Pour une souveraineté totale, et afin qu’aucune donnée ne quitte votre infrastructure, imaginez, en une phrase, un assistant IA intelligent, qui ne dépend ni d’OpenAI, ni du cloud américain, et qui respecte totalement la confidentialité de vos données. C’est ce que permet une architecture RAG sur un cluster de calcul local (chez vous ou dans votre entreprise).

Heni Bouhamed *

Les briques techniques expliquées simplement

Comment ça marche (étape par étape) :

Ingestion : Vous chargez vos documents (PDF, bases de données, logs) dans le cluster.

Indexation : Solr les organise pour qu’ils soient cherchables rapidement (texte + sens).

Question utilisateur : Vous posez une question à l’assistant.

Recherche : Le système va chercher les passages pertinents dans Solr.

Génération : Le LLM local rédige une réponse précise en s’appuyant uniquement sur ces passages.

Résultat : une réponse juste, traçable, et sans risque de fuite de données.

Des exemples concrets prouvant que c’est important :

Santé : les dossiers patients ne quittent jamais l’hôpital.

Banque / Finance : les données sensibles restent dans le data center de l’entreprise.

Administration publique : souveraineté nationale garantie.

Start-up / PME : pas de dépendance aux géants du cloud, coût maîtrisé.

Cette architecture permet de :

– traiter descentaines de téraoctets de données brutes ;

– répondre à des millions de requêtes (ex: Black Friday) ;

– résister à des pannes machines (redondance) ;

– fonctionner sans connexion Internet possible.

En résumé,vous installez un “mini Google + ChatGPT” chez vous, totalement privé, capable de comprendre vos propres documents et d’y répondre intelligemment – sans jamais envoyer vos données ailleurs.

Cela s’adresse aux ingénieurs data, DSI d’entreprises sensibles ; toute organisation publique ou privée qui veut reprendre le contrôle de ses données.

* Senior Lecturer at Sfax University, Tunisia.

L’article Créer un assistant IA 100% souverain avec une architecture RAG est apparu en premier sur Kapitalis.

Héni Bouhamed *

1. Le mythe de la localisation des données

De nombreuses entreprises privés et institutions publiques (ministères & toutes autres administrations) pensent être protégées car leurs données sont hébergées sur des serveurs en Europe ou en Tunisie. C’est une illusion dangereuse. Le droit américain ne suit pas les données, il suit le prestataire.

Le paysage juridique américain en 2026 est plus menaçant que jamais pour les entités non-américaines. Deux piliers législatifs forment une tenaille mortelle :

Le Cloud Act (2018) : ce texte donne aux autorités américaines le pouvoir d’exiger d’une entreprise technologique US (Google, Microsoft, Anthropic, OpenAI) la communication de données, peu importe où elles se trouvent. Que vos serveurs soient à Francfort, à Singapour ou à Tunis, si votre fournisseur est américain, le gouvernement US peut y accéder via un mandat.

La Section 702 du Fisa : initialement conçue pour le contre-terrorisme, cette loi permet une surveillance sans mandat préalable des communications. Pire, des rapports récents montrent que ces outils de surveillance massive sont désormais utilisés pour la lutte contre l’immigration et pourraient être déployés contre des entreprises américaines elles-mêmes.

Le piège pour vos agents IA : si vous utilisez des modèles d’Anthropic, OpenAI ou Gemini, même via une interface locale, les prompts et les fragments de données sensibles voyagent vers les serveurs US. Le Cloud Act s’applique. En cas de crise, un «bouton off/on» ou une injection de biais dans les modèles n’est pas une théorie du complot, mais une possibilité technique et juridique offerte à Washington.

2- La réponse mondiale : la souveraineté numérique en action

Face à cette menace, des blocs entiers ne restent pas passifs. Un mouvement planétaire vers l’IA souveraine est en marche, où les États exigent que leurs données restent sous leur contrôle juridique et infrastructurel.

