D1 · AI and Generative AI Fundamentals

Ce domaine pèse 14 % de l’examen blanc — soit environ 8 des 60 items. C’est la couche de vocabulaire de tout le reste. Il teste votre capacité à situer correctement ChatGPT dans l’arbre généalogique de l’IA, à expliquer en termes simples pourquoi il produit du texte de cette façon, et à raisonner à partir de ce mécanisme jusqu’à ses forces et ses modes de défaillance. Presque tous les domaines ultérieurs sont une application d’une idée introduite ici : le modèle prédit le texte probable, il ne recherche pas des faits.

Ce qu’il faut savoir

L’intelligence artificielle est le vaste champ qui consiste à faire faire aux machines des choses qui nécessitent normalement l’intelligence humaine. Le machine learning en est le sous-ensemble qui apprend des motifs à partir de données au lieu de suivre des règles écrites à la main. L’IA générative est la tranche du machine learning qui produit du nouveau contenu — texte, images, audio, code. Un grand modèle de langage (LLM) est un modèle génératif entraîné sur d’énormes quantités de texte pour prédire le prochain fragment de texte. ChatGPT est un produit construit par-dessus les LLM d’OpenAI. Comprendre cette pile, et le fait que le modèle génère en prédisant des continuations probables un token à la fois à partir de ce qu’il a appris pendant l’entraînement, explique sa fluidité, sa vitesse, sa date de coupure des connaissances et sa tendance à paraître sûr de lui même lorsqu’il se trompe.

Objectifs d’apprentissage

À la fin de cette page, vous devriez être capable de :

1. Distinguer AI, machine learning, generative AI et LLMs, et y situer ChatGPT.
2. Expliquer les tokens et pourquoi le modèle travaille en tokens plutôt qu’en mots ou en lettres.
3. Décrire la génération fondée sur la probabilité et pourquoi elle rend le modèle fluide mais pas factuel.
4. Séparer l’entraînement de l’inférence et expliquer ce qu’est — et ce que n’est pas — une date de coupure des connaissances (knowledge cutoff).
5. Expliquer la multimodalité — ce que les modèles d’aujourd’hui peuvent recevoir et produire.
6. Raisonner du mécanisme de génération jusqu’à une force ou une limite concrète.

1.1 L’arbre généalogique : AI, ML, generative AI, LLM

Ces quatre termes sont imbriqués, ils ne sont pas synonymes. L’item D1 le plus fréquent vous demande de les ordonner ou de les mettre en relation.

┌─────────────────────────────────────────────────────────┐
│ Artificial Intelligence                                   │
│  machines doing tasks that need human-like intelligence   │
│  ┌──────────────────────────────────────────────────┐    │
│  │ Machine Learning                                    │   │
│  │  systems that learn patterns from data              │   │
│  │  ┌────────────────────────────────────────────┐    │   │
│  │  │ Generative AI                                 │   │  │
│  │  │  creates new content (text, image, audio)     │   │  │
│  │  │  ┌──────────────────────────────────────┐    │   │  │
│  │  │  │ Large Language Models (LLMs)           │   │  │  │
│  │  │  │  predict likely text; ChatGPT is a     │   │  │  │
│  │  │  │  product built on OpenAI's LLMs        │   │  │  │
│  │  │  └──────────────────────────────────────┘    │   │  │
│  │  └────────────────────────────────────────────┘    │   │
│  └──────────────────────────────────────────────────┘    │
└─────────────────────────────────────────────────────────┘

1.2 Les tokens : les unités que le modèle lit et écrit réellement

Un modèle ne traite pas directement les mots ou les caractères. Le texte est découpé en tokens — des fragments courants qui sont souvent un mot, parfois un morceau de mot, parfois de la ponctuation. Une règle empirique approximative pour l’anglais est un token ≈ 4 caractères ≈ ¾ d’un mot, donc 1 000 tokens représentent environ 750 mots.

"Generation is probabilistic."
  ▼ tokenizer
["Generation", " is", " probabil", "istic", "."]
   one token    one   word-piece  word-pc  punct

Pourquoi cela compte en pratique :

1.3 La génération fondée sur la probabilité

Un LLM génère du texte un token à la fois. À chaque étape, il produit une distribution de probabilité sur tous les tokens suivants possibles et y sélectionne, puis réinjecte le résultat et recommence. C’est, en somme, un prédicteur de token suivant très sophistiqué.

prompt ─► [model] ─► distribution over next tokens
                       "Paris" 0.71 · "the" 0.09 · "France" 0.04 · …
                       pick ─► append ─► feed back ─► repeat

Deux faits découlent directement de ce mécanisme et régissent la majeure partie du domaine 2 :

• La fluidité est une propriété du mécanisme, pas un signal de vérité. Le modèle est optimisé pour produire du texte probable, qui se lit généralement bien, que le contenu soit correct ou non.
• Le même prompt peut donner une formulation différente parce que l’échantillonnage introduit de la variation (voir le déterminisme en D2).

1.4 Entraînement versus inférence

Ce sont deux phases entièrement distinctes, et les confondre entraîne de vraies erreurs (comme croire que votre conversation « apprend » au modèle de base).

Conséquences à retenir :

• Vos prompts et fichiers téléversés informent le modèle uniquement pour cette conversation (plus memory/les fonctionnalités que vous activez). Ils ne mettent pas à jour le modèle sous-jacent pour tout le monde.
• La question de savoir si votre contenu sert à améliorer les futurs modèles est un réglage de contrôle des données et de plan, distinct de l’inférence (Enterprise n’entraîne pas sur les données professionnelles par défaut). Ne confondez pas « le modèle a utilisé mon message ce tour-ci » avec « le modèle a été réentraîné sur mon message ».

