialiser (on parle de fine-tuning) sur des données plus spécifiques pour les adapter à un domaine particulier (le droit, la médecine, votre entreprise).

Enfin, il y a les modèles open source (disponibles publiquement, comme ceux de Meta ou Mistral) et les modèles propriétaires (détenus par des entreprises comme OpenAI ou Google). Le choix a des implications sur le coût, la confidentialité, la possibilité de personnalisation.

Ce qu'un modèle n'est pas

Un modèle n'est pas intelligent au sens humain. Il ne comprend pas le sens de ce qu'il fait. Il manipule des statistiques, des probabilités. Quand il génère une phrase, il prédit le mot le plus probable étant donné les mots précédents. Point. C'est pourquoi il peut dire des absurdités (hallucinations) avec le même aplomb qu'il dit des choses vraies.

Un modèle n'est pas non plus éternel. Les données évoluent, le monde change. Un modèle entraîné sur des données d'il y a deux ans peut devenir obsolète. Il faut le ré-entraîner, le mettre à jour. C'est ce qu'on appelle le drift, la dérive du modèle. La maintenance d'un modèle en production est un vrai métier.

Implications pour l'entreprise

Si vous utilisez un modèle existant (via API), vous achetez un service. Vous n'avez pas à gérer l'infrastructure, la mise à jour. C'est simple, rapide, mais vous dépendez du fournisseur, et vos données partent chez lui. Si vous entraînez votre propre modèle, vous avez le contrôle, la confidentialité, la possibilité de l'adapter parfaitement à votre métier. Mais c'est cher, complexe, et ça demande des compétences pointues.

Une voie intermédiaire : le fine-tuning. Vous partez d'un modèle de base (souvent open source), et vous l'entraînez un peu sur vos données. C'est moins coûteux qu'un entraînement complet, et ça vous donne un modèle adapté à votre langage, vos produits, vos clients. C'est souvent la meilleure approche pour une entreprise qui veut se différencier avec l'IA.