Plongez dans l’univers de l’IA et maîtrisez-en les termes et concepts clés grâce à ce glossaire consacré à l’IA générative.

Ce qu’il vous faut

Apprentissage dans l’application

Ouvrir Adobe Express

Les générateurs d’art et d’images IA sont un type de technologie d’intelligence artificielle générative. Ils fonctionnent sur le même principe que les autres formes d’IA, à savoir avec un modèle de machine learning et de vastes ensembles de données pour produire un résultat particulier. Capables de générer des images à partir de prompts simples, les générateurs d’images IA révolutionnent le processus de création en offrant une méthode rapide et efficace permettant de donner vie à vos concepts visuels avec d’innombrables applications.

Faisant appel à une classe d’algorithmes de machine learning, l’IA générative a vocation à créer du contenu à la fois inédit et original, comme les images de paysages présentées en exemples à la fin de cet article. La qualité et la diversité du résultat généré dépendent de celles des données d’apprentissage, de l’architecture et des paramètres du modèle, et du processus d’entraînement. En utilisant un langage courant et d’autres types d’entrée, n’importe qui peut générer des images, des vidéos, des documents, des expériences digitales et bien plus encore et, dans le cas d’Adobe Firefly, créer des images inédites, transformer du texte ou jouer avec les couleurs, entre autres. Cet article constitue un excellent point de départ pour acquérir une vue d’ensemble de l’IA.

Si les applications pratiques sont nombreuses et les résultats obtenus parfois impressionnants, l’IA ne relève néanmoins ni de la magie, ni de la science-fiction. Axé sur cette discipline innovante en constante évolution, le glossaire ci-après reprend les termes et concepts fondamentaux dont vous aurez besoin pour tirer parti des outils d’intelligence artificielle et d’IA générative.

L’IA se rapporte au domaine de l’informatique qui vise à créer des systèmes intelligents capables de réaliser des tâches nécessitant de simuler l’intelligence humaine. Elle englobe diverses techniques et algorithmes permettant aux machines d’apprendre à partir de données, de raisonner et de s’adapter à de nouvelles informations. L’intelligence artificielle s’appuie sur un modèle de machine learning, des jeux de données volumineux et la reconnaissance de formes pour produire un type de résultat précis : recommandations personnalisées, reconnaissance vocale, traductions, etc.

L’IA générative est un type d’intelligence artificielle capable de convertir des mots et d’autres données ordinaires en résultats extraordinaires. Si les débats autour de cette technologie portent essentiellement sur la création d’images et d’illustrations, les capacités de l’IA générative sont loin de se cantonner à la production d’images statiques à partir de prompts.

Avec quelques mots simples et le bon générateur d’IA, n’importe qui peut produire des vidéos, des documents, des expériences digitales, ainsi que des images et des œuvres sophistiquées. Les générateurs d’art IA peuvent aussi être utiles pour produire des « ressources de création », comme des pinceaux, des vecteurs et des textures, qui peuvent compléter ou constituer la base d’un contenu.

Un prompt est une instruction spécifique donnée à un modèle de langage IA afin de générer le contenu souhaité ou les réponses adaptées. Il s’agit généralement d’une courte phrase ou expression qui donne à l’IA du contexte et des indices pour générer un texte approprié. Les prompts sont couramment utilisés dans le traitement du langage naturel et les applications de création par l’IA.

La rédaction de prompts implique de formuler des questions ou des instructions écrites spécifiques pour aiguiller les modèles d’IA générative, en modelant leurs réalisations d’après le contenu et le style souhaités. L’efficacité des prompts joue un rôle crucial dans l’obtention des résultats voulus.

Offrant une nouvelle gamme de modèles d’IA générative pour les applications Adobe, Adobe Firefly mettra l’accent, dans un premier temps, sur les images et les effets de texte. Firefly proposera des méthodes inédites d’idéation, de création et de communication, tout en améliorant significativement les workflows créatifs. Firefly est l’extension naturelle des technologies qu’Adobe a mises au point ces 40 dernières années, guidé par la conviction que les gens devraient pouvoir donner vie à leurs idées exactement comme ils les imaginent.

Les grands modèles de langage (LLM), comme le fameux ChatGPT-3, sont entraînés sur plusieurs milliards de paramètres et excellent dans le traitement du langage et la génération de textes comparables à ceux produits par l’être humain. Ils se révèlent remarquables sur diverses tâches mettant en jeu la compréhension et la génération du langage naturel.

Également appelé apprentissage automatique, le machine learning est un champ d’étude de l’IA qui permet aux systèmes d’apprendre à partir de données et d’améliorer progressivement leurs performances sans programmation explicite. Il englobe des techniques d’apprentissage supervisé, non supervisé et par renforcement.

