Qu'est-ce que l'IA, le machine learning et un large language model ?

Trois outils se trouvent en ce moment même sur votre téléphone : un filtre anti-spam qui met discrètement les courriers indésirables à la corbeille, une application photo qui retrouve chaque image de votre chien, et ChatGPT qui rédige une réponse polie à votre propriétaire. La plupart des gens appellent ces trois choses « IA ». Techniquement, ils ont raison. Mais ces trois choses fonctionnent de manières très différentes, et comprendre ces différences est la chose la plus utile que vous puissiez apprendre sur l'IA.

Démêlons tout ça.

L'IA est le grand parapluie

L'intelligence artificielle (IA) est une étiquette large qui désigne tout système informatique qui fait quelque chose que nous qualifierions normalement d'« intelligent » : reconnaître un visage, recommander un film, vous battre aux échecs, écrire un e-mail.

C'est tout. L'IA, c'est la catégorie entière. Elle ne dit rien sur *la façon* dont la chose intelligente se produit.

Un programme d'échecs des années 1980 était de l'IA. L'autocomplétion de votre téléphone aussi. ChatGPT aussi. Ils ne partagent presque rien sous le capot. « IA » est comme le mot « véhicule » : il couvre les vélos, les camions et les fusées.

Donc quand quelqu'un dit « nous avons ajouté de l'IA à notre application », il ne vous a presque rien dit. **La bonne question est toujours : *quel type ?***

Machine learning : des systèmes qui apprennent à partir d'exemples

La majeure partie de l'IA moderne est construite avec du machine learning (ML) : au lieu qu'un humain écrive des règles étape par étape, vous montrez à l'ordinateur des milliers d'exemples et vous le laissez trouver lui-même le pattern.

Voici le contraste.

Ancienne méthode (règles écrites à la main) : un programmeur écrit « si l'e-mail contient le mot GRATUIT en majuscules, le marquer comme spam ». Fragile. Les spammeurs écrivent simplement « G R A T U I T » à la place.

Méthode machine learning : vous alimentez le système avec 100 000 e-mails, chacun étiqueté « spam » ou « non spam ». Le système apprend quelles combinaisons de mots, d'expéditeurs et de patterns signalent généralement un spam. Personne n'a écrit les règles. Le système les a déduites des exemples.

Exemple 1 : le filtre anti-spam

Votre filtre anti-spam est un classifier : un modèle qui trie les choses dans des cases. Deux cases ici : spam ou non spam.

Il regarde un e-mail et produit une probabilité : « 92 % spam ». Au-delà d'un certain seuil, il part dans le dossier indésirables. Quand vous marquez manuellement quelque chose comme spam, vous lui donnez un nouvel exemple étiqueté, et il s'améliore un peu.

Exemple 2 : l'étiqueteur de photos

Votre application photo qui retrouve chaque image de votre chien utilise la même idée de base, appliquée aux images. Elle a été entraînée sur des millions de photos étiquetées (« ceci est un chien », « ceci est une plage », « ceci est un visage »). Elle a appris les patterns visuels.

C'est toujours un classifier, simplement avec des pixels en entrée au lieu de mots. Même famille. Sens différents.

Les deux exemples partagent un trait clé : ils accomplissent une seule tâche étroite. Le filtre anti-spam ne peut pas étiqueter vos photos. L'étiqueteur de photos ne peut pas trier vos e-mails. Ce sont des spécialistes.

Si vous voulez des bases rapides et accessibles sur le fonctionnement du machine learning, le Machine Learning Crash Course de Google propose une introduction gratuite et lisible.

Large language models : un autre type de spécialiste

Venons-en à ChatGPT qui rédige votre e-mail. C'est un large language modellarge language modelUn Large Language Model est un système d'IA entraîné sur d'énormes volumes de texte pour prédire et générer du langage, ce qui permet de rédiger, résumer ou répondre à des questions.Voir la définition complète → (LLM), un type de machine learning spécifique et récent, construit pour une tâche : prédire le prochain morceau de texte.

Voici la partie qui surprend les gens.

Un LLM est, fondamentalement, un très, très bon prédicteur du mot suivant.

Le jeu du mot suivant

Essayez de terminer cette phrase :

« Je me suis servi une tasse de ___ »

Vous avez dit « café » (ou peut-être « thé »). Vous n'avez rien cherché. Vous avez lu et entendu assez de français pour que le pattern soit évident.

Un LLM fait exactement cela, à une échelle énorme. Pendant l'entraînement, il a lu une immense tranche d'internet : livres, articles, sites web, code, forums. Son seul travail, des milliards de fois de suite, était : étant donné un texte, prédire ce qui vient ensuite. Deviner, comparer au texte réel, ajuster, répéter.

Faites cela assez longtemps, avec assez de texte et assez de puissance de calcul, et il se produit quelque chose de remarquable. Pour bien prédire le mot suivant, le modèle doit absorber la grammaire, des faits, des patterns de raisonnement, le ton et la structure des arguments. Bien prédire du texte s'avère exiger un modèle opérationnel de la façon dont le langage et les idées s'articulent.

Les « mots » sont en réalité des tokenstokensUn token est l'unité de base de texte que traitent les modèles de langage : le plus souvent un fragment de mot, un mot entier ou un signe de ponctuation, plutôt qu'un simple caractère.Voir la définition complète →

Une petite précision. Les LLM ne travaillent pas avec des mots entiers mais avec des tokens : des morceaux de texte, souvent un mot ou une partie de mot. « Café » peut être un token ; « invraisemblable » peut en faire trois. Quand vous entendez « le modèle prédit le prochain token », cela signifie simplement le prochain petit morceau de texte.

