Projets IA

🔍 Les détecteurs d'IA se trompent, et surtout ils accusent des textes humains. Ce n'est pas un bug qu'on corrigera : c'est structurel. La seule approche qui tienne, c'est de marquer au moment de la génération.

Dans cette vidéo :

— Pourquoi la détection après coup juge un style, et pourquoi un style se change

— Pourquoi les détecteurs accusent en premier ceux qui écrivent dans une langue apprise

— Le marquage à la source : liste verte, liste rouge, et un tirage légèrement biaisé

— Pourquoi c'est invisible dans une phrase et flagrant sur 300 mots

— L'arbitrage robustesse / qualité, qu'aucun réglage ne résout

— Ce qui efface la marque : réécriture, traduction, mélange

— L'autre voie : signer le fichier au lieu de marquer le contenu

👉 Projets IA : pour comprendre l'IA sans bullshit, un concept par vidéo.

📬 Newsletter IA Décodée : les schémas et les définitions à plat.

🔔 Abonne-toi !

#Filigrane #Watermarking #DétectionIA #AIAct #LLM #IntelligenceArtificielle #VulgarisationIA #ProjetsIA #IA

`

SOURCES

Article 50 du règlement européen sur l'IA : marquage lisible par machine obligatoire depuis le 2 août 2026 : artificialintelligenceact.eu/article/50/` ; guidelines de la Commission publiées le 20 juillet 2026

Découpage vert/rouge du vocabulaire, biais du tirage, détection statistique : Kirchenbauer, Geiping, Wen, Katz, Miers, Goldstein, "A Watermark for Large Language Models", ICML 2023
Hosted on Ausha. See ausha.co/privacy-policy for more information.

Un réseau de neurones, ça n'a rien à voir avec un cerveau. À l'intérieur, il n'y a que des additions et des multiplications : des maths de niveau collège. Alors comment ça peut reconnaître ton visage, traduire une langue ou écrire du texte ?

Dans cette vidéo, on démonte un réseau de neurones pièce par pièce, à partir de zéro, sans une seule équation. Le neurone, les couches, et surtout comment le réseau apprend tout seul à partir d'exemples. Si tu sais additionner et multiplier, tu as tout ce qu'il faut pour suivre.

🔗 Ressource citée : Neural Network Playground de TensorFlow (playground.tensorflow.org) pour voir un réseau apprendre en direct dans ton navigateur.

🔔 Abonne-toi à Projets IA pour comprendre l'IA pour de vrai, pas juste en parler.

#ReseauDeNeurones #DeepLearning #IntelligenceArtificielle #IA #MachineLearning #VulgarisationIA #ReLU #ProjetsIA #ApprentissageProfond #NeuralNetwork #DebutantIA
Hosted on Ausha. See ausha.co/privacy-policy for more information.

🔁 Un modèle de langage seul ne fait qu'une chose : produire du texte. Alors comment les « agents IA » arrivent-ils à chercher, lire, calculer et enchaîner des dizaines d'actions tout seuls ? La réponse tient dans une boucle très simple — la boucle agentique — qu'on construit ici morceau par morceau, sans dépendre d'un outil précis.

On part du motif ReAct (raisonner + agir), on ajoute ce qu'il faut autour pour que ça tienne (mémoire, conditions d'arrêt, appels d'outils structurés en JSON), puis on regarde là où ça casse en vrai et comment fiabiliser. À la fin, tu reconnaîtras cette boucle derrière la plupart des agents et des frameworks.

👉 Projets IA — l'IA expliquée en profondeur, sans bagage requis.

🔔 Abonne-toi pour les prochains deep-dives.

#ProjetsIA #IA #IntelligenceArtificielle #AgentIA #LLM #ReAct #AgentsIA #MachineLearning #DeepLearning #ChatGPT #Claude

SOURCE :

- ReAct : Yao, Zhao, Yu, Du, Shafran, Narasimhan, Cao — « ReAct: Synergizing Reasoning and Acting in Language Models », 2022 (arXiv:2210.03629). Motif d'alternance raisonnement + action : https://arxiv.org/pdf/2210.03629
Hosted on Ausha. See ausha.co/privacy-policy for more information.