Les réseaux de neurones sont des modèles de calculs inspirés de la structure du cerveau humain. Composés de nœuds interconnectés (ou neurones) organisés en couches, ils sont couramment utilisés pour diverses tâches relevant de l’IA.

Le deep learning, ou apprentissage profond, est un procédé de machine learning utilisant des réseaux de neurones possédant plusieurs couches cachées se prêtant au traitement de données complexes et à la résolution de problèmes délicats, comme la reconnaissance d’image et le traitement du langage naturel.

Dans le domaine de l’IA, la génération d’images suppose de créer de toutes pièces des images réalistes, à l’aide de modèles génératifs tels que des réseaux antagonistes génératifs (RAG), des auto-encodeurs variationnels (AEV) ou des transformeurs (modèles auto-attentifs), révolutionnant les applications de création et la génération de contenu visuel. Les générateurs d’art IA sont un type de technologie d’IA générative. Ils fonctionnent sur le même principe que les autres formes d’intelligence artificielle, à savoir avec un modèle de machine learning et de vastes ensembles de données pour produire un résultat particulier.

Dans le domaine de l’IA, la génération de texte désigne le processus consistant à produire du contenu écrit cohérent et contextuellement pertinent en faisant appel à de grands modèles de langage ou à des réseaux de neurones récurrents.

L’apprentissage non supervisé est un procédé de machine learning dans lequel le modèle apprend à partir de données non étiquetées, découvrant les structures et schémas sous-jacents sans supervision en bonne et due forme.

L’apprentissage par transfert est une technique d’IA qui consiste à utiliser les connaissances acquises lors de l’apprentissage d’une tâche pour améliorer l’apprentissage et les performances sur une tâche analogue, en particulier lorsque les données d’apprentissage sont limitées pour cette nouvelle tâche.

L’augmentation de données consiste à accroître artificiellement la taille d’un jeu de données d’entraînement en appliquant diverses transformations à celles de départ, améliorant ainsi la capacité de généralisation du modèle.

Le biais d’IA désigne la présence de préférences déloyales ou injustes dans des modèles d’IA, qui sont souvent le reflet des préjugés humains existant dans les données d’entraînement et donnent lieu à des résultats discriminatoires.

L’explicabilité de l’IA a pour objet de favoriser l’intelligibilité et la transparence des processus décisionnels des modèles d’IA. Cette démarche est essentielle pour instaurer des relations de confiance et comprendre leur comportement, notamment dans des applications stratégiques.

Dans le domaine de l’IA, l’éthique porte sur le développement, le déploiement et l’utilisation responsables des technologies d’IA, en s’attelant aux questions de confidentialité, de biais, de transparence et de responsabilité.

L’art créé par intelligence artificielle englobe les illustrations créées ou cocréées par des systèmes d’IA au moyen d’algorithmes génératifs, concrétisant le rapprochement de la créativité humaine et des outils d’intelligence artificielle. Les générateurs d’IA comme Adobe Firefly peuvent booster la créativité en offrant des moyens inédits de tester et de concrétiser des idées.

La vision du projet Firefly est de permettre aux créateurs et aux créatrices d’employer un langage courant et d’autres types d’entrées pour utiliser l’IA afin de tester rapidement des variantes de design, supprimer des éléments indésirables sur des photos, enrichir une illustration, modifier l’ambiance d’une vidéo, appliquer des textures à des objets 3D, créer des expériences digitales et bien plus encore.

La confidentialité des données a trait à la protection des informations personnelles et sensibles utilisées dans les jeux de données d’entraînement IA afin d’empêcher tout accès non autorisé à celles-ci et toute utilisation abusive.

La traduction d’image à image est une technique d’IA générative qui convertit les images d’un domaine vers un autre, en automatisant certaines tâches comme la conversion d’esquisses en images photoréalistes ou la transformation de scènes diurnes en scènes nocturnes.

Les modèles de langage sont des systèmes d’IA conçus pour traiter et générer le langage humain. Ils jouent un rôle crucial dans l’exécution de diverses tâches liées au traitement du langage naturel, comme la traduction automatique et la synthèse de texte.

Modèles d’IA entraînés sur de grandes quantités de données, les modèles préentraînés peuvent être utilisés à des fins de perfectionnement ou d’apprentissage par transfert sur des tâches spécifiques.

Le traitement du langage naturel est un champ de l’IA s’attachant principalement à permettre aux ordinateurs de comprendre, d’interpréter et de générer le langage humain. Il recouvre des applications telles que les chatbots et l’analyse du ressenti.

