Depuis sa naissance dans les années 1950, l’Intelligence Artificielle (IA) n'a jamais cessé d'évoluer. D'abord approximative, elle est aujourd'hui très avancée et étonnante d'efficacité. À tel point qu'elle est en train de redéfinir la manière dont nous vivons et travaillons. 

Pour un recruteur, l’intérêt de l’IA se mesure dans des tâches concrètes : extraire des informations d’un CV, préparer une synthèse ou explorer une base de profils. Comprendre ces usages permet aussi de savoir ce qu’il faut vérifier avant de s’appuyer sur un résultat.

Mais concrètement, qu’est-ce que l’intelligence artificielle et comment ça marche ? Pourquoi en parle-t-on aujourd'hui à tort et à travers ? Pourquoi ces systèmes n'ont émergé que très récemment ? Ce sont toutes ces questions auxquelles nous allons tenter de répondre dans cet article qui, nous l'espérons, vous éclairera sur ce phénomène qui est à ce jour (pour beaucoup) encore assez mystérieux.

1. Définition

L’Intelligence Artificielle pourrait se définir comme étant un ensemble de technologies qui permettent aux machines d'effectuer des tâches qui, normalement, nécessitent l'intelligence humaine. Pour faire simple, nous déléguons certaines tâches à des programmes qui peuvent simuler des capacités humaines telles que l'apprentissage, la reconnaissance ou la prise de décision.

2. Les types d'IA

Deux notions décrivent souvent la portée des capacités : l’IA spécialisée et l’IA générale. L’IA générative décrit, elle, une capacité à produire du contenu ; ces catégories ne constituent donc pas trois cases exclusives.

• L'IA faible (ou IA spécialisée) : conçue pour exécuter des tâches spécifiques comme la reconnaissance vocale ou la recommandation de séries sur Netflix.

• L'IA forte (ou IA générale) : une IA qui pourrait comprendre, apprendre et résoudre des problèmes de manière plus complexe, comme un être humain. Également appelée Intelligence Artificielle Générale (IAG), cette notion désigne des capacités générales envisagées, et ne décrit pas simplement un outil capable de rédiger un texte.

• IA générative : un sous-type avancé d'IA. Celle-ci se réfère à des systèmes capables de générer de nouvelles données qui ressemblent à celles sur lesquelles ils ont été entraînés. Contrairement à des IA classiques qui se contentent de classer ou prédire des données, l'IA générative produit des contenus originaux tels que des textes, images, vidéos, musiques, ou même des conceptions techniques.

Principaux types d'IA générative :

1. Réseaux génératifs adverses (GAN) :

Créés par Ian Goodfellow en 2014, les GAN (Generative Adversarial Network) sont composés de deux réseaux neuronaux : un générateur et un discriminateur. Le générateur crée des exemples, et le discriminateur tente de les distinguer des exemples réels. Ce processus d'amélioration mutuelle conduit à la création de données très réalistes comme des images, de la modélisation 3D, des visages ou de la restauration de photos anciennes.

2. Modèles de langage naturel (NLP) génératifs :

Les modèles comme GPT (Generative Pre-trained Transformer) sont utilisés pour générer du texte. Ces modèles sont pré-entraînés sur d'énormes volumes de données textuelles et peuvent produire du texte qui imite le langage humain. Application : Génération de dialogues, rédaction automatique de textes, création de contenu numérique, traduction automatique.

3. Diffusion Models :

Un type plus récent de modèles d'IA générative, les modèles de diffusion, utilisés notamment pour la génération d'images (comme DALL·E, développé par OpenAI), qui fonctionnent en apprenant par exemple à transformer des prompts en image.

3. Principes de base

Le coeur de l'intelligence artificielle repose sur plusieurs principes clés, dont le machine learning et le deep learning. Ceux-ci s'appuient sur des ensembles de règles mathématiques que la machine suit pour accomplir une tâche. Ces algorithmes peuvent être programmés de manière classique ou, dans le cas des approches modernes, être capable d'apprendre par eux-mêmes. 

Le « machine learning » 

L'apprentissage automatique ou "machine learning" est le principe selon lequel les performances sur des tâches spécifiques s'améliorent en apprenant par l'expérience, un peu comme nous le faisons dans notre vie quotidienne. 

Pour faire simple, imaginez que vous appreniez à reconnaître des animaux. Vous ne savez pas à quoi ressemble un chat mais vous essayez de le deviner en regardant une photo. Vous auriez de grandes chances de vous tromper car identifier un chat reviendrait à pointer du doigt un élément au hasard.

Dans un exemple d’apprentissage supervisé, on fournit des images accompagnées de leur étiquette, comme « chat ». Le modèle ajuste ses paramètres à partir des erreurs observées, puis ses résultats sont évalués sur d’autres images. Multiplier les exemples ne garantit pas, à lui seul, une réponse juste : la qualité des données et l’évaluation comptent aussi.

Il faut également distinguer l’entraînement et l’utilisation du modèle. Une réponse produite à partir d’un document ne signifie pas nécessairement que le système apprend durablement de ce document. Les modalités dépendent du service et de sa configuration.

Le « deep learning » et ses réseaux neuronaux

Le deep learning, ou apprentissage profond, est une famille de méthodes d’apprentissage automatique utilisant des réseaux de neurones à plusieurs couches. Ces réseaux apprennent des représentations à partir des données ; cela ne signifie pas qu’ils apprennent exactement comme une personne. Pour approfondir ces notions, consultez la présentation de l’apprentissage automatique par IBM.