TRAINING (once, before you ever see it)      INFERENCE (every prompt)
huge text corpus ─► learn parameters         your prompt ─► fixed model ─► tokens
        weights are set and frozen                 weights never change here

1.5 Date de coupure des connaissances

Comme les connaissances sont figées pendant l’entraînement, chaque modèle a une date de coupure des connaissances (knowledge cutoff) : le point au-delà duquel il n’a aucune information intégrée sur le monde. Interrogez-le sur un événement postérieur à la coupure et, sans outil, le modèle dira soit qu’il ne sait pas, soit — pire — devinera avec fluidité.

Comment travailler avec une date de coupure :

• Pour tout ce qui est sensible au temps (prix, actualités, sorties, « le plus récent »), utilisez un outil qui atteint l’information actuelle — Search ou deep research dans ChatGPT — plutôt que la mémoire du modèle.
• Traitez par défaut comme suspecte toute affirmation non sourcée sur des événements récents.
• Une coupure plus récente n’est pas « plus intelligente », seulement informée plus récemment.

1.6 Multimodalité

Les modèles OpenAI modernes sont multimodaux : ils peuvent recevoir plus d’un type de contenu. En septembre 2026, les derniers modèles acceptent des entrées texte et image et produisent une sortie texte, et sont multilingues avec vision. Dans ChatGPT, vous disposez aussi de la génération d’images, de la voix et de la gestion de fichiers/données, en tant que fonctionnalités produit superposées.

Le point pertinent pour l’examen : « multimodal » décrit les types d’entrée et de sortie, et savoir que les derniers modèles d’aujourd’hui prennent des entrées texte + image et renvoient du texte vous indique quand vous avez besoin d’une fonctionnalité spécialisée (génération d’images, voix) plutôt que du chat de base.

Cadre de décision

Utilisez le tri d’adéquation à l’IA pour décider, en quelques secondes, si une tâche convient à un générateur de texte fondé sur la probabilité avant même d’ouvrir un chat.

La valeur du cadre : il vous empêche de demander à un prédicteur de token suivant d’être une base de données ou une calculatrice, ce qui est la cause profonde de la plupart des déceptions des débutants.

Erreurs fréquentes

Mise en situation

Scénario. Priya, nouvelle analyste, est ravie de ChatGPT après qu’il a rédigé un résumé de marché percutant. Encouragée, elle lui demande « le nombre exact de magasins que notre concurrent a ouverts le trimestre dernier » et « combien de fois la lettre s apparaît dans notre slogan », puis colle les deux réponses dans une diapositive du conseil d’administration. Elle dit aussi à un collègue : « plus on l’utilise, plus notre copie devient intelligente ». Le chiffre du concurrent semble précis (il cite « 47 nouveaux magasins ») ; le comptage de lettres est faux de deux ; et elle s’apprête à présenter les deux.

Trace de raisonnement d’expert.

1. Situer chaque tâche sur le tri d’adéquation à l’IA. Le résumé de marché est une tâche de continuation fluide — forte adéquation, bien réalisée. Le comptage exact du concurrent nécessite des données actuelles et précises que le modèle n’a pas été entraîné à connaître fiablement ; c’est une tâche de recherche de fait, pas de génération. Le comptage de lettres est une opération au niveau des caractères que le modèle réalise mal parce qu’il lit des tokens, pas des lettres.
2. Diagnostiquer le chiffre du concurrent. Un nombre précis et non sourcé sur un sujet de niche et récent est la signature de l’hallucination. Le correctif est un outil de récupération (Search / deep research) ou une source autoritaire, puis une vérification — pas la confiance dans le « 47 » fluide.
3. Diagnostiquer le comptage de lettres. La tokenisation explique directement l’erreur ; le correctif fiable est un outil qui compte les caractères, ou le faire à la main.
4. Corriger la croyance « il devient plus intelligent à l’usage ». L’inférence ne réentraîne pas le modèle ; ses conversations n’améliorent pas le modèle de base, et la question de savoir si ses données entraînent les futurs modèles est un réglage de contrôle des données distinct qu’elle devrait vérifier, non présumer.
5. Fixer l’étape de revue. Les deux chiffres vont sur une diapositive de conseil destinée à l’extérieur ; ils nécessitent donc une vérification avant usage, quelle que soit la confiance du texte.

Résultat conforme à l’examen : conserver le résumé, remplacer le chiffre du concurrent par une donnée vérifiée et sourcée (via un outil de récupération ou des données autoritaires), recalculer le comptage de lettres avec un outil ou à la main, et abandonner la croyance erronée selon laquelle l’usage réentraîne le modèle.

Pièges de l’évaluation

Questions d’entraînement

À retenir

• AI ⊃ machine learning ⊃ generative AI ⊃ LLMs ; ChatGPT est un produit construit par-dessus les LLM d’OpenAI.
• Les modèles travaillent en tokens (≈ ¾ d’un mot), c’est pourquoi ils facturent par token et trébuchent sur les tâches au niveau des lettres.
• La génération est une prédiction de token suivant à partir d’une distribution de probabilité — fluide par conception, non factuelle par conception.
• L’entraînement fixe des poids figés avant la sortie ; l’inférence utilise ces poids figés à chaque prompt et ne réentraîne pas le modèle.
• Chaque modèle a une date de coupure des connaissances ; les faits sensibles au temps nécessitent un outil de récupération, pas un modèle plus gros.
• Multimodal nomme des types d’entrée/sortie (aujourd’hui : texte + image en entrée, texte en sortie), pas l’omnipotence.
• Utilisez le tri d’adéquation à l’IA : les tâches de continuation fluide conviennent au modèle ; les tâches exactes, actuelles ou à fort préjudice nécessitent des outils et une vérification.