Intelligence artificielle et LLM : comprendre les modèles de langage

Qu'est-ce que l'intelligence artificielle ?

L'intelligence artificielle (IA) est un domaine de l'informatique qui vise à créer des systèmes capables de réaliser des tâches nécessitant normalement l'intelligence humaine : comprendre le langage, reconnaître des images, prendre des décisions ou générer du contenu.

L'IA se décline en plusieurs sous-domaines :

• Machine Learning (ML) — l'ordinateur apprend à partir de données
• Deep Learning — apprentissage basé sur des réseaux de neurones profonds
• NLP (Natural Language Processing) — traitement du langage naturel
• Computer Vision — analyse et compréhension d'images

Du Machine Learning aux LLM

Machine Learning

Le Machine Learning repose sur l'idée d'entraîner un modèle sur des données pour qu'il puisse faire des prédictions :

Données d'entraînement → Algorithme → Modèle → Prédictions

Exemples classiques :

• Détection de spam dans les emails
• Recommandation de produits
• Prédiction de prix

Deep Learning

Le Deep Learning utilise des réseaux de neurones artificiels à plusieurs couches pour apprendre des représentations de plus en plus complexes des données.

Entrée → [Couche 1] → [Couche 2] → ... → [Couche N] → Sortie

C'est le Deep Learning qui a permis les avancées majeures en reconnaissance d'images, traduction automatique et génération de texte.

Les Transformers : la révolution

En 2017, Google publie l'article "Attention Is All You Need" qui introduit l'architecture Transformer. Cette architecture est la base de tous les LLM modernes.

Le mécanisme clé est l'attention : le modèle apprend à identifier quelles parties de l'entrée sont les plus pertinentes pour chaque partie de la sortie.

Qu'est-ce qu'un LLM ?

Un Large Language Model (grand modèle de langage) est un réseau de neurones entraîné sur d'énormes quantités de texte pour comprendre et générer du langage naturel.

Comment fonctionne un LLM ?

1. Pré-entraînement — le modèle lit des milliards de textes et apprend les patterns du langage
2. Fine-tuning — le modèle est affiné sur des données spécifiques pour une tâche donnée
3. RLHF (Reinforcement Learning from Human Feedback) — des humains évaluent les réponses pour améliorer la qualité

Le principe de la prédiction

Un LLM prédit le prochain mot (ou token) le plus probable dans une séquence :

Entrée : "Le soleil se couche sur la"
Prédiction : "mer" (probabilité: 0.23), "ville" (0.18), "montagne" (0.15)...

C'est cette prédiction successive, mot après mot, qui permet de générer des textes cohérents.

Les principaux LLM

Modèles propriétaires vs open source

Propriétaires (GPT-4o, Claude, Gemini) :

• Accessibles via API payante
• Très performants
• Données traitées sur des serveurs externes

Open source (Llama, Mistral) :

• Exécutables en local (avec Ollama par exemple)
• Données restent privées
• Personnalisables et fine-tunables

Cas d'usage des LLM

Génération de texte

• Rédaction d'articles, emails, résumés
• Traduction automatique
• Création de contenu marketing

Assistance au code

# Un LLM peut générer du code à partir d'une description
# Prompt : "Fonction Python qui vérifie si un nombre est premier"

def is_prime(n):
    if n < 2:
        return False
    for i in range(2, int(n**0.5) + 1):
        if n % i == 0:
            return False
    return True

Analyse et extraction

• Résumer de longs documents
• Extraire des informations structurées d'un texte
• Classifier des données (sentiments, catégories)

Chatbots et assistants

• Support client automatisé
• Assistants virtuels personnalisés
• FAQ intelligentes

Utiliser les LLM en pratique

Via une API (exemple avec Claude)

import anthropic

client = anthropic.Anthropic(api_key="votre-clé")

message = client.messages.create(
    model="claude-sonnet-4-20250514",
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "Explique le machine learning simplement."}
    ]
)

print(message.content[0].text)

Via une API (exemple avec OpenAI)

from openai import OpenAI

client = OpenAI(api_key="votre-clé")

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "user", "content": "Explique le machine learning simplement."}
    ]
)

print(response.choices[0].message.content)

En local avec Ollama

# Installer Ollama
curl -fsSL https://ollama.com/install.sh | sh

# Lancer un modèle
ollama run llama3

Les concepts clés

Tokens

Les LLM ne lisent pas des mots mais des tokens — des fragments de mots. En moyenne, 1 token ≈ 0,75 mot en français.

"Bonjour le monde" → ["Bon", "jour", " le", " monde"] → 4 tokens

Température

La température contrôle la créativité du modèle :

• 0.0 — réponses déterministes et factuelles
• 0.7 — bon équilibre créativité/cohérence
• 1.0+ — réponses plus créatives mais moins prévisibles

Contexte (context window)

La fenêtre de contexte est le nombre maximum de tokens que le modèle peut traiter en une seule fois :

Prompt engineering

Le prompt engineering est l'art de formuler des instructions efficaces pour un LLM :

❌ Mauvais prompt :
"Parle-moi de Python"

✅ Bon prompt :
"Explique les 5 structures de données les plus utilisées en Python,
avec un exemple de code pour chacune. Niveau débutant."

Techniques courantes :

• Zero-shot — poser la question directement
• Few-shot — donner des exemples avant la question
• Chain of thought — demander au modèle de raisonner étape par étape
• System prompt — définir le rôle et le comportement du modèle

Les limites des LLM

• Hallucinations — le modèle peut inventer des informations fausses avec assurance
• Données obsolètes — les connaissances s'arrêtent à la date d'entraînement
• Biais — le modèle reflète les biais présents dans ses données d'entraînement
• Coût — les modèles les plus performants sont coûteux à utiliser à grande échelle
• Confidentialité — attention aux données sensibles envoyées à des APIs externes

RAG : augmenter les LLM avec vos données

Le RAG (Retrieval-Augmented Generation) permet de combiner un LLM avec une base de connaissances externe :

1. L'utilisateur pose une question
2. Le système recherche les documents pertinents dans votre base
3. Les documents trouvés sont envoyés au LLM comme contexte
4. Le LLM génère une réponse basée sur vos données

C'est la solution idéale pour créer un assistant qui connaît votre documentation, vos produits ou vos processus internes.

Conclusion

Les LLM représentent une avancée majeure en intelligence artificielle. Ils transforment la façon dont nous interagissons avec la technologie — de la génération de code à l'analyse de documents. Comprendre leur fonctionnement, leurs capacités et leurs limites est devenu essentiel pour tout développeur souhaitant les intégrer efficacement dans ses projets.