Voici des exemples concrets déjà en fonctionnement, classés par région :

Ces initiatives prouvent un basculement historique : on ne se contente plus d’acheter des services cloud américains «durcis». On construit des écosystèmes nationaux complets, de la couche physique (hardware) jusqu’aux modèles d’IA.

3. ZettaSpark Tunisie : une alternative souveraine

Dans ce mouvement, ZettaSpark Tunisie apporte une réponse adaptée aux entreprises et aux États qui possèdent déjà des infrastructures de données massives.

ZettaSpark est une plateforme logicielle complète conçue pour déployer et gérer des environnements Big Data directement au sein de l’infrastructure sur site d’une entreprise, afin de stocker des données hautement sensibles.

Historiquement expert en traitement distribué (Hadoop, Spark, Kafka), ZettaSpark Tunisie franchit un cap en intégrant l’IA générative et agentique directement dans vos clusters. Sa philosophie :«Vos données ne quittent jamais votre infrastructure».

Contrairement aux solutions cloud propriétaires, ZettaSpark Tunisie se déploie sur vos serveurs, dans votre datacenter, en Tunisie ou ailleurs. Vous bénéficiez ainsi :

• de l’indépendance juridique : fin du Cloud Act. Pas de prestataire américain, pas de mandat extraterritorial ;
• de la confidentialité totale : les modèles tournent en local. Vos secrets industriels, données de santé ou stratégies sensibles ne sont pas aspirés par une API étrangère ;
• de la maîtrise des coûts : fini les surprises de facturation des tokens ;
• d’un écosystème technique «vitaminé» par vos Big Data : ZettaSpark Tunisie ne se limite pas à un simple chatbot local. La plateforme permet à des agents intelligents d’interagir directement avec vos silos de données massives ;
• de connecteurs MCP version locale : contrairement à l’utilisation standard de Claude Desktop qui envoie vos données aux US, ZettaSpark Tunisie force le MCP (Model Context Protocol) à fonctionner en local. Vos agents peuvent lire vos bases de données, vos lacs de données/Lake house (HDFS/Iceberg) et exécuter des tâches sans jamais exposer un octet à l’extérieur ;
• de modèles agnostiques : utilisez Llama 4, Gemma 4, DeepSeek ou Qwen sur vos propres GPU, orchestrés par Spark ;
• de sécurité renforcée : authentification Kerberos, contrôle d’accès, et chiffrement de bout en bout.

3- Une vision pour le tissu industriel

«Ne vous contentez plus d’analyser le passé. Donnez à votre entreprise les agents capables de construire le futur.»

ZettaSpark Tunisie permet à une banque de traiter ses données clients sensibles, à un ministère de la défense d’analyser du renseignement, ou à une usine d’optimiser sa maintenance prédictive, sans dépendre de la bonne volonté de Washington.

4. Le moment d’agir est maintenant

Le droit américain ne vous protégera pas. Les extensions du Fisa 702 sont votées dans l’urgence, souvent sans débat public approfondi, créant une insécurité juridique permanente pour les utilisateurs non-US.

La solution n’est pas dans la résistance isolée, mais dans l’architecture technique.

Comme l’ont compris l’Afrique de l’Est, le monde arabe ou l’Inde, la souveraineté numérique se gagne code par code, serveur par serveur.

ZettaSpark Tunisie vous donne les outils pour faire de votre infrastructure Big Data un bastion d’IA agentique indépendant.

Pour aller plus loin : découvrez comment déployer votre première flotte Big Data/Agents souverains sur ZettaSpark. 

* Senior Lecturer at Sfax University, Tunisia.

Sources : National Law Review (2026), East African Community (2026), Just Security (2026), Wiley Connect (2026), Digit India (2026), AICTO (2026), Oracle Blogs (2026).

L’article La dépendance à l’IA US menace notre souveraineté est apparu en premier sur Kapitalis.