📚 En avril 2025, Andrej Karpathy publie une idée simple qui emballe des milliers de développeurs : le « LLM Wiki ». Au lieu du RAG, où l'IA refouille tes documents à chaque question, on lui fait construire et entretenir un wiki en markdown qui s'enrichit dans le temps. Sa formule : « Obsidian, c'est l'éditeur ; le LLM, c'est le programmeur ; le wiki, c'est le code. »

Dans cette vidéo : le problème du RAG, l'idée du LLM Wiki, comment on le met en place et où sont ses limites.

🔗 Source : le gist « LLM Wiki » d'Andrej Karpathy (GitHub)

🔔 Abonne-toi à Projets IA — on décortique l'IA et on la met en pratique.

#LLMWiki #Karpathy #RAG #IA #IntelligenceArtificielle #LLM #Obsidian #BaseDeConnaissances #Agents #VulgarisationIA #ProjetsIA

# 🔗 SOURCES

-*Andrej Karpathy — gist « LLM Wiki » (GitHub, avril 2025). Motif de construction/maintenance d'une base de connaissances par un LLM, en alternative au RAG. Citation reprise : « Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase. »

- Architecture en trois couches (sources → wiki dérivé → fichier de schéma/règles) et intégration incrémentale (mise à jour des pages, création de pages de concepts, signalement des contradictions).

- Adoption : gist devenu très populaire (milliers d'étoiles en quelques jours), motif repris avec des agents type Claude Code / Codex en 2025-2026.

- Andrej Karpathy : membre fondateur d'OpenAI, ancien directeur de l'IA chez Tesla.

#LLMWiki #Karpathy #RAG #IA #IntelligenceArtificielle #LLM #Obsidian #BaseDeConnaissances #Agents #VulgarisationIA #ProjetsIA
Hosted on Ausha. See ausha.co/privacy-policy for more information.

🧠 Tu entraînes un petit réseau sur une tâche de calcul. En quelques centaines d'étapes, il répond juste sur tous les exemples vus : il a mémorisé. Sur des exemples nouveaux, il reste nul, au niveau du hasard. Et si tu continues à l'entraîner très longtemps après que tout semble figé, sa précision bondit d'un coup jusqu'à quasi 100 % : il a « grokké ». C'est la généralisation retardée.

Dans cette vidéo, en trois temps : le phénomène et pourquoi il déroute, le rôle du weight decay qui pousse le modèle du par-cœur vers la vraie règle, et surtout ce qui se passe à l'intérieur — le modèle apprend un vrai algorithme, il pose les nombres sur un cercle (comme une horloge) et additionne en tournant les aiguilles, en trois phases : mémorisation → formation du circuit → nettoyage.

Aucun prérequis technique lourd. Fil rouge unique : l'horloge.

⚠️ Nuance importante : le grokking a été observé surtout sur de petites tâches algorithmiques (arithmétique modulaire). Sa portée aux grands modèles reste débattue.

📚 Pour aller plus loin :

— Power, Burda, Edwards, Babuschkin, Misra — « Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets » (OpenAI, 2022)

— Nanda, Chan, Lieberum, Smith, Steinhardt — « Progress measures for grokking via mechanistic interpretability » (ICLR 2023, arXiv:2301.05217)

📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse, une idée à creuser et l'actu de la recherche expliquée simplement : https://projetsia.netlify.app/

🔔 Abonne-toi à Projets IA : on démonte l'IA en profondeur, un concept par vidéo.

#Grokking #Généralisation #InterprétabilitéMécanique #WeightDecay #DeepLearning #IA #IntelligenceArtificielle #MachineLearning #RéseauxDeNeurones #Transformer #VulgarisationIA #ProjetsIA
Hosted on Ausha. See ausha.co/privacy-policy for more information.