Dans le domaine de l’IA, le transfert de style consiste à appliquer le style d’une image au contenu d’une autre, créant ainsi des productions visuelles artistiques inédites.

Technique de génération d’image par l’IA, l’inpainting est utilisée pour combler les parties manquantes d’une image, souvent à des fins de restauration et d’amélioration.

Le réglage des hyperparamètres désigne le processus d’optimisation du paramétrage (hyperparamètres) des modèles d’IA pour améliorer leurs performances.

La transférabilité désigne la capacité des modèles d’IA à appliquer les connaissances qu’ils ont acquises dans un domaine à un autre domaine pour améliorer leurs performances.

L’IA multimodale traite et génère des contenus à partir de plusieurs types de données (texte, images et sons, par exemple), accentuant la diversité et la créativité des productions.

Les RAG appartiennent à une classe de modèles d’IA générative composée de deux réseaux de neurones, le générateur et le discriminateur, œuvrant en parallèle à la production de données synthétiques de qualité.

Les AEV sont des modèles génératifs faisant appel à un encodeur et à un décodeur pour les entraîner sur les représentations latentes des données et générer de nouveaux échantillons.

Un transformeur est un type d’architecture de deep learning couramment utilisé avec les grands modèles de langage, facilitant le traitement en parallèle des données et améliorant l’efficacité des calculs.

L’IA collaborative met en jeu des systèmes d’IA conçus pour fonctionner en coordination avec les êtres humains, étoffant les capacités humaines et facilitant la prise de décision collaborative.

Les enjeux éthiques de l’IA générative portent notamment sur le risque de générer des contenus biaisés, le déploiement d’une IA responsable et les répercussions sur la collectivité et le secteur artistique de contenus générés par l’IA.

Un modèle de langage spécialisé dans un domaine particulier est un modèle d’IA formé à une discipline ou à un secteur d’activité donné pour produire des résultats adaptés et précis.

L’autorisation d’exploitation des contenus générés par l’IA prend en compte les aspects juridiques liés à la propriété et aux droits d’usage des contenus produits par les systèmes d’IA.

La collaboration Humain-IA implique l’intégration de technologies d’IA en marge d’une contribution humaine, favorisant une symbiose relationnelle permettant de tirer avantage des atouts de ces deux parties dans leurs travaux de création.

En s’attachant à limiter les biais dans les modèles d’IA, les techniques d’atténuation des biais garantissent des résultats justes et équitables dans les contenus générés et les décisions prises.

L’inférence désigne le processus consistant à utiliser un modèle d’IA entraîné pour établir des prévisions ou générer du contenu à partir de nouvelles données d’entrée.

Les données de domaine correspondent aux jeux de données d’entraînement qui représentent parfaitement le domaine d’application spécifique ou la tâche cible, gage de performances optimales du modèle d’IA.

Deep Dream est une technique de visualisation de réseaux de neurones utilisée pour enrichir et modifier des images, créant des visuels surréalistes et oniriques.

Le nettoyage des données passe par l’identification et la correction des erreurs et incohérences dans les jeux de données afin d’assurer un entraînement fiable et rigoureux du modèle d’IA.

Les auto-encodeurs sont une catégorie de réseaux de neurones utilisés dans l’apprentissage non supervisé pour compresser, puis reconstruire des données, souvent utilisées dans les tâches d’IA générative.

La stochasticité fait référence à l’aspect aléatoire des modèles d’IA, contribuant à la diversité des résultats générés.

L’apprentissage zéro exemple, ou zero-shot learning, est une méthode de machine learning selon laquelle un modèle exécute des tâches pour lesquelles il n’a pas été expressément entraîné et dont il ne dispose que d’une description textuelle.

L’apprentissage à exemple unique, ou one-shot learning, est une méthode de machine learning selon laquelle un modèle apprend à partir d’un seul exemple, imitant les facultés d’apprentissage humaines.

L’apprentissage auto-supervisé est un paradigme en vertu duquel un modèle met à profit la structure intrinsèque des données pour générer son propre étiquetage, évitant ainsi d’avoir à étiqueter manuellement des jeux de données volumineux.

Les plateformes d’IA collaborative comme Adobe Firefly offrent aux artistes et aux créateurs et créatrices des outils de collaboration avec l’IA, ce qui favorise la génération de contenu innovant et l’exploration de nouvelles dimensions en matière de créativité.

Démarche collective à laquelle participent divers acteurs et sociétés technologiques, la Content Authenticity Initiative (CAI) a vocation à définir des standards et des technologies pour vérifier l’authenticité des contenus qui circulent sur les médias digitaux. La CAI s’efforce de lutter contre les fausses informations et les infox vidéo en proposant des outils permettant de retracer l’origine et l’historique des modifications de ces fichiers multimédias, garantissant l’intégrité du contenu et sa transparence.