Imed Bahri

Le magazine britannique The Economist rapporte dans une enquête consacrée à la course à l’IA dans le domaine du renseignement que Trump a qualifié le lancement du grand modèle de langage de DeepSeek de «signal d’alarme» tandis que Mark Warner, vice-président de la commission sénatoriale du renseignement, a reconnu que la communauté du renseignement américain était «surprise» par la rapidité des progrès de la Chine. 

L’année dernière, l’administration Biden a exprimé sa crainte que les espions et les soldats chinois ne dépassent l’adoption rapide de l’IA et a lancé un plan d’urgence pour renforcer la dépendance des secteurs du renseignement et de l’armée à cette technologie.

The Economist explique que le plan prévoit notamment d’ordonner au Département de la Défense américain (le Pentagone), aux agences de renseignement et au Département de l’Énergie (responsable de la production d’armes nucléaires) d’intensifier leurs expérimentations avec les derniers modèles d’IA et de renforcer leur coopération avec des laboratoires privés de premier plan tels qu’Anthropic, Google DeepMind et OpenAI.

Washington met le paquet

Concrètement, le 14 juillet, le Pentagone a attribué des contrats d’une valeur maximale de 200 millions de dollars chacun à ces entreprises, ainsi qu’à XAI, propriété du milliardaire Elon Musk, pour développer des modèles d’IA agentique capables de prendre des décisions, d’apprendre en continu des interactions et d’effectuer plusieurs tâches en les décomposant en étapes et de contrôler d’autres appareils tels que des ordinateurs ou des véhicules.

Toutefois, cette course, selon The Economist, ne se limite pas au Pentagone. Les modèles d’IA se répandent rapidement au sein des agences de renseignement, utilisés pour analyser des données classifiées et interagir avec des informations sensibles.

Des entreprises ont également développé des versions modifiées de leurs modèles, capables de gérer des documents classifiés, de maîtriser des langues et dialectes sensibles aux besoins du renseignement et de les exécuter sur des serveurs déconnectés de l’Internet public.

En janvier dernier, Microsoft a annoncé que 26 de ses produits de cloud computing avaient été approuvés pour une utilisation par les agences de renseignement.

En juin, Anthropic a annoncé le lancement de Claude Gov, un nouveau chatbot spécialement conçu pour l’armée et les agences de renseignement américaines. L’entreprise a souligné qu’il était déjà largement utilisé par toutes les agences de renseignement américaines, aux côtés d’autres modèles issus de laboratoires concurrents.

D’autres nations s’engouffrent dans la brèche

Les États-Unis ne sont pas les seuls à suivre cette évolution. Le magazine rapporte que la Grande-Bretagne cherche à rattraper le train en marche et cite une source britannique haut placée qui a confirmé, sous couvert d’anonymat, que tous les membres de la communauté du renseignement du pays avaient désormais accès à des modèles de langage hautement classifiés.

En Europe, l’entreprise française Mistral, leader et quasi unique entreprise d’IA en Europe, s’est associée à l’Agence militaire d’intelligence artificielle du pays pour développer le modèle Saba, entraîné à partir de données du Moyen-Orient et d’Asie du Sud et parlant couramment l’arabe et d’autres langues régionales comme le tamoul.

En Israël, le média +972 Magazine a rapporté que l’utilisation du modèle GPT-4 d’OpenAI par l’armée a été multipliée par 20 depuis le début de la guerre dans la bande de Gaza, ce qui témoigne de l’adoption rapide de ces modèles dans des contextes militaires réels.

Malgré cette activité frénétique, les experts du secteur reconnaissent que l’adoption de l’IA par les agences de sécurité reste modeste. Katrina Mulligan, responsable des partenariats de sécurité chez OpenAI, affirme que l’adoption de l’IA n’a pas encore atteint le niveau souhaité.

Même avec des pôles d’excellence, comme l’Agence nationale de sécurité américaine, de nombreuses agences restent à la traîne, soit parce qu’elles ont conçu leurs propres systèmes d’exploitation soit en raison de la prudence bureaucratique à adopter des mises à jour rapides des modèles courants.

