Traitement
Modèles de langage
Les modèles de langage sont des systèmes d'IA avancés capables de comprendre, d'interpréter et de générer le langage humain. Ces modèles sont entraînés sur d'énormes ensembles de données textuelles et apprennent des motifs, des combinaisons de mots, des structures de phrases, et même les subtilités de différentes langues et usages linguistiques. Le cœur de nombreux modèles de langage modernes est l'architecture transformer, qui utilise des mécanismes d'attention automatique pour déterminer quelles parties du texte sont importantes dans un contexte donné.
Lors du traitement du langage, ces modèles utilisent des méthodes statistiques pour prédire quel est le mot ou la phrase suivante la plus probable dans un texte. Ils peuvent comprendre le contexte sur de longs passages et ainsi générer des textes non seulement grammaticalement corrects, mais aussi cohérents et pertinents sur le plan du contenu.
Lors de l'utilisation d'un modèle de langage pour, par exemple, un chatbot ou un générateur de texte, le modèle reçoit certaines invites ou données initiales et, sur la base de cette entrée, génère un texte qui suit logiquement le contexte donné. L'objectif de ces modèles est de produire un texte qui semble aussi humain que possible, tant en termes de contenu que de style.
Modèles texte-vers-image
Les modèles texte-vers-image sont des systèmes d'IA capables de générer des représentations visuelles à partir de descriptions textuelles écrites, telles que des photos, des illustrations ou d'autres types d'images. Ces modèles utilisent des réseaux neuronaux avancés, et plus précisément des réseaux antagonistes génératifs (GAN) ou des variantes comme les modèles de diffusion.
Le processus commence par une description textuelle saisie par un utilisateur. Le modèle évalue ce texte et tente d'en comprendre le sens et le contexte. Ensuite, le modèle génère des images correspondant à la description textuelle, en utilisant ce qu'il a appris lors de l'entraînement, qui a été effectué sur d'énormes ensembles de données de paires texte-image.
Pendant l'entraînement, le modèle apprend les associations entre descriptions textuelles et caractéristiques visuelles. Par exemple, si le modèle voit fréquemment la combinaison de mots « un soleil jaune au-dessus d'une mer bleue » accompagnée d'images illustrant ce scénario, il apprend à reconnaître et à reproduire ces éléments dans ses futures créations d'images.
Le résultat est souvent des images étonnamment précises et détaillées qui correspondent à la description textuelle saisie. Ces modèles deviennent de plus en plus sophistiqués et sont capables de représenter des scénarios complexes avec plusieurs objets et concepts abstraits. Ils sont utilisés dans un large éventail d'applications, y compris les créations artistiques, la conception de jeux, la réalité virtuelle, et plus encore.
Modèles accessibles via AI-School
Il est important de comprendre qu'AI-School donne accès à différents modèles d'IA qui sont inclus dans le catalogue central des modèles. Ces modèles sont proposés par des fournisseurs externes via une API. Une API, ou interface de programmation d'applications, est un ensemble de règles et de définitions permettant à des programmes logiciels de communiquer entre eux. Elle fonctionne comme une sorte de « langue » comprise par les programmes pour échanger des informations et invoquer des fonctions les uns des autres. AI-School ne possède pas ses propres modèles de langage, modèles texte-vers-image ou modèles texte-vers-voix.
Nous ne sommes pas responsables des résultats des différents modèles. Nous avons cependant porté une attention particulière à la sélection des meilleurs et des modèles les plus intéressants pour les établissements scolaires.
Procédure de traitement selon la DPIA
La DPIA décrit la procédure de base pour générer une réponse comme suit :
- L'utilisateur saisit une invite sur le portail AI-School.
- L'invite est enregistrée dans la base de données d'AI-School.
- AI-School transmet l'invite via une connexion API et un compte général sans lien avec le compte AI-School au modèle d'IA choisi.
- Les données de compte et d'administration des élèves ne sont pas automatiquement ajoutées au modèle.
- La réponse du modèle d'IA est renvoyée à AI-School.
- La réponse est enregistrée dans la base de données d'AI-School.
- La réponse est présentée à l'utilisateur.
AI-School ne transmet pas automatiquement les données de compte et d'administration des élèves au modèle d'IA. Le modèle reçoit cependant le contenu de l'invite sans lien avec le compte AI-School. Un utilisateur peut avoir lui-même inclus des données personnelles dans l'invite ; dans ce cas, ces données peuvent être traitées par le modèle d'IA choisi.
Contexte supplémentaire
Pour des fonctions telles que le chat avec des documents, l'entrée multimodale ou certains outils, l'invite peut être complétée par un contexte choisi par l'utilisateur, comme des extraits de documents, des images ou des résultats de recherche. Ce contexte est également fourni au modèle sans lien avec un utilisateur identifiable, mais le contenu peut contenir des données personnelles si l'utilisateur les a lui-même ajoutées.
