Faouzi El Bantli, PhD – MBA

Consultant Expert en gestion des risques & Chercheur E-mail : faouzi1429@gmail.com

L’intelligence artificielle (IA) est une branche de l’informatique qui vise à créer des systèmes capables d’effectuer des tâches qui nécessitent en principe l’intelligence humaine. L’IA englobe principalement :

  • Apprentissage des machines (Machine Learning) : Un sous-ensemble de l’IA dans lequel les algorithmes apprennent à partir de données pour faire des prédictions ou prendre des décisions sans être explicitement programmés. Il comprend :
    • L’apprentissage supervisé (Supervised Learning) : apprentissage à partir de données étiquetées.
    • L’apprentissage non supervisé (Unsupervised Learning) : recherche de modèles cachés dans des données non étiquetées.
    • Apprentissage par renforcement (Reinforcement Learning) : apprentissage par interaction avec un environnement afin de maximiser une certaine notion de récompense cumulative.
  • Réseaux de neurones et Apprentissage profond (Neural Networks and Deep Learning) : Inspirés du cerveau humain, ces modèles consistent en des couches interconnectées de nœuds (« neurones »). L’apprentissage profond utilise des réseaux neuronaux multicouches pour modéliser des modèles complexes dans de grands ensembles de données. Il excelle dans des tâches telles que la reconnaissance d’images et de la parole

L’IA a intégré la robotique pour effectuer des tâches de manière autonome ou semi-autonome, de la fabrication aux soins de santé et autres.

L’IA a permet de simuler via des programmes automatisés la capacité de prise de décision d’un expert humain. Ces programmes utilisent des bases de connaissances et des règles d’inférence pour résoudre des problèmes complexes dans des domaines spécifiques tels que le diagnostic médical ou les prévisions financières.

L’IA a un large éventail d’applications dans divers secteurs d’activité économique. Au niveau de la santé, l’IA aide au diagnostic, et à la découverte de médicaments. Au niveau des finances, l’IA est utilisée pour la détection des fraudes, le trading algorithmique et les services bancaires personnalisés. Au niveau de transport, l’IA alimente les véhicules autonomes et optimise la logistique et les opérations de la chaîne d’approvisionnement. Au niveau du service à la clientèle, l’IA met en œuvre des chabots et des assistants virtuels pour traiter les demandes des clients et améliorer l’efficacité du service.

Les progrès constants de l’IA continuent de transformer de multiples facettes de notre vie quotidienne, en rendant les processus plus efficaces et moins coûteux.

L’IA générative est un sous-ensemble de l’IA axé sur la création de nouveaux contenus ou de données qui ressemblent à des données existantes. Elle implique des modèles et des algorithmes capables de générer du texte, des images, des vidéos et d’autres formes de contenu.

L’IA générative va stimuler considérablement la productivité dans divers secteurs et peut avoir un impact important sur l’économie mondiale. En automatisant les tâches, en optimisant les processus, en améliorant la prise de décision et en favorisant l’innovation, l’IA générative peut apporter des milliers de milliards de dollars à l’économie mondiale chaque année. Selon une étude de McKinsey[1], ‘’l’adoption et l’intégration des technologies d’IA générative pourraient générer un chiffre d’affaires annuel compris entre 2,6 et 4,4 billions de dollars. Cette estimation est basée sur une analyse de 63 cas spécifiques, soulignant le vaste potentiel et les implications étendues de l’IA générative. Pour mettre cela en perspective, le PIB total du Royaume-Uni en 2021 était d’environ 3,1 billions de dollars, ce qui souligne l’ampleur de cet impact économique’’.

Néanmoins, dans une étude récente de McKinsey[2], il est indiqué que ‘’l’enthousiasme initial et l’effervescence de 2023 cèdent la place à des doutes et à des réajustements, car les entreprises se rendent compte qu’il est plus difficile que prévu de saisir l’énorme valeur potentielle de l’IA générative’’. Ainsi ‘’pour créer un avantage concurrentiel, les entreprises doivent d’abord comprendre la différence entre être un « preneur » (un utilisateur d’outils disponibles, souvent via des APIs[3] et des services d’abonnement), un « façonneur » (un intégrateur de modèles disponibles avec des données propriétaires) et un « créateur » (un créateur de LLMs[4]). Pour l’instant, l’approche créatrice est trop coûteuse pour la plupart des entreprises, donc le point idéal pour les entreprises est de mettre en œuvre un modèle de preneur pour améliorer la productivité tout en construisant des applications de façonneur pour un avantage concurrentiel’’.

L’IA générative, malgré son potentiel de transformation, est confrontée à plusieurs défis importants. Les modèles d’IA générative nécessitent de grandes quantités de données de haute qualité. Des données de mauvaise qualité ou insuffisantes peuvent conduire à mauvaise performance du modèle. Les modèles génératifs, en particulier les modèles d’apprentissage profond sont intrinsèquement complexes. Cette complexité les rend difficiles à les appliquer. Ces modèles fonctionnent souvent comme des « boîtes noires », ce qui rend difficile la compréhension de la manière dont ils prennent les décisions. L’IA générative peut être utilisée pour créer des images, des vidéos et des enregistrements audio très réalistes mais faux, ce qui présente des risques de désinformation et de fraude. Il existe un risque que l’IA générative soit utilisée de manière malveillante, par exemple pour générer des contenus nuisibles ou automatiser des cyber-attaques.

Le paysage réglementaire de l’IA générative est encore en évolution. Naviguer dans ce domaine et assurer la conformité avec les différentes lois et normes peut s’avérer difficile. Il n’existe pas de lignes directrices normalisées pour le développement et le déploiement de systèmes d’IA générative, ce qui peut entraîner des incohérences et des problèmes de qualité.

Les gouvernements et les organismes de réglementation doivent élaborer des réglementations claires et applicables qui établissent un équilibre entre l’innovation et la protection contre les risques potentiels.


[1] The economic potential of generative AI, June 2023. McKinsey & Company.

[2] A generative AI reset: Rewiring to turn potential into value in 2024, March 2024. McKinsey & Company.

[3] API : Application Programming Interface est un moyen d’accéder par programmation à des modèles (généralement externes), à des ensembles de données ou à d’autres logiciels

[4] LLM : Large Language Models constituent une classe de modèles de base capables de traiter d’énormes quantités de texte non structuré et d’apprendre les relations entre les mots ou les parties de mots, appelés jetons.