Les informations de traçabilité du contenu se rapportent aux métadonnées ou aux certificats numériques associés au contenu digital, dont elles confirment l’origine, l’autorat et l’historique des modifications. Ces informations de traçabilité, qui s’inscrivent dans le cadre de la Content Authenticity Initiative, jouent un rôle crucial en attestant de la légitimité et de la fiabilité des fichiers multimédias.

Technique mêlant intelligence artificielle et vision par ordinateur, l’outpainting sert à générer du contenu en dehors du cadre d’une image existante. Contrairement à l’inpainting, qui comble les parties manquantes d’une image, l’outpainting en étend le contenu au-delà des bords d’origine, ce qui donne souvent lieu à des extrapolations créatives et réalistes.

Dans le contexte des logiciels et des applications d’IA, Bêta renvoie à une phase de tests rendant un produit ou service accessible à un groupe restreint de personnes avant sa sortie officielle. Les bêta-tests sont l’occasion, pour les équipes de développement, de recueillir les commentaires, de repérer les bugs et d’apporter certains perfectionnements en fonction de l’usage effectif, et œuvrant ainsi à la diffusion d’une version finale impeccable et plus stable.

Dans le contexte de l’IA, l’usage commercial, correspond à l’utilisation de modèles d’IA, d’applications ou de contenu généré par l’IA à des fins lucratives. Le droit d’indemnisation, pour sa part, a trait à la protection juridique ou à l’indemnité compensatrice accordée aux personnes ayant potentiellement subi des pertes, dommages et autres préjudices du fait de l’utilisation de produits ou services mettant en jeu l’IA.

La Coalition for Content Provenance and Authenticity (C2PA) est une alliance d’acteurs qui collaborent au développement de standards et de technologies visant à certifier l’origine, l’authenticité et la fiabilité du contenu digital. Étroitement liée à la Content Authenticity Initiative, la C2PA vise à combattre la désinformation massive et à garantir l’intégrité des médias.

Technique relevant de la vision par ordinateur et de la retouche d’image, le remplissage d’après le contenu permet à une application optimisée par l’IA de supprimer intelligemment des objets ou de combler les parties manquantes d’une image. L’IA analyse les pixels environnants et tient compte des textures pour générer instantanément un contenu de remplacement, en préservant la cohérence visuelle et en obtenant un résultat naturel.

Le processus de mesure ou de crédits a pour objet de mentionner ou de remercier les personnes qui ont créé le contenu généré par l’IA ou en sont propriétaires. Cette reconnaissance de paternité contribue à éviter le plagiat et à faire respecter les droits de propriété intellectuelle.

Dans le contexte de l’intelligence artificielle, le bruit fait référence à des données non pertinentes ou aléatoires présentes dans un jeu de données. Ces informations parasites risquant d’être préjudiciables aux performances et à la précision des modèles de machine learning, elles contribuent à faire de la réduction du bruit une étape de prétraitement essentielle dans la préparation des données.

Les variantes, appliquées aux modèles d’IA ou aux algorithmes, correspondent aux différentes versions ou itérations créées en apportant des modifications ou ajustements spécifiques au modèle d’origine. Il peut s’agir de rectifier des hyperparamètres, des données d’entraînement ou des configurations architecturales en vue d’explorer différentes approches et d’améliorer les performances.

Dans le contexte de l’entraînement d’un modèle d’IA, les graines (seeds) désignent les premières valeurs aléatoires définies pour en initialiser les paramètres. L’utilisation de différentes valeurs de graines renvoie des résultats variés durant l’entraînement, et il s’agit d’une technique courante pour maîtriser l’aspect aléatoire et garantir la reproductibilité.

ControlNet est un concept de recherche IA qui suppose d’entraîner un réseau de neurones distinct parallèlement au modèle principal pour surveiller et réguler ses résultats. Ce réseau auxiliaire fait office de mécanisme de contrôle, contribuant à renforcer la stabilité du modèle, sa fiabilité et l’adhésion au comportement souhaité.

L’acronyme NSFW, qui signifie « Not Safe for Work », signale que le contenu en question revêt un caractère explicite, rendant sa consultation inappropriée dans certains lieux. Une liste NSFW, ou liste de contenus bloqués, est une compilation de mots-clés, phrases ou descripteurs utilisés par les systèmes d’IA pour détecter et filtrer les informations inadéquates ou sensibles dans le contenu UGC ou les résultats de recherche.