Sélectionner le numéro de "Bases" à afficher

Dans le paysage en constante expansion des podcasts, où des millions d’heures de contenu sont produites quotidiennement, une nouvelle frontière émerge. L’intelligence artificielle (IA), autrefois réservée à la science-fiction, révolutionne aujourd’hui la façon dont nous consommons le contenu audio. L’IA est entrée dans l’arène, offrant une solution révolutionnaire qui transforme le son brut en transcriptions et en résumés avec rapidité et précision.

Ce saut technologique n’est pas seulement une question de commodité, il remodèle tout le paysage de l’accessibilité des podcasts. Qu’il s’agisse de professionnels très occupés cherchant à obtenir rapidement les éléments importants ou de chercheurs réalisant du data mining, la capacité de l’IA à distiller des heures de conversation en extraits digestes est tout simplement incroyable.

Mais à quel point l’IA est-elle efficace dans cette tâche ?

Traduit de l’anglais par l’équipe de BASES PUBLICATIONS

Pour évaluer les capacités de ces outils d’IA, nous avons analysé leurs performances dans la transcription et le résumé de deux épisodes de podcast différents : l’épisode 2156 de The Joe Rogan Expérience (1) et la conférence téléphonique de la société AST SpaceMobile (2) sur les résultats du troisième trimestre. Les deux podcasts représentent des genres et des niveaux de complexité différents, et offrent ainsi un test diversifié de la polyvalence de l’IA dans le traitement de contenus variés. Un troisième podcast nous a permis de vérifier que tous les modèles fonctionnaient bien.

L’épisode 2156 de The Joe Rogan Experience

Cet épisode, mettant en scène Jérémie et Edouard Harris de Gladstone AI (3), s’est avéré être un test difficile pour les outils de transcription et de synthèse de l’IA. La conversation a porté sur des sujets complexes tels que le développement et l’histoire de l’IA, ses implications éthiques et les risques potentiels associés aux systèmes avancés d’IA.

NoteGPT a fait preuve d’une capacité impressionnante à distiller les points clés du long podcast. Le modèle a réussi à identifier des thèmes majeurs tels que les avancées significatives de l’IA depuis 2020, les préoccupations éthiques entourant la capacité de l’IA à reconnaître les défauts humains et le besoin de cadres réglementaires. Le résumé fournit également une liste concise des points saillants et des idées clés, ce qui permet aux utilisateurs de saisir rapidement les idées principales. NoteGPT a même permis leur conversion en une « carte mentale » - un diagramme de flux qui part d’un thème central et global, se divisant d’exemples affinés à partir de concepts plus larges (cf. figures 1 et 2).

Figure 1. Carte mentale de l’épisode #2156 de The Joe Rogan Experience.

Perplexity.ai, bien qu’incapable de fournir des horodatages précis, a offert un résumé détaillé du contenu de l’épisode. Il a saisi les points de discussion essentiels, en particulier la discussion sur les progrès de l’IA, les réseaux de neurones et la sensibilisation du gouvernement aux risques de l’IA. Cependant, l’absence d’horodatages précis met en évidence une limitation de ses capacités actuelles. Perplexity.ai a également été incapable de scanner et de résumer l’URL YouTube de l’épisode, mais a été en mesure d’extraire rapidement des détails précis lorsqu’on lui a donné le nom de l’émission, le numéro de l’épisode et les détails de la transcription souhaitée. Perplexity.ai a ainsi démontré qu’avec les bons prompts, il est capable d’atteindre le résultat souhaité.

Avec o3, OpenAI démocratise l’accès au raisonnement avancé

OpenAI a dévoilé o3, une avancée dite significative dans sa gamme de modèles de raisonnement. Cette annonce s’inscrit dans un contexte d’une course à l’innovation qui semble toujours plus forte, notamment avec l’arrivée du Chinois DeepSeek et son modèle R1. 