Reprenons l'exemple du chat et des photos. Avec le deep learning, vous montrez à un programme des millions d'images de chats. Celui-ci crée alors un modèle complexe qui analyse les détails des images, comme les oreilles et les couleurs, les fourrures, la corpulence, les museaux, etc. Plus il voit d’images, mieux il parvient à faire de distinctions. Ce qui rend le deep learning spécial, c’est que le programme est capable d’apprendre des caractéristiques du chat sans que nous devions les lui indiquer.

Le deep learning est efficace à différents niveaux : pour traiter des informations très variées comme des sons ou des vidéos ou bien pour accomplir des tâches difficiles comme traduire des langues ou reconnaître des visages.

Comment fonctionnent ces réseaux neuronaux ?

• Entrée : L'information est reçue par une première couche de neurones (par exemple, une image).
• Traitement : L'information est transmise aux autres couches du réseau et chacune d'entre elles analyse des aspects bien précis de l’information, comme la fourrure, la taille, les yeux, les oreilles ou les couleurs.
• Sortie : Après plusieurs couches de traitement, le réseau est capable de fournir une réponse, par exemple "C'est un chat."

4. L’Algorithme d'apprentissage supervisé et non supervisé

L'entrainement est l'essence même de l'IA. il existe plusieurs manières d’entraîner cette dernière :

• Apprentissage supervisé : On fournit à l’algorithme des données étiquetées, c’est-à-dire des données accompagnées de la réponse correcte (par exemple, une image de chat avec le label "chat"). L’algorithme apprend à associer les données aux étiquettes.

• Apprentissage non supervisé : Ici, les données ne sont pas étiquetées. L’algorithme doit donc trouver des similitudes ou des différences par lui-même pour classer les données (par exemple, regrouper des images similaires sans savoir si elles représentent des chats ou des chiens).

• Apprentissage par renforcement : L'algorithme apprend en interagissant avec son environnement, recevant des récompenses ou des punitions en fonction de ses actions. C’est un peu comme un enfant qui apprend à jouer à un jeu vidéo en essayant différentes stratégies. 

5. Pourquoi l'IA n’émerge que maintenant ?

Cela ne vous aura pas échappé, l'après Covid a été marqué par l'avènement des IA. Un temps discrètes, elles reviennent désormais très souvent dans les conversations. Pour autant, l'internet s'est démocratisé il y a de cela plusieurs dizaines d'années et les modélisations informatiques existent également depuis longtemps. Pourquoi ces IA n'émergent-elles donc seulement que depuis quelques années ? Voici selon nous les principales raisons :

• La puissance des ordinateurs a beaucoup augmenté. Il devient donc plus facile et plus rapide de traiter de grandes quantités de données. 
• Avec Internet, l'amélioration du débit et l'augmentation du nombre d'appareils connectés il y a désormais une énorme quantité de données disponibles pour entraîner les systèmes d'IA.
• Les investissements dans la recherche, les infrastructures et les applications ont accompagné le développement de ces technologies.

6. L’IA est-elle infaillible ?

Un texte fluide peut contenir des informations fausses. Le NIST décrit notamment le risque de confabulation des systèmes génératifs : ils peuvent présenter avec assurance un contenu erroné. Pour résumer un CV, il faut donc revenir au document source et vérifier les éléments importants. D’autres limites demandent aussi de l’attention :

• Biais : Si les données d’entraînement sont biaisées (par exemple, discriminatoires), l’IA reproduira ces biais.
• Compréhension : Les décisions prises par des IA complexes, notamment via le deep learning, sont parfois difficiles à expliquer ou à comprendre pour les humains.
• Éthique : L’IA soulève des questions sur la vie privée, la surveillance de masse et même l’emploi, puisque certaines tâches humaines pourraient être automatisées.

7. Un exemple concret dans le recrutement : le CV digital Oxaibo

L’IA devient plus facile à comprendre lorsqu’on observe une tâche précise. Dans Oxaibo, vous pouvez importer un CV : son analyse prépare des informations structurées sur le profil et génère une synthèse courte du parcours, en une à deux phrases. Le recruteur dispose d’une étape de relecture pour examiner les données extraites. L’intérêt est de préparer une fiche exploitable sans ressaisir intégralement le document.

Cette synthèse peut ensuite être affichée dans le CV digital Oxaibo lors d’une présentation de candidats. Le recruteur choisit son affichage et les informations qu’il souhaite présenter. Le client ou le manager bénéficie ainsi d’un aperçu du parcours avant de parcourir les expériences détaillées.

Il faut distinguer cette synthèse du profil d’une recommandation pour un poste. Le résumé ne prouve ni une compétence en situation de travail ni l’adéquation à une mission particulière. Comparez-le au CV, vérifiez les informations utiles et ajoutez les éléments recueillis en échange. Notre guide pour construire une shortlist argumentée montre comment articuler présentation du parcours, preuves et points à approfondir.

Ce cas illustre la complémentarité entre automatisation et travail du recruteur : l’outil prépare une information à lire ; le professionnel la vérifie et la contextualise. Pour découvrir le CV digital et l’analyse de CV dans Oxaibo, vous pouvez demander une démonstration sur un document fictif.

Conclusion

L'intelligence artificielle fonctionne en grande partie grâce à des algorithmes qui apprennent des données pour résoudre des problèmes spécifiques. Qu'il s'agisse d'assistants vocaux, de voitures autonomes ou de recommandations en ligne, l'IA transforme déjà de nombreux secteurs de notre quotidien.

Toutefois, elle n'est pas sans défis, en particulier sur le plan éthique et technique. Il est donc essentiel que chacun fasse l'effort de mieux comprendre cette technologie pour en exploiter tout le potentiel tout en anticipant ses impacts sur la société.