Introduction · IA
Comment je suis resté connecté à l'IA
D'un projet de reconnaissance vocale en 1983 à l'arrivée de l'IA générative : ma première rencontre avec l'intelligence artificielle, pourquoi je ne l'ai jamais vraiment quittée, et les questions qui ont mené aux articles de ce site.
Au début des années 1980, l'intelligence artificielle était à peine un sujet. Elle appartenait aux laboratoires de recherche et à des gens que la plupart des ingénieurs tenaient pour des savants fous : des idées intrigantes, sans usage réel.
Marvin
En 1983, quelques années avant le début de ma carrière, j'ai rejoint un projet baptisé Marvin, du nom de l'androïde paranoïaque du Guide du voyageur galactique. Il était financé par le ministère britannique de la Santé et de la Sécurité sociale. Son but était très concret : un système de reconnaissance vocale relié à des actionneurs, pour que des patients hospitalisés privés de presque toute mobilité puissent commander leur environnement à la voix.
Aucun des outils d'aujourd'hui n'existait. Nous travaillions avec le matériel de l'époque : un Motorola 68000 et des bancs de filtres analogiques, là où n'importe qui utiliserait aujourd'hui une FFT.
< 256 Ko
L'ossature, pourtant, était déjà là. Il fallait transformer la parole en vecteurs, entraîner le système sur des exemples, et relier ce qu'il reconnaissait à un sens et à une action. Les outils ont changé du tout au tout depuis. Ces principes sont restés.
Au bout du compte, le ministère n'a jamais déployé le système. British Aerospace l'a repris, et Marvin a fini dans des cockpits d'avions de chasse. Pour un projet bâti avec des moyens aussi modestes, c'était une vraie réussite.
Jamais très loin
Je n'ai pas fait carrière dans l'IA. En dehors des laboratoires, le domaine connaissait peu d'activité, et mon chemin m'a mené ailleurs : le génie logiciel, la livraison de projets, puis le rôle de CTO. Mais ce que j'avais appris sur Marvin m'est resté.
J'ai continué à suivre le domaine, et surtout ces drôles de bêtes qu'on appelle les neurones artificiels. Ce qui me fascinait, c'était tout ce qu'on pouvait obtenir avec des constructions aussi simples. J'en ai étudié la théorie par moi-même, à travers des projets personnels, pour le plaisir de comprendre comment cela fonctionnait.
Le réveil
À vrai dire, j'ai manqué certains tournants. L'article de 2017 Attention Is All You Need, qui a introduit l'architecture Transformer sur laquelle reposent les modèles de langage d'aujourd'hui, est passé complètement sous mon radar.
Le vrai réveil est venu, comme pour tant d'autres, le jour où ChatGPT a été mis en ligne, en novembre 2022.
Effet de mode ou changement de paradigme ?
Ma première réaction a été le réflexe de quelqu'un qui a déjà vu cela. Ma carrière a commencé au printemps 1986, et depuis, j'ai assisté, et souvent participé, à une longue série de « révolutions » : la vague client-serveur des années 1990, la frénésie du web, la ruée vers le cloud. Toutes ont été survendues. Certaines ont fait long feu ; d'autres sont restées et ont transformé le secteur. L'expérience m'avait appris que le bruit autour d'une technologie dit très peu de chose de sa durée de vie.
La question que je me suis posée était donc simple. L'IA générative était-elle un effet de mode, une nouvelle technologie durable, ou un véritable changement de paradigme ?
Juger par moi-même
J'ai fait comme beaucoup d'autres : je me suis abonné à l'un des fournisseurs et j'ai commencé à évaluer cette nouvelle créature par moi-même. Plusieurs choses sont vite devenues claires.
La première, c'est que l'IA générative était survendue, à peu près comme le web l'avait été pendant la frénésie des « dot-com » de la fin des années 1990. Sans une approche raisonnée, les promesses faites conduiraient à de grandes déceptions.
La deuxième semblait contredire la première, mais ne la contredisait pas. L'IA générative était transformatrice, et de plus de façons que le battage lui-même ne le laissait entendre. Les années dot-com avaient enseigné la même leçon : la bulle a éclaté, et le web a pourtant fini par changer presque tout. C'est le vieux schéma : on surestime une technologie à court terme et on la sous-estime à long terme.
La troisième me touchait de plus près. Dans mon propre domaine, le génie logiciel, elle changeait la donne.
J'y ai donc investi, du temps d'abord, avec trois questions en tête.
- Que peut-on faire désormais qui était encore récemment hors de portée de la plupart des entreprises ?
- Que va-t-elle changer à la façon dont nous construisons les logiciels ?
- Et surtout, que reste-t-il une fois le battage retombé ?
Où sont les réponses
Les articles de ce site sont ma tentative de répondre à ces questions.
L'IA générative au-delà du battage commence par les deux premières. Il retrace l'histoire qui mène des débuts de l'IA à l'IA générative, démêle les messages contradictoires du secteur, et examine pourquoi certains projets réussissent quand d'autres échouent. Il se termine par ce qui me semble être la bonne façon de l'aborder.
La question de la façon dont nous construisons les logiciels m'a ramené à la livraison elle-même, et à Scrum. Comme l'IA générative, Scrum a été survendu et largement mal compris, et il a perdu une partie de son attrait. Avant de montrer ce que l'IA change dans les projets logiciels, je veux expliquer à nouveau ce qu'est vraiment Scrum. C'est l'objet des deux premiers articles de la série, sur Scrum et sur la planification agile. Les suivants ajoutent le Domain-Driven Design, puis Claude et la méthode BMAD.
À partir de là, deux articles s'intéressent à l'exécution :
- Comment l'IA générative transforme la conduite des projets logiciels, en prenant comme exemple type la génération augmentée par recherche (RAG) (Au-delà de la démo et Implémentation du RAG). Au-delà de la façon dont les projets sont menés, le développement assisté par l'IA peut démultiplier l'efficacité des équipes projet.
- Comment Claude et BMAD peuvent servir à construire des applications dans des environnements réglementés, là où le battage rencontre les contraintes les plus dures.