Cette évolution s’inscrit dans une stratégie plus large d’OpenAI :

• Démocratiser l’accès au raisonnement avancé tout en maintenant différents niveaux de service

• Répondre à la concurrence croissante du secteur, notamment open source

• Optimiser le rapport performance/coût pour les usages professionnels

L’o3-mini propose trois niveaux de raisonnement permettant d’ajuster la profondeur de l’analyse en fonction de la complexité de la tâche. En sélectionnant le niveau de raisonnement approprié (faible, moyen ou élevé), le modèle ajuste le temps consacré à l’analyse en fonction des exigences de la tâche. 

Des tests ont montré que o3-mini offre des réponses 24 % plus rapides que son prédécesseur, o1-mini, ainsi qu’une diminution de 39 % des erreurs significatives sur des questions complexes.

La version complète de l'o3 avait été annoncée mais au dernier moment, OpenAI a fait volte face en annonçant que le modèle d'intelligence artificielle "o3" ne sera pas publié en tant que produit autonome, mais sera intégré dans le système GPT-5 pour simplifier les offres de l'entreprise et créer des systèmes d'IA capables de gérer une variété de tâches.

L’accès : les utilisateurs gratuits peuvent désormais accéder pour la première fois aux capacités de raisonnement via o3-mini, tandis que les utilisateurs payants bénéficient de limites de taux élargies allant jusqu’à 150 messages quotidiens.

Rappelons, pour bien situer les choses, qu’OpenAI propose actuellement (Fig. 1) : 

• GPT-4o, le modèle standard : lancé en mai 2024, il est multimodal, capable de traiter et de générer du texte, des images et de l’audio
• Le modèle o1 qui introduisait déjà précisément le raisonnement avancé (BASES N° 428 – sept ; 2024), particulièrement efficace dans les tâches scientifiques, de codage et de logique
• Et GPT-4, maintenu comme « ancien modèle » (tout en développant des versions optimisées pour des cas d’usage spécifiques : STEM, codage).

L’IA étant devenue incontournable, la plupart des serveurs et agrégateurs de presse développent de nouveaux outils ou de nouvelles interfaces intégrant ces développements technologiques. 

Les équipes de Questel sont persuadées que l’IA va profondément bouleverser les opérations liées à la propriété intellectuelle, aussi bien pour la recherche, que la visualisation des résultats puis de leur analyse, le classement des résultats et plus généralement pour optimiser les workflows complexes de ce domaine.

Nous avons déjà présenté dans ces colonnes SCOPUS AI et Web of Science Research Assistant (BASES, Nos 425 et 428). Nous explorons aujourd’hui les améliorations apportées par Questel à Orbit Intelligence par l’utilisation de ChatGPT tant pour la recherche que pour la visualisation des réponses.

Ces améliorations portent sur plusieurs points et ont chacune un nom :

1. « SUGGESTION » : l’identification des synonymes assistée par l’IA

Après avoir entré des termes de recherche dans la boîte « Search terms » de la recherche avancée, en cliquant sur le bouton « SUGGESTION » en haut à droite de l’écran fait apparaître des signes + devant chaque terme de recherche.

En cliquant sur le signe + précédent un terme, on fait apparaître la traduction du terme en anglais, s’il n’est pas déjà dans cette langue, et un grand nombre de synonymes suggérés. On peut ajouter (avec un opérateur OR qui se met en place) une sélection de ces termes ou l’ensemble d’un simple clic.

Nous avions décrit dans la rubrique IA du dernier numéro de BASES comment utiliser la nouvelle fonctionnalité « styles rédactionnels » de Claude, dont la promesse est de produire un texte avec le « bon style de rédaction ». 

Cette fonctionnalité est intéressante en soi, car elle nous emmène déjà au-delà de la « simple » génération de contenus, vers la création de textes toujours plus personnalisables, de qualité comparable à ceux que l’on produit manuellement et même, pourrait-on dire, « humanisés ».

Claude fait d’une certaine façon « coup double » avec cette fonctionnalité des styles personnalisés : elle concerne à la fois la rédaction d’un texte en imitant un auteur humain donné et l’adaptation du message au type de public cible. 

On perçoit tout de suite le potentiel de cette promesse, entre indétectabilité de l’IA et possibilité d’éviter de longues heures de rédaction. Une mine de productivité également en vue pour les entreprises, dont certains services doivent produire et communiquer de très gros volumes d’information.