Refonte de la mission de renseignement

Certains experts estiment que la véritable transformation ne réside pas dans la seule utilisation des chatbots mais dans la refonte de la mission de renseignement elle-même, comme le souligne Tarun Chhabra, ancien fonctionnaire du Conseil national de sécurité et actuel directeur de la politique de sécurité chez Anthropic.

D’autre part, les organismes de recherche mettent en garde contre les attentes excessives placées dans ces modèles. Le docteur Richard Carter de l’Institut Alan Turing en Grande-Bretagne estime que le principal problème réside dans les «hallucinations» que produisent les modèles –des réponses inexactes ou trompeuses– qui constituent un risque majeur dans un environnement exigeant une fiabilité absolue. Le taux d’hallucination dans le dernier modèle d’IA produit par OpenAI a atteint environ 8%, un taux supérieur aux modèles précédents.

Selon The Economist, ces inquiétudes s’inscrivent dans les réserves des fondateurs du projet, notamment au sein d’agences comme le Service britannique de renseignement et de sécurité (GCHQ), qui compte parmi ses ingénieurs des personnes sceptiques face aux nouvelles technologies non testées.

Cela rejoint un débat plus large sur l’avenir de l’IA. Le docteur Carter fait partie de ceux qui estiment que la structure des modèles de langage général actuels n’est pas adaptée au type de raisonnement causal qui leur permet une compréhension solide du monde. Selon lui, la priorité des agences de renseignement devrait être d’inciter les laboratoires à développer de nouveaux modèles basés sur des styles de pensée et de raisonnement différents.

Inquiétudes quant à la supériorité de la Chine

Malgré la réticence des institutions occidentales, les inquiétudes grandissent quant à la supériorité potentielle de la Chine. Philip Reiner, de l’Institut pour la sécurité et la technologie de la Silicon Valley, déclare: «Nous ignorons encore dans quelle mesure la Chine utilisera DeepSeek dans les domaines militaire et du renseignement. L’absence de contraintes éthiques strictes de la Chine pourrait lui permettre d’extraire des informations plus pertinentes plus rapidement». 

Face à ces inquiétudes, le 23 juillet, l’administration Trump a ordonné au ministère de la Défense et aux agences de renseignement de procéder à des évaluations périodiques du niveau d’adoption de l’IA au sein des institutions de sécurité américaines par rapport à des concurrents comme la Chine et de développer un mécanisme d’adaptation continue.

Les observateurs s’accordent presque sur un point fondamental: le plus grand danger ne réside pas dans la précipitation des États-Unis à adopter l’IA mais dans le fait que leurs institutions restent bloquées dans leurs vieux schémas bureaucratiques.

«Ce qui m’inquiète vraiment, c’est que nous gagnions la course à l’intelligence artificielle générale (IAG) mais perdions celle de son adoption effective», déclare Katrina Mulligan.

* Le modèle de langage est un type d’intelligence artificielle conçu pour comprendre, générer et traiter le langage humain.

L’article La course à l’IA bat son plein dans le monde du renseignement est apparu en premier sur Kapitalis.

Raouf Laroussi *

L’intelligence artificielle (IA) a été propulsée sur le devant de la scène depuis que le grand public a découvert l’IA générative proposée par la société OpenAI et son ChatGPT.

En effet, ChatGPT fait beaucoup de choses comme un humain en donnant des réponses bien rédigées aux questions qu’on lui pose à propos de presque tout. Les capacités de l’IA générative et des différentes solutions dans ce domaine se sont rapidement démultipliées depuis le lancement de ChatGPT, le 30 novembre 2022. Il est désormais possible de générer non seulement des textes mais aussi des images, des vidéos, de la musique, etc. Des modèles puissants permettent aujourd’hui de résoudre même certains problèmes des olympiades de mathématiques, réputés très difficiles. Des problèmes qui nécessitent des raisonnements complexes et qui sont destinés à détecter les jeunes prodiges des maths.

