Show Notes
Un détecteur d’intelligence artificielle ne sait pas que ChatGPT a écrit un texte. Il calcule surtout à quel point ce texte ressemble à ceux qu’il a appris à reconnaître comme artificiels.
C’est une distinction essentielle, car un score affichant 97 ou 99 % peut donner l’impression d’une preuve presque scientifique. Ces outils ne fonctionnent pas comme un logiciel antiplagiat. Ils ne recherchent pas votre paragraphe dans une base contenant toutes les réponses produites par ChatGPT. Les systèmes modernes découpent d’abord le texte en tokens, transforment ces éléments en représentations numériques, puis les font analyser par un réseau neuronal entraîné sur de grandes quantités de textes dont l’origine est connue.
Pangram, par exemple, entraîne son modèle avec des documents humains et des productions provenant de dizaines de modèles d’IA. Pour éviter qu’il apprenne simplement qu’un article scientifique est « humain » et qu’une dissertation est « artificielle », l’entreprise génère aussi des textes synthétiques reproduisant le sujet, le ton et la longueur des exemples humains. Cela permet de comprendre pourquoi l’ancienne explication fondée uniquement sur la « perplexité » est devenue insuffisante. Cette mesure évalue à quel point les mots d’un texte sont prévisibles. Elle a beaucoup servi aux premières générations de détecteurs, mais les outils actuels combinent bien davantage de caractéristiques grâce à des modèles d’apprentissage profond.
Le problème apparaît lorsque l’écriture devient hybride. Corriger quelques fautes avec une IA, lui faire réécrire plusieurs paragraphes ou lui demander l’intégralité d’un texte sont trois situations très différentes, alors que le détecteur ne voit que le résultat final. Une étude publiée cette année a ainsi montré qu’un détecteur scientifique repérant initialement 99,8 % des textes artificiels tombait à 70,4 % après paraphrase. Un autre projet, AITDNA, qui conserve tout l’historique de rédaction entre humains et IA, constate que les détecteurs sont souvent performants pour certaines définitions du « texte IA », beaucoup moins lorsqu’on mélange toutes les formes de collaboration.
Source : Clubic Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.
More from Choses à Savoir TECH
Acheter un logiciel, l'utiliser pendant plusieurs années, puis le revendre lorsqu'on n'en a plus besoin : ce principe paraît parfaitement normal pour un objet physique. Mais dans l'univers numérique, Microsoft tente depuis des années d'en limiter l'application. Un nouveau revers judiciaire vient compliquer la position du géant américain. Au Royaume-Uni, la justice a refusé de lui accorder l'autorisation de poursuivre un appel dans un litige qui l'oppose à ValueLicensing, une entreprise spécialisée dans la revente de licences Microsoft d'occasion.
Des utilisateurs de Ray-Ban Meta ont découvert dans l’application Meta AI des enregistrements audio et des transcriptions de conversations qu’ils n’avaient jamais demandé à sauvegarder. Meta affirme avoir corrigé le problème.
Une phrase invisible dans un simple e-mail peut suffire à donner de mauvaises instructions à une intelligence artificielle chargée de le lire. Le problème devient beaucoup plus sérieux lorsque cette IA peut également consulter des fichiers, envoyer des messages ou agir dans l’entreprise. Cette attaque porte un nom : l’injection de prompt. Au lieu d’introduire un logiciel malveillant classique, l’attaquant cache une instruction en langage naturel dans une source que l’IA va consulter : un courrier électronique, une page web, un document ou même une image. L’utilisateur peut ne rien remarquer. L’assistant, lui, ingère à la fois le contenu légitime et l’instruction hostile. C’est précisément pourquoi l’OWASP classe encore l’injection de prompt au premier rang de son Top 10 des risques pour les applications utilisant de grands modèles de langage en 2026.
Des chercheurs du MIT ont créé une feuille de silicone capable de reconstruire sa propre forme en trois dimensions lorsqu’on la plie ou qu’on la tord. Cousue un jour dans un vêtement, elle pourrait permettre à un casque de réalité virtuelle de suivre directement une partie de nos mouvements.
Meta prépare un câble sous-marin capable de transporter un pétabit de données par seconde entre les États-Unis et la France. Mais Petal ne donnera pas soudainement une connexion deux fois plus rapide aux particuliers : il augmente surtout la capacité de l’infrastructure qui relie les grands centres numériques des deux continents.