On mesure également le risque d’appropriation et de détournement de styles appartenant à des auteurs, des marques ou des communautés…

Ryan, qui a rejoint notre équipe de rédaction, est « Research librarian » à l’Université Wesleyan du Tennessee aux États-Unis. Cette fonction de « bibliothécaire spécialisé en recherche », située à l’intersection de la documentation et du soutien à la recherche académique joue un rôle très important dans la diffusion des connaissances et le développement des compétences en recherche au sein de l’université. 

Les contributions de Ryan sont traduites de l’anglais par notre équipe. 

Plus d’un an s’est écoulé depuis que l’intelligence artificielle (IA) s’est largement répandue, modifiant, en particulier, radicalement les processus de prise de décision, les modes d’écriture, de pensée et d’analyse des modèles, entre autres. Depuis la sortie de logiciels tels que ChatGPT, l’utilisation de l’IA et ses applications ont été vivement débattues et discutées. Qu’il s’agisse de l’application de la loi, des soins de santé, de l’éducation ou des ressources humaines, l’utilisation (et dans certains cas, l’abus) de l’IA a suscité l’émoi de nombreux professionnels intéressés par ces questions. Dans mon propre domaine, celui des sciences de l’information, les publications d’articles, les ateliers numériques et les autres occasions d’apprendre, d’expérimenter et de discuter de cette technologie émergente et passionnante ne cessent de se multiplier.

En tant que bibliothécaire de recherche à l’université Wesleyan du Tennessee, mon rôle a progressivement évolué en raison de cette technologie nouvelle et perturbatrice. Ce qui était autrefois une préoccupation majeure concernant l’intégrité académique devient maintenant un sujet potentiel d’intégration dans nos routines et opérations. Entre le moment où je m’assois dans mon bureau et celui où je pars le soir, mes journées sont remplies des réunions avec les étudiants, les professeurs et les clients potentiels, afin de déterminer le type d’informations ou de données dont ils ont besoin pour leurs projets respectifs, et comment l’IA peut aider. Ces projets peuvent aller d’un simple devoir d’anglais à des manuels médicaux publiés au milieu du XIXe siècle, en passant par des livres de cuisine publiés au Levant pendant l’âge d’or de l’islam. Même les bases de données que nous utilisons pour nos clients, telles que Statista et JSTOR, ont commencé à expérimenter l’IA dans leurs fonctions de recherche.

L'utilisation d'un ordinateur personnel est aujourd'hui une évidence. Il n'est plus nécessaire d'être un expert pour s'en servir, d'autant plus que ces appareils peuvent désormais prendre la forme d'un téléphone.

En fait, c’est dans l’État du New Hampshire aux États-Unis, précisément au Dartmouth College, le vrai nom de l’« Université de Dartmouth » tel qu’on le voit écrit dans la presse, que ce concept s’est matérialisé pour la première fois en 1964. Le Dartmouth College appartient à la Ivy Ligue qui rassemble huit universités prestigieuses du nord-est des États-Unis. 

Ce concept fut l’aboutissement de la démarche de deux enseignants en mathématique dans cette université, John Kemeny et Thomas Kurz. 

Ce dernier vient de décéder à l’âge de 96 ans, ce qui explique que ce sujet revienne dans l’actualité.

Leur idée quelque peu révolutionnaire à l’époque était que tout étudiant, quels que soient son niveau en science et sa discipline, devait pouvoir utiliser très facilement, et au moment où il en avait besoin, un ordinateur, sans donc avoir à le réserver longtemps à l’avance comme c’était la pratique courante à l’époque sur les grands systèmes et sans avoir à apprendre un langage d’interrogation compliqué. 

De plus, l’objectif était de se libérer des cartes et rubans perforés au moyen desquels on entrait alors les instructions dans l’ordinateur.

Kemeny et Kurtz ont compris que pour permettre à tous les membres du campus d'accéder à un ordinateur, deux conditions devaient être réunies : l'utilisation du time sharing permettant de se connecter à une unité centrale via un simple télétype, ainsi qu'un langage de requête plus accessible que le FORTRAN ou l'ALGOL, couramment utilisés à l'époque.

