Ces quatre termes ne sont pas des synonymes plus ou moins savants : ils s'emboîtent. L'intelligence artificielle contient l'apprentissage automatique, qui contient l'apprentissage profond, qui contient l'IA générative. Chaque niveau est un sous-ensemble du précédent. Une fois qu'on a cette image, tout le vocabulaire du secteur devient lisible.
C'est probablement la confusion la plus répandue chez ceux qui découvrent le sujet, et elle est entretenue par un usage médiatique approximatif. Clarifions.
Niveau 1 : l'intelligence artificielle
C'est la poupée la plus grande, et le terme le plus ancien : il date des années 1950. Il désigne toute technique permettant à une machine d'accomplir une tâche qui semblerait exiger de l'intelligence.
Le point que beaucoup ignorent : cela n'implique aucun apprentissage. Un programme d'échecs des années 1990, qui explore des millions de coups selon des règles écrites à la main par des humains, est de l'intelligence artificielle. Un système de recommandation fondé sur des règles du type si le client a acheté A, proposer B aussi.
Cette catégorie s'appelle parfois l'IA symbolique, et elle a dominé pendant des décennies. Elle fonctionne toujours très bien pour des problèmes où les règles sont connues et énonçables.
Niveau 2 : l'apprentissage automatique
L'apprentissage automatique, ou machine learning, est un sous-ensemble : ce sont les techniques où la machine déduit les règles à partir d'exemples au lieu qu'on les lui dicte.
La différence est fondamentale. Pour reconnaître un chat, l'approche classique demanderait de décrire ce qu'est un chat : des oreilles pointues, des moustaches, une fourrure. C'est impossible à faire correctement. L'apprentissage automatique renverse le problème : on montre cent mille photos étiquetées, et le système trouve lui-même les régularités.
Beaucoup de systèmes que vous croisez quotidiennement relèvent de ce niveau sans être du deep learning : détection de fraude bancaire, prédiction de churn, filtrage de courriers indésirables.
Niveau 3 : l'apprentissage profond
L'apprentissage profond, ou deep learning, est un sous-ensemble de l'apprentissage automatique utilisant des réseaux de neurones à nombreuses couches.
Le mot profond désigne simplement le nombre de couches empilées. Chaque couche transforme l'information reçue et la transmet à la suivante. Sur une image, les premières couches repèrent des contours, les suivantes des formes, les dernières des objets entiers. Personne n'a programmé cette hiérarchie : elle émerge de l'entraînement.
C'est ce qui a débloqué, à partir des années 2010, la reconnaissance d'images, la traduction et la reconnaissance vocale. Les paramètres dont on parle constamment sont les réglages de ces couches.
Encore un sous-ensemble : les systèmes d'apprentissage profond qui produisent du contenu nouveau plutôt que de classer ou prédire. C'est là que se trouvent les modèles de langage et les générateurs d'images. Autrement dit, ce dont nous parlons chaque jour dans ces colonnes occupe la plus petite des quatre poupées. C'est une fraction de l'IA, et pas la plus utilisée en volume dans l'économie.
Pourquoi cette distinction est utile
Trois raisons pratiques.
Pour lire les annonces. Quand une entreprise annonce utiliser l'IA, cela peut désigner un modèle de langage de pointe ou un système de règles écrit il y a quinze ans. Les deux affirmations sont exactes et n'ont pas la même valeur.
Pour choisir la bonne méthode. Beaucoup de problèmes se résolvent mieux avec un modèle statistique simple qu'avec un grand modèle de langage : plus rapide, moins cher, plus fiable, et explicable. Utiliser un modèle génératif pour classer des documents en trois catégories est souvent un mauvais choix technique.
Pour comprendre les débats. Les questions d'opacité concernent surtout l'apprentissage profond. Un arbre de décision, qui relève du niveau 2, est parfaitement lisible. L'opacité n'est pas une propriété de l'IA en général, c'est une conséquence d'une technique précise.
Ce qu'il faut retenir
Retenez l'emboîtement : toute IA générative est du deep learning, tout deep learning est du machine learning, tout machine learning est de l'IA. Les réciproques sont fausses.
Et gardez en tête que l'essentiel de l'IA déployée dans le monde n'est pas générative. Elle trie des candidatures, évalue des risques, optimise des tournées, détecte des anomalies. Ces systèmes-là prennent des décisions qui vous concernent depuis bien plus longtemps que les modèles dont on parle tous les jours, et ils font nettement moins de bruit.