Claude Academy
Chargement

Capacités et limites de l'IA

Construisez un modèle mental précis de ce que les grands modèles de langage peuvent et ne peuvent pas faire : prédiction du prochain token, connaissances, mémoire de travail, pilotabilité et limites de contexte.

3.5 h1 quiz
Commencer le coursConnectez-vous pour sauvegarder la progression
Ce que vous apprendrezÀ la fin de ce cours, vous serez en mesure de
  • Distinguer l'IA générative de l'IA de classification et de prédiction, et présenter ses quatre propriétés fondamentales comme des continuums allant de la capacité à la limitation
  • Expliquer le processus d'entraînement en deux étapes (préentraînement et ajustement fin) et reconnaître les empreintes comportementales qu'il laisse : complaisance, verbosité, excès de prudence et calibration approximative de la confiance
  • Expliquer la prédiction du prochain token comme mécanisme génératif central et identifier où se concentre la fabrication
  • Décrire comment la date limite des connaissances et la couverture inégale de l'entraînement façonnent ce qu'un modèle sait, et reconnaître quand la recherche web, la récupération d'informations ou l'utilisation d'outils est la solution
  • Expliquer la fenêtre de contexte comme une limite stricte et appliquer des stratégies de placement du contexte telles que la mise en avant des informations, le découpage en segments et la réintroduction des informations essentielles
  • Prédire où le respect des instructions est strict ou relâché, et reconnaître la dérive du raisonnement et le respect de la lettre plutôt que de l'esprit comme des échecs de pilotabilité
  • Diagnostiquer les échecs réels de l'IA en identifiant quelles propriétés entrent en collision et choisir une solution ciblée
  • Relier les quatre propriétés au modèle des 4D et pratiquer une confiance calibrée en situant les tâches sur chaque continuum

La première expérience de la plupart des gens avec un système d'IA générative est un mélange d'émerveillement et de confusion. Il produit en quelques secondes un résumé soigné d'un rapport dense, puis invente avec assurance une citation qui n'existe pas. Il suit parfaitement une instruction détaillée, puis ignore une instruction simple dans le message suivant. Sans modèle mental de ce qui se passe en coulisses, ces moments semblent aléatoires — et il est difficile de savoir s'il faut faire confiance au prochain résultat, ou comment corriger le précédent.

Ce cours donne aux apprenants ce modèle mental. Il est le complément de AI Fluency: Framework & Foundations : là où ce cours enseigne les compétences humaines (Délégation, Description, Discernement, Démarche responsable), celui-ci enseigne les propriétés de la machine auxquelles ces compétences répondent. Les deux sont conçus pour être suivis dans n'importe quel ordre, et ensemble ils forment une vision complète d'une collaboration efficace entre l'humain et l'IA.

Nous organisons le cours autour de quatre propriétés qui déterminent ce qu'un système d'IA peut et ne peut pas faire pour vous : la prédiction du prochain token (d'où viennent les réponses de l'IA), les connaissances (ce que le modèle sait réellement, et pourquoi il peut se tromper avec assurance), la mémoire de travail (ce à quoi il prête attention à l'instant présent, et ce qui en sort) et la pilotabilité (le degré de contrôle que vos instructions vous donnent réellement). Chaque propriété se situe sur un spectre allant de la capacité à la limitation, et chaque section associe une brève explication à un exercice pratique afin que vous puissiez ressentir où se trouvent les limites plutôt que de simplement en lire une description.

La dernière section examine ce qui se passe lorsque ces propriétés entrent en collision — car dans l'usage réel, c'est toujours le cas. Un long document sollicite la mémoire de travail tout en s'aventurant dans des connaissances que le modèle ne possède pas ; une instruction vague met à l'épreuve la pilotabilité au moment même où la prédiction du prochain token cherche ce qui semble le plus plausible. Nous terminons par un diagnostic pratique : comment examiner un résultat inattendu, reconnaître de quel type d'inattendu il s'agit, situer approximativement où votre tâche se place sur le continuum capacité-limitation, et répondre par une solution ciblée plutôt que par une nouvelle tentative générique.