Google Scholar a été créé en 2004 par deux chercheurs. Son objectif a été et est toujours de référencer de grandes quantités d’articles, de rapports, de comptes-rendus de conférences, de livres ou de thèses pour peu qu’ils relèvent du secteur académique.

Sa devise « Standing on the shoulders of giants » signifie que Google Scholar existe parce que des chercheurs ont écrit et accumulé d’immenses quantités de connaissances. Cela a justifié la création de Google Scholar pour aider à naviguer dans cet océan d’information et y trouver des réponses à ses questions.

Google Scholar est beaucoup utilisé, et depuis longtemps, par un grand nombre de chercheurs

Les raisons de cette large utilisation sont très simples.

D’une part, l’accès est gratuit alors que de nombreuses sources d’information scientifique sont payantes. C’était particulièrement vrai il y a vingt ans, mais moins aujourd’hui.

D’autre part, l’étendue de sa couverture a pour conséquence qu’il est rare de ne pas trouver au moins quelques réponses intéressantes et bien souvent un nombre non négligeable à une question scientifique.

Enfin, son utilisation est simple, voire très simple, même si quelques possibilités avancées sont disponibles bien que pas toujours très mises en avant.

En revanche, la troncature n’existe pas alors que c’est un « must » pratiquement partout. On ne peut pas non plus entrer une chaîne de recherche experte sans même parler de combinaisons d’étapes totalement impossibles.

En ce qui concerne le traitement des réponses, leur nombre est limité à 1 000 ce qui est largement suffisant pour une simple lecture, mais ne l’est plus pour faire du data mining.

Aujourd’hui, Google Scholar est quelque peu sur la sellette.

Même si ses utilisateurs semblent être toujours aussi nombreux, on voit poindre une série de critiques plus ou moins fondamentales.

On rappellera la critique, existant pratiquement depuis l’origine, concernant l’opacité systématique du « process de fabrication ». En effet, on ne connaît pas la liste de sources utilisées, pas plus que le nombre de documents indexés ou l’algorithme de sélection des informations.

Cela a pour conséquence qu’il est impossible, par exemple, de limiter les réponses à celles issues de publications à comité de lecture.

Il semblerait, d’autre part, que l’algorithme de sélec­tion des réponses accorde une grande impor­tance au nombre de fois où l’article est cité. Cela a pour conséquence de privilégier les articles anciens, car plus souvent cités.

On parle maintenant aussi de manipulations, en particulier d’achat de citations, d’« envahissement » par des articles écrits par de l’IA, représentant une menace de submersion de la « bonne science » par de la « mauvaise science ». Certains s’inquiètent aussi de la pérennité du financement de Google Scholar qui est à l’entière discrétion de Google.

Par ailleurs une large concurrence existe maintenant. Si PubMed/Medline, dans le domaine biomédical, est depuis longtemps (en fait, bien avant la naissance de Google Scholar) une alternative beaucoup plus transparente, de nombreux moteurs gratuits on fait leur apparition ces derniers temps comme The Lens, Dimensions, Open Alex et bien d’autres. Google Scholar n’est donc plus le seul ou presque à proposer des recherches gratuites de documents scientifiques dans un corpus de taille importante.

Reprenons les différents éléments critiques

Le mystère de la taille de l’index de Google Scholar

La taille de Google Scholar a toujours été un mystère et le reste.

Quelques chiffres, assez anciens, circulent, ils vont de 100 à 400 millions de documents, ce dernier chiffre correspondant aux estimations les plus récentes. Tout ce que l’on peut dire est que l’on y trouve des documents académiques, couvrant des publications scientifiques de différentes époques et disciplines.

Sont référencés aussi bien des publications de grands éditeurs scientifiques, qu’elles soient gratuites ou payantes, que des rapports ou des thèses. De plus, pour certains articles, c’est le texte intégral qui est indexé, même s’il s’agit d’un article qui n’est pas en open access.

Quant au nombre de visiteurs, le mystère est, là aussi, bien entretenu. José Luis Ortega, un « bibliométricien » espagnol, l’estime à plus de 100 millions par mois.

