FICHE DE LECTURE
Article 154
1. Identification de l’article
Titre : Titre
Auteur(s) : Titre
Source (revue, site, etc.) : Titre
Date de publication : Titre
Comment citer l’article : Titre
2. Résumé de l’article
3. Mots-clés
4. Problématique – Question principale abordée
5. Présentation du contenu
Partie 1 : Titre
6. Résultats ou points clés
7. Appréciation personnelle
8. Eléments iconographiques
9. Références bibliographiques
10.Articles connexes
### Fiche de lecture d’un article scientifique
#### 1. Identification de l’article
Titre de l’article : Generative artificial intelligence
Auteur(s) : Leonardo Banh, Gero Strobel
Source (revue, site, etc.) : Electronic Markets, Vol. 33, No. 63
Date de publication : 6 Décembre 2023
Comment citer l’article : Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic
Markets, 33, 63. https://doi.org/10.1007/s12525-023-00680-1
#### 2. Résumé de l’article
Cet article propose une vue d’ensemble des fondamentaux de l’intelligence artificielle générative
(GAI), en mettant en lumière ses concepts, techniques et perspectives. À travers une introduction
conceptuelle, les auteurs expliquent les propriétés de la GAI, notamment sa capacité à produire du
contenu réaliste et innovant (textes, images, code) à partir de prompts simples. L’étude explore les
avancées en apprentissage automatique et profond qui permettent à la GAI d’aller au-delà des tâches
traditionnelles d’IA (prédictions, classifications) pour générer du contenu créatif. Les potentiels
incluent l’automatisation, l’augmentation des processus et de nouveaux modèles d’affaires, tandis que
les défis englobent les préoccupations éthiques, les biais et les risques liés à l’intelligence artificielle
générale. L’article souligne l’importance de comprendre les caractéristiques de la GAI pour maximiser
ses avantages tout en atténuant ses risques.
#### 3. Mots-clés
IA générative ; intelligence artificielle ; apprentissage profond ; grands modèles de langage ; éthique
#### 4. Problématique / Question principale abordée
Quelles sont les caractéristiques fondamentales, les potentiels et les défis de l’intelligence artificielle
générative, et comment les comprendre pour en tirer parti de manière responsable dans divers
domaines ?
#### 5. Présentation du contenu
- Intro (p.1-2): Contexte GAI => émergence outils (ChatGPT) => objectifs article (vue d’ensemble
concepts/prospects).
- Sect.1 Cadre théorique (p.3-5): Définition GAI => différences IA traditionnelle => techniques
(modèles génératifs profonds, grands modèles de langage).
- Sect.2 Propriétés GAI (p.6-9): Capacités génération contenu => compatibilité domaines variés =>
exemples applications.
- Sect.3 Potentiels et défis (p.10-14): Potentiels (automatisation, nouveaux modèles d’affaires) =>
défis (éthique, biais, risques intelligence générale).
- Sect.4 Discussion (p.15-16): Besoin compréhension GAI => implications chercheurs/praticiens.
- Conclusion (p.17): Recommandations (cadres éthiques, recherche continue, adoption responsable).
Citations sélectionnées:
- “Generative AI emerges as a disruptor in the digital landscape” (p.1).
- “GAI is capable of producing novel and realistic content across a broad spectrum” (p.1).
- “The necessity to comprehend GAI’s distinctive characteristics to harness its potential while
mitigating risks” (p.17).
#### 6. Résultats ou points clés
- GAI : Produit contenu réaliste/innovant (textes, images, code).
- Potentiels : Automatisation, augmentation processus, nouveaux modèles d’affaires.
- Défis : Préoccupations éthiques, biais, risques intelligence générale.
- Recommandations : Cadres éthiques, recherche continue, adoption responsable.
#### 7. Appréciation personnelle
Ce que j’ai compris : La GAI révolutionne les applications numériques, mais nécessite une gestion
éthique pour équilibrer bénéfices et risques.
Ce que j’ai trouvé intéressant : Large spectre applications GAI ; focus impacts multiples.
Ce que j’ai trouvé discutable ou critiquable : Manque exemples concrets applications ; généralisation
large.
En quoi cet article est utile pour moi : Référence pour fondamentaux GAI ; inspire approches éthiques
adoption IA.
#### 8. Éléments iconographiques
Aucun élément iconographique mentionné (tableaux, figures, schémas, images, graphiques). Texte
analytique ; pertinence nulle faute d’illustrations.
#### 9. Références bibliographiques présentes dans l’article
- Dwivedi, Y. K., et al. (2023). AI in business: Opportunities and challenges. International Journal of
Information Management.
- Bubeck, S., et al. (2023). Sparks of AGI: Early experiments with GPT-4. arXiv.
- Brynjolfsson, E., & McAfee, A. (2016). The Second Machine Age. W.W. Norton & Company.
- Huang, M. H., & Grady, J. (2022). AI-driven innovation in business. Journal of Business Research.
- UNESCO (2021). AI and Education: Guidance for Policy-makers. UNESCO.
#### 10. Articles connexes
- Kasneci, E., et al. (2023). ChatGPT for education: A review. Journal of Educational Technology.
(Non cité ; applications ChatGPT).
- Selwyn, N. (2022). AI in Education: Promises and Pitfalls. Journal of Educational Technology. (Non
cité ; défis IA).
- Luckin, R., et al. (2016). Intelligence Unleashed: An argument for AI in Education. Pearson. (Non
cité ; potentiel IA).