Paradoxalement, comme on le verra plus loin, les mathématiques utilisées en arrière-plan de l’IA, sont assez simples et bien maîtrisées. Ainsi, les algorithmes de l’IA développés à partir d’outils mathématiques simples peuvent aider à résoudre des problèmes mathématiques complexes ! Cette assistance par l’IA est, d’ailleurs, en train de se développer dans tous le domaine sous le nom de co-pilote IA.

Pourquoi dit-on que l’IA a besoin des maths ?

Mais qu’est-ce qui se cache derrière ces petits monstres qui répondent quasi-instantanément à nos questions avec une marge d’erreur très limitée? Ou encore de quoi a-t-on besoin pour construire des «modèles» qui, en arrière-plan, exécutent les tâches qui permettent de générer des réponses à nos requêtes?

La réponse est que les outils essentiels pour réaliser ces modèles sont certaines branches des mathématiques. En effet, les algorithmes du «machine learning» et du «deep learning» qui constituent une composante essentielle de l’IA, sont basés sur au moins cinq domaines des mathématiques à savoir :

– l’algèbre linéaire;

– la géométrie analytique;

– le calcul vectoriel;

– les probabilités et les statistiques;

– l’optimisation.

Ces connaissances sont d’une acquisition facile et peuvent être maîtrisées au niveau de la licence voire même pour certaines au niveau de l’enseignement secondaire.

Il est bien connu que la «matière première» des modèles de l’IA est la «data». La montée en puissance de l’IA ces dernières années est le résultat de l’explosion des données suite à l’avènement de l’Internet depuis les années 90 du siècle précédent qui a créé le besoin de traiter les données massives qu’il génère. Ce fut d’abord le «miracle» Yahoo et Google qui, grâce à l’IA, ont développé les outils de fouille de données pour développer leurs moteurs de recherche. Le ChatGPT de OpenAI (dont Microsoft est devenu un partenaire privilégié), Gemini de Google et d’autres fournissent maintenant une couche supplémentaire appelée IA générative qui simule le raisonnement humain et ne se contente pas de chercher du contenu à partir de certains mots clés.

L’implémentation de modèles d’IA, la personnalisation de modèles existants ou la création de nouveaux modèles nécessite diverses compétences et à des niveaux divers. Ainsi, l’enseignement des mathématiques, bien que nécessaire pour la majorité des carrières envisagées dans le domaine de l’IA, doit être adapté selon l’objectif final de la formation. Il est évident, à cet égard, que l’ingénieur concepteur a besoin de connaissances beaucoup plus approfondies en mathématiques que celui qui est appelé à utiliser un modèle existant.

En effet, la gamme des métiers liés à l’IA est très large, l’on peut en citer : Data Scientist, Architecte Data, Data Analytics Manager, Ingénieur Machine Learning, etc. Et la majorité de ces métiers nécessitent des connaissances plus ou moins approfondies des disciplines mathématiques citées plus haut.

Place des maths dans le système éducatif tunisien

L’IA est un domaine transversal. Autrement dit, ses applications couvrent toutes les activités humaines et toutes les formations universitaires. Les praticiens de l’IA sont appelés à maîtriser les outils essentiels propres à ce nouveau domaine en plus d’autres connaissances dans le domaine où ils comptent l’appliquer de manière à en tirer le meilleur profit.

Ceci nous amène au constat que l’apprentissage des connaissances essentielles en mathématiques doit être réalisé dès le début de la formation des élèves et consolidé progressivement à travers les étapes du collège, lycée et université.

En plus, ces connaissances de base ne doivent pas être réservées aux sections scientifiques mais inculquées à des degrés divers à toutes les spécialités et notamment aux sections d’économie et de gestion dont les élèves peuvent être amenés, lors de leurs études supérieures à virer vers une formation étroitement liée à l’IA et à opter pour une carrière qui lui fait appel.