Citations à vendre

L’achat de citations à faire figurer dans Google Scholar pour embellir frauduleusement son CV est une pratique bien documentée.

Maître Thibault du Manoir de Juaye, avocat à la Cour de Paris, est un spécialiste reconnu en intelligence économique et en droit de la sécurité privée. Il a fondé son cabinet en 1995, intervenant régulièrement sur des dossiers liés à l’intelligence économique, notamment en matière de propriété intellectuelle.

Auteur de plusieurs ouvrages sur le sujet, il a également été rédacteur en chef du magazine « Regards sur l’IE ».

L’intelligence artificielle amplifie les problé­matiques juridiques déjà connues pour la veille et l’IE, notamment en raison de sa fa­culté à faciliter les recherches et à générer automatiquement des contenus de tout type.

Même si elle n’en est sans doute qu’à ses débuts, il existe déjà des tentatives pour encadrer juri­diquement l’intelligence artificielle (IA).

Des juristes imaginatifs (et pour moi loufoques) vont même jusqu’à soutenir qu’il faudrait donner la personnalité juridique aux systèmes d’IA, un peu comme les sociétés ont la personnalité morale. Mais il ne s’agit pour le moment que de spéculations ludiques et récréatives, sans grand intérêt, sauf pour quêter une exposition médiatique à moindres frais.

Il faut donc s’en tenir au droit positif.

L’intelligence artificielle est désormais encadrée par un règlement européen en date du 12 juillet 2024, texte qui sera complété par des milliers de pages d’application.

Il est encore difficile de qualifier précisément l’impact de l’IA sur les activités de veille et de sur­veillance, de recherche sur tous objets et sujets, d’analyse ou encore de création de contenus. Ce­pendant, il est probable que certaines des pratiques et opérations réalisées soient susceptibles de relever de la réglementation sur l’IA. C’est le cas par exemple de l’analyse des émotions et des compor­tements visés expressément dans l’IA Act, qui réglemente également le profilage des personnes.

Or, tant les créateurs, les commercialisateurs ou les utilisateurs, ont des obligations à respecter qui ont dans leur esprit un léger parfum de RGPD. Un des grands principes qui gouverne ces obligations est celui de transparence et dans de nombreuses circonstances, il faut indiquer que l’on a recours à l’IA.

Une classification par niveau de risque

Quel est donc le principe de l’IA Act ?

Le règlement européen sur l’IA classifie les systèmes d’IA en quatre catégories principales selon leur niveau de risque. A chaque risque est associé des obligations différentes pesant tant sur les utilisateurs (appelés les « déployeurs ») que les producteurs (commercialisateurs, concepteurs, importateurs, etc.).

Quelles sont les catégories d’IA ?

Première catégorie : IA à risque inacceptable : Ces systèmes sont interdits, car ils menacent les droits fondamentaux, comme les systèmes de notation sociale (*) gouvernementaux. Le règlement interdit explicitement l’utilisation de systèmes de reconnaissance des émotions basée sur des données biométriques dans deux contextes précis :

• Sur le lieu de travail
• Dans les établissements d’enseignement

(*) Aussi appelée « score social », la notation sociale est un système permettant d’attribuer une note, un score à un individu en fonction de son comportement dans son cadre personnel ou professionnel.

Deuxième catégorie : Les IA à haut risque : cette catégorie comprend les systèmes utilisés dans des domaines sensibles comme l’éducation, l’emploi, ou la gestion d’infrastructures critiques. Ils doivent se conformer à des exigences strictes et subir une évaluation de conformité. Il faut se référer à l’annexe 3 du règlement qui en fournit une liste exhaustive, et il convient de se demander si les opérations de veille ou d’intelligence économique, via de l’IA sur un de ces domaines, peuvent relever de cette catégorie à haut risque. Par exemple, les systèmes d’IA utilisés pour la reconnaissance des émotions sont généralement classés comme systèmes à haut risque. En effet, l’article 6 et l’annexe III classent les systèmes de reconnaissance des émotions comme des systèmes d’IA à haut risque, les soumettant à des exigences strictes.

De plus, l’article 52 impose des obligations de transparence pour les systèmes d’IA interagissant avec des personnes physiques.