Comment la rédaction de votre e-mail fonctionne réellement

Quand vous tapez « Rédige un e-mail poli demandant à mon propriétaire de réparer le chauffage », le modèle ne va pas chercher un modèle type. Il prédit, un token à la fois, à quoi ressemblerait un e-mail utile et poli étant donné votre demande. « Cher » puis « Monsieur » puis « Smith », puis « je » puis « vous » puis « écris »... chaque token choisi parce qu'il constitue une continuation probable et sensée.

C'est pourquoi deux LLM (ou le même deux fois) peuvent vous donner des e-mails légèrement différents. Il y a un peu d'aléatoire contrôlé dans *le choix* du mot probable retenu. Cet aléatoire explique aussi pourquoi les LLM peuvent halluciner : produire avec assurance un texte qui sonne juste mais qui est factuellement faux. Il prédit des mots plausibles, il ne vérifie pas une base de données de vérités.

Le voir dans le code

Vous n'avez pas besoin d'être programmeur, mais voir l'appel réel démystifie les choses. Voici comment vous demanderiez à un LLM (Claude, en l'occurrence) de rédiger cet e-mail, via son APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → :

import anthropic

client = anthropic.Anthropic()  # utilise votre clé API

response = client.messages.create(
    model="claude-sonnet-4-5",
    max_tokens=300,
    messages=[
        {
            "role": "user",
            "content": "Write a short, polite email asking my landlord to fix the broken heater in apartment 4B."
        }
    ],
)

print(response.content[0].text)

C'est toute l'idée. Vous envoyez du texte (le content), le modèle prédit du bon texte en retour, token par token. La réponse revient sous forme de liste de blocs de contenu, d'où la lecture du premier bloc avec response.content[0].text. ChatGPT et Gemini fonctionnent de la même façon ; seul le nom du modèle et quelques détails changent.

Vous remarquerez max_tokens=300. Cela plafonne la quantité de texte renvoyée. Rappelez-vous : le modèle pense en tokens, vous budgétez donc littéralement sa sortie dans ces morceaux.

Pourquoi ces distinctions comptent vraiment

Ce n'est pas de la culture générale. Savoir à quel type d'IA vous avez affaire change la façon de l'utiliser.

Les LLM sont des généralistes ; les modèles de ML classiques sont des spécialistes. Le filtre anti-spam fait une chose parfaitement. Un LLM peut rédiger un e-mail, résumer un rapport, traduire, trouver des noms en brainstorming et expliquer une déclaration fiscale. Cette flexibilité est la percée de ces dernières années. Mais elle a une contrepartie.

Les LLM prédisent du texte plausible, pas de la vérité vérifiée. Un filtre anti-spam est rarement « faux de manière crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →éative ». Un LLM peut inventer une fausse jurisprudence ou une statistique erronée avec une totale assurance. Donc : utilisez les LLM pour rédiger, réfléchir et transformertransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → du texte. Vérifiez tout ce qui est factuel.

Le bon outil dépend de la tâche. Besoin de trier 50 000 avis clients entre « content » et « mécontent » ? Un simple classifier est moins cher et plus fiable qu'un LLM. Besoin d'écrire une réponse personnalisée à chaque client mécontent ? C'est le terrain du LLM. De plus en plus, les systèmes intelligents combinent les deux.

Une carte mentale rapide

• IA : le parapluie. Tout ce qu'un ordinateur fait d'« intelligent ».
• Machine learning : de l'IA qui apprend des patterns à partir d'exemples au lieu de règles écrites à la main. (Filtre anti-spam, étiqueteur de photos.)
• Large language model : un type spécifique de machine learning, entraîné à prédire le prochain morceau de texte, ce qui le rend étonnamment bon dans les tâches de langage. (ChatGPT, Claude, Gemini.)

Tout LLM est du machine learning. Tout machine learning est de l'IA. Mais toute IA n'est pas un LLM, et c'est cette confusion que cette leçon existe pour dissiper.

L'état d'esprit à garder

Quand vous utiliserez ChatGPT, Claude ou Gemini pour le reste de ce parcours, gardez cette image en tête : vous pilotez un puissant prédicteur du mot suivant.

Cette seule idée explique presque tout dans le travail avec ces outils. C'est pourquoi des prompts clairs produisent de meilleurs résultats (vous lui donnez un meilleur pattern de départ à poursuivre). C'est pourquoi il peut écrire magnifiquement et se tromper sur une date. C'est pourquoi lui donner votre document réel comme base vaut mieux que de le lui demander de mémoire.

Vous ne parlez pas à un moteur de recherche ni à une base de données. Vous collaborez avec un moteur de prédiction qui a lu une quantité énorme de choses et qui est très bon pour continuer tout ce que vous commencez.

Points clés

• Demandez toujours « quel type d'IA ? » « IA » n'est que le parapluie. La bonne question est de savoir si vous avez affaire à un classifier étroit (filtre anti-spam, étiqueteur de photos) ou à un LLM flexible (ChatGPT, Claude, Gemini).
• Un LLM est au fond un prédicteur du prochain token. Il a été entraîné à deviner le prochain morceau de texte sur une immense tranche d'internet, et c'est pourquoi il est à la fois remarquablement fluide et parfois faux avec assurance.
• Utilisez les LLM pour rédiger, résumer et transformer du texte ; vérifiez toujours les faits. Ils produisent du texte *plausible*, pas du texte *vérifié*.
• Adaptez l'outil à la tâche. Un simple classifier bat un LLM pour du tri répétitif à grande échelle. Un LLM gagne pour le travail de langage ouvert.
• Pilotez-le comme un moteur de prédiction. Des prompts clairs et précis et l'apport de votre propre matière première battront systématiquement les demandes vagues.