En outre, si l’on veut préparer une génération de concepteurs et de créateurs dans ce domaine en pleine évolution, il est nécessaire de renforcer les sections mathématiques au niveau du secondaire qui, seules, peuvent donner une formation complète en mathématiques pour couvrir tout le spectre des compétences nécessaire pour concevoir et développer de nouveaux modèles d’IA.

Malheureusement, on observe, depuis quelques années, la tendance inverse, c’est-à-dire le recul du nombre d’élèves dans les sections maths dans nos lycées. Cet état de fait devrait interpeller les responsables de l’éducation dans notre pays et les pousser à prendre les mesures nécessaires pour inverser cette tendance.

Il convient, en effet, d’accorder la plus grande importance à la maîtrise de ce domaine, au niveau de la conception et de la création et pas seulement au niveau de l’utilisation, parce qu’il devient de plus en plus impactant de tous les aspects de la vie, voire même de la sécurité du pays et de sa souveraineté.

* Enseignant universitaire de maths.

L’article L’enseignement des maths en Tunisie à l’ère de l’IA est apparu en premier sur Kapitalis.

Par Moktar Lamari *

Face à son veto présidentiel anti-IA, les médias tunisiens caressent dans le sens du poile et ne veulent pas créer des lèses majestés, et subir les foudres présidentielles. C’est grave, parce que c’est néfaste pour l’économie.

Les experts de l’IA en Tunisie, du moins ceux qui sont médiatisés, surfent hypocritement sur les généralités pour ne pas déplaire. Et surtout pour ne pas révéler les graves retards accumulés par la Tunisie en matière d’infrastructures collectives incontournables pour dompter l’IA et la mettre au service de la Tunisie : serveurs sécurisés, logiciels de pointe, réseaux à grande vitesse, centres de calcul, données massives, réseaux de partage en ligne, digitalisation, etc.

Je ne mettrai pas en doute les compétences individuelles tunisiennes en matière d’informatique, programmation et codage avancés. Plusieurs Tunisiens excellent et sont payés 200 000$ par an, chez Google, IBM, Meta, aux États-Unis et au Canada.

Les fondamentaux de l’IA

Le retard de la Tunisie dans les domaines informatiques et du logiciel sont d’ordre collectif et ayant trait aux carences des infrastructures informatiques, Pour comprendre les défis, revenons aux fondamentaux de l’IA.

L’intelligence artificielle est avant tout la capacité et la puissance des machines à effectuer des tâches intelligentes généralement effectuées par les humains.

Cela implique l’utilisation d’ordinateurs puissants, des bases de données massives, pour reproduire ou entreprendre de telles actions, souvent à une vitesse et une précision supérieures à celles obtenues précédemment.

L’IA combine généralement l’informatique avec les données massives pour résoudre des problèmes ou faire des prédictions.

Ses processus impliquent des algorithmes, qui sont une série de règles écrites dans du code informatique. Et qui sont désormais capables d’anticiper les causalités et les liens entre les phénomènes pour leur donner du sens et leur permettre de faciliter la décision. Des décisions cruciales : traitement médical en santé, la détection des décrocheurs en éducation, l’utilisation du meilleur engrais pour les plantes, etc.

L’IA stimule la productivité

Historiquement, l’IA a été utilisée pour effectuer des tâches mathématiques complexes, ou pour jouer à des jeux de stratégie tels que les échecs, battant souvent des concurrents humains.

En général, plus l’application est spécifique, plus une IA peut être efficace. Mais il y a des limites, y compris un biais dans les résultats, un coût élevé de la puissance de calcul et un manque de transparence sur les raisons pour lesquelles un système prend une décision particulière. Et le lien avec la productivité opère avec l’apprentissage automatique.

L’apprentissage automatique (ML) est une application de l’IA par laquelle les programmes informatiques peuvent automatiquement apprendre de nouvelles informations et s’y adapter sans être spécifiquement programmés pour le faire.

