Notions fondamentales sur l’IA / publié le 14 août 2026

Qu’est-ce qu’un grand modèle de langage? Jetons, transformeurs et paramètres, sans battage médiatique

Un grand modèle de langage est un système mathématique entraîné qui traite des jetons et prédit des suites utiles. Le modèle compte, mais il ne constitue qu’une couche du service d’IA réellement utilisé par votre personnel.

Voir comment fonctionne un GMLProchaine étape : comprendre l’inférence

Du texte au résultat : la version courte

Lorsqu’une personne saisit une requête, l’application la convertit d’abord en jetons. Le modèle traite ces jetons à l’aide de valeurs numériques apprises pendant l’entraînement, puis produit une distribution de probabilités sur les prochains jetons possibles. Une méthode de décodage en choisit un, l’ajoute à la séquence et répète le processus jusqu’à ce que la réponse soit terminée ou qu’une condition d’arrêt soit atteinte.

Cette description rappelle la saisie semi-automatique parce que, sur le plan mécanique, les deux sont apparentées. Les capacités remarquables découlent de l’échelle, de l’entraînement, de l’architecture, du post-entraînement et de l’étendue des motifs représentés dans les paramètres appris. Prédire des jetons sur plusieurs étapes peut produire une explication, une fonction logicielle, un enregistrement structuré ou une conversation. Cela demeure une prédiction, et non une garantie d’exactitude.

Quatre termes qui facilitent la compréhension des GML

Entraîner le modèle et l’utiliser sont deux choses différentes

Pendant l’entraînement, le logiciel ajuste les paramètres à partir d’exemples et d’un objectif. Ce travail exige beaucoup de calcul et produit des points de contrôle ou des poids. Le post-entraînement peut ensuite façonner le suivi des consignes, le comportement de sûreté ou l’exécution d’une tâche précise. Le réglage fin adapte un modèle existant en mettant à jour une partie ou la totalité de ses paramètres.

Pendant l’inférence ordinaire, ces valeurs entraînées sont chargées et appliquées. Votre requête peut influencer la réponse courante, mais elle ne réécrit normalement pas le modèle de base. Un produit conversationnel peut conserver l’historique, récupérer des documents ou stocker des souvenirs distincts; ce sont des fonctions applicatives qui entourent le modèle. Cette distinction importe lorsqu’un fournisseur affirme ne pas entraîner ses modèles avec les données de ses clients. Cette déclaration ne précise pas, à elle seule, où les requêtes sont traitées, combien de temps elles sont conservées, qui peut administrer le système ni quels sous-traitants reçoivent les données.

Le modèle ne constitue pas tout le système d’IA

Une application d’entreprise utile comprend normalement une interface ou une API, des contrôles d’identité et d’accès, un moteur de service, du stockage, de la journalisation, de la surveillance et parfois la recherche documentaire ou des outils. Les mêmes poids peuvent être servis depuis un portable, un serveur GPU interne, une installation canadienne ou une API étrangère. Malgré un modèle sous-jacent identique, ces déploiements peuvent présenter des profils de contrôle et de risque très différents.

Ce que « grand » indique — et n’indique pas

Il n’existe aucun seuil unique de paramètres à partir duquel un modèle de langage devient un grand modèle de langage. Les modèles denses utilisent tous leurs paramètres pertinents pour une requête, tandis que les architectures à mélange d’experts peuvent compter un très grand nombre de paramètres au total, mais n’en activer qu’une partie pour un jeton. Le nombre de paramètres ne peut donc pas servir directement de note d’achat.

Un modèle plus grand peut mieux accomplir certaines tâches difficiles, mais exige aussi davantage de mémoire, d’énergie ou de matériel distribué. Un modèle plus petit peut constituer un meilleur choix de production lorsque la tâche est circonscrite, que la latence importe, que les données doivent rester locales ou que l’organisation peut ancrer le modèle dans des documents bien gérés. La méthode défendable consiste à tester les modèles candidats sur des travaux représentatifs et à mesurer les résultats utiles, les modes de défaillance, la latence et l’utilisation des ressources.

Pourquoi des réponses fluides peuvent néanmoins être fausses

Un GML produit une suite plausible selon son entraînement et son contexte actuel. Il ne consulte pas une source faisant autorité à moins que l’application qui l’entoure lui en fournisse une, et il n’acquiert pas le jugement humain simplement parce que sa prose paraît assurée. Le Centre canadien pour la cybersécurité recommande de s’attendre à ce que les résultats de l’IA générative puissent être inexacts, biaisés, incomplets ou absurdes, et de valider l’information avant d’agir.

Pour une entreprise, cela signifie adapter les contrôles aux conséquences. Rédiger des notes internes de remue-méninges n’équivaut pas à autoriser un paiement, interpréter un contrat ou émettre des consignes de sécurité. Parmi les mesures utiles figurent la récupération des sources, les sorties structurées, les vérifications automatisées, la révision humaine, les permissions limitées des outils et les évaluations fondées sur des tâches réelles.

Les poids ouverts changent l’endroit où le modèle peut fonctionner

Avec un système offert uniquement par API, les clients envoient leurs requêtes à un service exploité par le fournisseur. Lorsqu’un modèle est publié avec des poids ouverts, les paramètres entraînés peuvent être téléchargés selon les conditions énoncées et chargés dans une infrastructure compatible. Cela peut favoriser l’inférence hébergée au Canada ou sur place et réduire la dépendance à un point d’accès appartenant à un seul fournisseur.

Des poids ouverts ne sont pas automatiquement synonymes de logiciel libre. Les licences diffèrent, et l’accès aux poids finaux peut ne pas inclure l’information sur les données d’entraînement et le code qu’exige la définition de l’IA à code source ouvert de l’Open Source Initiative. Notre guide sur les poids ouverts et l’IA à code source ouvert explique la terminologie; notre comparatif daté des modèles à poids ouverts au Canada présente des candidats au déploiement sans transformer un seul banc d’essai en décision d’approvisionnement.

Foire aux questions

Un GML est-il une base de données?

Non. Ses paramètres encodent des motifs appris pendant l’entraînement; ils ne constituent pas un système d’enregistrement fiable. La récupération peut fournir des documents sélectionnés lors de l’inférence, mais le système source doit demeurer l’autorité.

Un GML local apprend-il de chaque requête?

Pas pendant l’inférence ordinaire. Une application peut conserver les conversations ou les réutiliser dans un contexte ultérieur, mais la mise à jour des paramètres exige un processus distinct d’entraînement ou de réglage fin.

Exécuter un GML localement rend-il chaque réponse privée?

L’exécution locale peut garder le traitement du modèle sur du matériel contrôlé, mais la confidentialité dépend aussi des interfaces, journaux, modules complémentaires, outils, mises à jour, accès à distance et contrôles d’accès. Vérifiez tout le parcours des données.

Sources primaires consultées le 24 août 2026 : Glossaire de l’apprentissage automatique de Google; Google, Qu’est-ce qu’un grand modèle de langage?; Vaswani et coll., Attention Is All You Need; Centre canadien pour la cybersécurité, Intelligence artificielle générative.