Prérequis recommandés

Aucun. Ce cours ne suppose aucune connaissance technique ni expérience préalable des outils d'IA. Si vous avez déjà suivi AI Fluency: Framework & Foundations, vous reconnaîtrez où chaque propriété se rattache aux 4D — mais ce n'est pas requis.

À qui s'adresse ce cours

Toute personne qui utilise, ou s'apprête à utiliser, l'IA générative dans son travail ou ses études et qui souhaite comprendre pourquoi elle se comporte de cette manière. Enseignants, étudiants, travailleurs du savoir et chefs d'équipe trouveront tous le même modèle fondamental utile, car les propriétés qu'il décrit ne changent pas selon les cas d'usage.

Inside the course

Pour commencer

3 lessons

Le mot « IA » recouvre un vaste champ. Cette section le restreint au type de système avec lequel vous allez réellement travailler — les grands modèles de langage — et explique comment deux étapes d'entraînement, le préentraînement et l'ajustement fin, transforment un simple prédicteur de texte en l'assistant utile avec lequel vous interagissez. En chemin, vous découvrirez le cadre des quatre propriétés qui structure le reste du cours.

Prédiction du prochain token

2 lessons

Chaque réponse donnée par une IA est construite un token à la fois, en prédisant ce qui doit venir ensuite. Cette section montre ce que cela signifie en pratique : pourquoi le modèle excelle dans des tâches bien balisées comme le résumé ou la reformulation, pourquoi il peut produire des éléments qui semblent vrais sans l'être, et comment reconnaître quand une tâche s'aventure dans un territoire où la prédiction seule ne suffit pas.

Connaissances

2 lessons

Un modèle connaît ce qui figurait dans ses données d'entraînement — fréquemment, récemment et de manière cohérente. Cette section détaille ce que cela implique : il est solide sur les sujets courants et les langues répandues, plus faible sur tout ce qui est rare, récent, de niche ou contesté. Vous vous entraînerez à juger où se situe une question sur ce spectre, afin de savoir quand faire confiance à la réponse et quand apporter vos propres sources.

Mémoire de travail

2 lessons

La fenêtre de contexte est la mémoire de travail du modèle : tout ce à quoi il peut prêter attention à l'instant présent, et rien d'autre. Cette section traite de ce qui y tient, de ce qui en sort discrètement, de pourquoi l'attention n'est pas uniforme sur un long document, et de pourquoi une nouvelle session ne se souvient pas de la précédente. Vous apprendrez à évaluer une tâche par rapport à la fenêtre avant de commencer, plutôt que de découvrir la limite en pleine conversation.

Pilotabilité

2 lessons

Vos instructions sont votre moyen de piloter le modèle — mais toutes les instructions ne portent pas de la même manière. Les demandes courtes, concrètes et vérifiables (« répondez sous forme de tableau », « moins de 100 mots ») fonctionnent de manière fiable ; les longues chaînes de raisonnement, les demandes abstraites et les exigences de précision native sont les points où le pilotage commence à déraper. Cette section vous aide à faire la différence et à reformuler une instruction bancale en une instruction que le modèle peut réellement suivre.

Synthèse et prochaines étapes

3 lessons

Les tâches réelles testent rarement une seule propriété à la fois. La relecture d'un long contrat sollicite la mémoire de travail tout en dépassant les connaissances du modèle ; un brief créatif vague met à l'épreuve la pilotabilité précisément au moment où la prédiction du prochain token cherche à combler les blancs avec quelque chose de plausible. Cette section vous montre comment les quatre propriétés entrent en collision, et vous fournit un diagnostic pour tout résultat inattendu : nommer la propriété en jeu, situer la tâche sur son spectre, et appliquer une solution ciblée plutôt que de simplement réessayer.