Les algorithmes peuvent détecter les modèles dans les données passées sur lesquelles un ordinateur est formé et faire des prédictions ou des recommandations sans instructions explicites de la part des humains.

Les programmes de blanchiment d’argent s’améliorent au fil du temps grâce à la formation, à l’apprentissage des expériences ou des erreurs passées, ainsi qu’à la détection de modèles dans les nouvelles données.

Le deep learning, un catalyseur du savoir

Le Deep Learning (DL) ou apprentissage profond est un sous-ensemble de ML qui résout des problèmes complexes, tels que la reconnaissance vocale ou la classification des images. Il encourage l’IA à apprendre grâce à des volumes élevés de données non structurées sur divers supports, y compris le texte, les images et les vidéos. Les modèles DL fonctionnent sur des logiciels appelés réseaux neuronaux, modélisés sur le cerveau humain.

La principale différence entre ML et DL est que ML nécessite la participation humaine pour comprendre les données et en tirer des leçons. DL peut ingérer des données non structurées sous une forme brute et distinguer la différence entre les différentes catégories de données.

Que sont les réseaux neuronaux ?

L’apprentissage profond utilise des réseaux neuronaux, qui sont des systèmes de traitement des données inspirés de la façon dont les neurones interagissent dans le cerveau humain. L’information entre dans le système, les neurones communiquent pour la comprendre et le système crée un résultat.

Par exemple, une IA pourrait reconnaître une figue de barbarie en identifiant plusieurs figues dans ses données. Il sera alors en mesure de repérer tous les nouveaux figuiers et cactus qu’il rencontrera. S’il tombe sur une pomme pour la première fois, il pourrait penser à tort qu’il s’agit d’un poirier. Mais plus il voit de pommes, mieux il sera capable de discerner une différence.

Les humains peuvent aider le jugement d’une IA en marquant la sortie comme correcte ou incorrecte – par exemple, en étiquetant les images de toute entrée de nouveaux légumes dans l’IA.

C’est le processus humain qui s’inscrit dans l’évolution des compétences. Et les humains n’ont attendu de tailler la dernière pierre pour sortir de l’âge de la pierre et entrer dans l’âge du bronze. Pourtant les opposants aux bronzes étaient nombreux, à leur époque.

Pour un pays infecté par le terrorisme comme la Tunisie, l’IA artificielle peut aider à identifier, dès le lycée, les jeunes qui peuvent ultimement devenir terroristes, et qui peuvent se faire exploser… pour ruiner l’économie de leur pays. Il suffit d’avoir les informations et la data massive requise dans les dossiers des élèves, couplées avec des données régionales, économiques, etc.

Comment fonctionne l’IA générative ?

L’IA générative prend de grandes quantités de données brutes – par exemple, l’ensemble des œuvres de Ibn Khaldoun – et on apprend sur les idées et propositions explicatives qu’elle contient, afin de générer la réponse correcte la plus probable lorsqu’on lui pose une question. Exemple: quels sont les déterminants de la déchéance des nations?

Autre exemple, si vous lui demandiez d’écrire une analyse économique au sujet de la Tunisie actuelle, l’IA utiliserait son apprentissage pour générer la séquence de mots clefs la plus probable, avec des chiffres, des explications plausibles et véridiques, comme on les trouve dans les bases de données.

L’IA vous dira donc l’ampleur des déficits, de la dette, de l’inflation… selon les sources et les années. Et là, vous pouvez ne pas attendre qu’un fonctionnaire fasse cette analyse pour vous, si vous étiez gestionnaire, parlementaire, ministre ou président. Vous pouvez même réduire le nombre de fonctionnaires et recherchistes dans les ministères.

Bataille des robots : GPT-4 et compétiteurs

Des modèles génératifs sont utilisés sur des données numériques depuis un certain nombre d’années. Mais, à mesure que l’apprentissage profond et le traitement du langage naturel sont devenus plus avancés, l’IA générative a été appliquée aux images, aux textes pdf, à l’audio, etc.

Le terme est devenu largement connu après que la société OpenAI soutenue par Microsoft a publié son chatbot ChatGPT en novembre, qui peut produire des paragraphes de texte semblables à des humains. GPT-4, le modèle d’IA derrière la technologie, a été formé sur des millions de sources de texte, y compris des sites web, des journaux et des livres.

L’IA générative marque un tournant dans le traitement du langage naturel – la capacité des ordinateurs à traiter et à générer du texte et d’autres supports basés sur le langage, y compris le code logiciel, les images et les structures scientifiques.

La langue arabe est hors jeu dans ce processus, l’anglais domine.

Les premiers exemples incluent GPT-4, le PaLM de Google, qui est utilisé dans son chatbot Bard, ainsi que l’IA de génération d’images, telle que DALL-E 2 et Midjourney.

Cet accent mis sur l’IA générative provoque un glissement vers des systèmes d’IA formés sur de grands ensembles de données non étiquetés, qui peuvent être affinés à des fins différentes, plutôt que vers des systèmes d’IA qui exécutent des tâches spécifiques dans un seul domaine.

La réduction de la nécessité d’étiqueter les données rend l’IA plus accessible, car les consommateurs ou les entreprises peuvent la déployer dans des circonstances différentes.

Que sont les grands modèles linguistiques ?

L’IA générative a tendance à s’appuyer sur de grands modèles linguistiques (LLM), un type de système d’IA qui fonctionne avec les langages et utilise des réseaux neuronaux. Les LLM sont le moyen actuel et de pointe de mettre en place des réseaux neuronaux à partir de la recherche.

Ils sont appelés «grands» modèles linguistiques car ils contiennent de grandes quantités de données. Les LLM d’aujourd’hui peuvent avoir des millions ou des milliards d’ensembles de données de plus que ceux formés il y a quelques années à peine, principalement en raison de l’augmentation de la capacité de calcul.

GPT-4, PaLM et le LLaMa de Meta sont tous des exemples de LLM. L’ajout de modèles linguistiques au moteur de recherche de Google, par exemple, a été ce que la société a appelé «le plus grand bond en avant des cinq dernières années, et l’un des plus grands pas en avant de l’histoire de la recherche».

Bien que le potentiel pour les LLM soit énorme, les ressources nécessaires à la conception, à la formation et au déploiement des modèles le sont aussi. Tous nécessitent de grandes quantités de données, d’énergie pour alimenter les ordinateurs et des talents en ingénierie.

Qu’est-ce que l’AGI ?

AGI signifie Intelligence générale artificielle – une IA capable du même niveau d’intelligence que les humains, ou d’un niveau encore plus élevé.

Jusqu’à présent, l’IA a été en mesure de surperformer les humains dans les tests standardisés, mais trébuche toujours avec les connaissances communes, ayant ce qu’on appelle des «hallucinations» où elle déclare les mensonges comme des faits. Des exemples de ces hallucinations incluent la création de fausses citations de livres ou la réponse «éléphant», lorsqu’on leur demande quel mammifère pond les plus gros œufs.

Cependant, Geoffrey Hinton, connu sous le nom de «parrain de l’IA», a déclaré que AGI pourrait être ici dans aussi peu que cinq ans. Lui et d’autres ont mis en garde contre les risques qu’un tel niveau d’IA pourrait poser à la société et à l’humanité. Ian Hogarth, un investisseur technologique et président du groupe de travail sur l’IA nouvellement créé par le gouvernement britannique, a récemment écrit un essai dans le Financial Times mettant en garde contre la course à l’AGI, ou comme il l’appelle «l’IA de type Dieu».

* Economiste universitaire.

Blog de l’auteur. Economics for Tunisia, E4T.

L’article Intelligence artificielle contre intelligence superficielle est apparu en premier sur Kapitalis.