Précision
Comprendre le paysage GenAI avant de démarrer un pilote
D’après l’étude de Gartner début 2024, les principales technologies GenAI et leur maturité ont été analysées en s’appuyant sur un large panel d’entreprises internationales et des cas d’usage. L’IA générative utilise un certain nombre de techniques qui continuent d’émerger et d’évoluer à un rythme sans précédent.
Dans ce sondage Gartner, 40 % des personnes interrogées ont déclaré que GenAI avait été déployé dans plus de trois unités commerciales.
- Le service client et le marketing sont les principales fonctions commerciales utilisant GenAI.
- Il y a très peu de services R&D ou d’Open Innovation qui ont déjà déployés des outils s’appuyant sur GenAI.
Selon votre fonction et votre entreprise, vous vous demandez :
Pourquoi vous recherchez l’IA – et l’IA générative en particulier :
- Quelle valeur cela apportera?
- Comment allez-vous capturer cette valeur?
- Quels cas d'utilisation poursuivre?
- Quel pilote mener pour démarrer?
- Un point sur la technologie
La Technologie vulgarisée
Au premier plan se trouvent les modèles de base de l'IA, qui sont formés sur un large ensemble de données non étiquetées qui peuvent être utilisées pour différentes tâches, avec des ajustements supplémentaires. Des mathématiques complexes et une énorme puissance de calcul sont nécessaires pour créer ces modèles entraînés, mais il s’agit essentiellement d’algorithmes de prédiction.
Depuis le lancement fin 2022 de ChatGPT, un chatbot capable d’interactions d’apparence très humaine, les investissements de GenAI ont explosé. Le marché des assistants virtuels et des robots compatibles GenAI compte désormais de nombreux acteurs. Cependant, de nombreuses technologies GenAI avaient déjà atteint le sommet des attentes exagérées (cf. Gartner Hype Cycle™ 2023 pour l'IA générative ).
Dans cet environnement, les chefs d’entreprise risquent de surestimer l’impact et de sous-estimer la complexité de GenAI. Gartner s’attend néanmoins à une adoption élargie et prédit :
- D’après Gartner d’ici 2026, 75 % des entreprises utiliseront l’IA générative pour créer des données clients synthétiques, contre moins de 5 % en 2023.
- D'ici 2027, plus de 50 % des modèles GenAI utilisés par les entreprises seront spécifiques à leur secteur d'activité ou à leur fonction commerciale, contre environ 1 % en 2023. (Ces modèles spécifiques à un domaine sont beaucoup plus petits que les modèles GenAI massifs comme GPT-4, et la plupart seront construits sur des modèles de base d'IA.)
- D’ici 2027, plus de la moitié de la sélection des actifs de développement sur les marchés technologiques sera réalisée par l’orchestration de l’IA générative.
- D’ici 2028, un tiers des interactions avec les services GenAI feront appel à des modèles d’action et à des agents autonomes pour accomplir les tâches ; Et 30 % des mises en œuvre de GenAI seront optimisées à l’aide de méthodes informatiques économes en énergie, motivées par des initiatives de développement durable.
L’Open Source
Les modèles open source gagnent en importance et concurrencent de manière agressive les modèles fermés. Avec l'augmentation des réglementations liées à l'IA, les clients peuvent préférer les modèles open source, qui offrent une meilleure flexibilité de déploiement et une meilleure personnalisation, et permettent un meilleur contrôle de la sécurité et de la confidentialité.
Risques et Bénéfices de la Gen AI
Il est important de comprendre les avantages et les risques de GenAI pour déterminer où et comment elle s'intègre dans les modèles commerciaux et opérationnels existants et futurs, et si et comment expérimenter de manière productive des cas d'utilisation.
Quels sont les avantages des applications GenAI ?
Les avantages de l’IA générative incluent un développement de produits plus rapide, une expérience client améliorée et une productivité des employés améliorée, mais les détails dépendent du cas d’utilisation. Les applications pratiques de haut niveau comprennent :
- Augmentation et création de contenu écrit
- Réponse aux questions et découverte
- Ton
- Récapitulation
- Simplification
- Classification du contenu pour des cas d'utilisation spécifiques
- Amélioration des performances des chatbots
- Codage de logiciels
- Formulation du produit
- Améliorations des processus
- Aide à l'analyse
- Recommandations personnalisées
Quels sont les risques de l’IA générative ?
- Les risques de surveillance à surveiller comprennent :
- Manque de transparence
- Précision
- Hallucinations
- Biais
- Exposer par inadvertance la propriété intellectuelle (PI) et violer le droit d'auteur
- Cyberattaques et fraudes
- Impact négatif sur les objectifs de durabilité
- Icône de validation par la communauté
Plusieurs articles (ci-dessous) font d’ailleurs références au manque de précision et aux hallucinations qui, d’après plusieurs experts, vont augmenter de manière significative du fait du volume de données traitées qui ne pourront être corrigées au sein des larges modèles de langage auto apprenant qui risqueront de créer, à terme, une IA fatigue et une perte de crédibilité des LLM et de la GenAI.
« Si ChatGPT se trompe de manière fréquente, c'est parce que les larges modèles de langage (LLM) derrière cette IA n'ont pas été conçus pour répondre à des questions directement : "Ce sont des systèmes qui sont pré-entraînés pour mieux répondre à d'autres tâches… Pour le comprendre, il faut revenir au mode de fonctionnement de cette IA : ChatGPT va répondre la séquence de mots qui est la plus probable par rapport à l'agrégation de mots qu'on lui a proposée en entrée…A force d'être entraîné par le grand public, il est probable que Chat GPT apprenne et se trompe ainsi de moins en moins…Mais malgré ces quelques progrès, l'IA Chat GPT est voué à avoir des hallucinations : A un moment donné, il va falloir se poser la question du modèle général de l'accès à l'information. (....) Interroger Chat GPT et ne pas vérifier les informations qui sortent y compris sur une information future, ne serait pas raisonnable tant que le modèle n'est pas capable de dire d'où viennent les informations.» Vincent Guigue, Maître de conférences à Sorbonne Université et professeur à AgroParisTech.
Zdnet : ChatGPT ment sur ses résultats scientifiques
L’IA générative est nulle et 50 fois moins intelligente qu’un enfant de 4 ans, selon Yann Le Cun
Confiance
Qu’est-ce qu’un Knowledge Graph et qu’apporte-t-il?
Dans la représentation et le raisonnement des connaissances, un graphe de connaissances (KG) est une base de connaissances qui utilise un modèle de données ou une topologie structurée par graphe pour représenter et exploiter les données. Les graphes de connaissances sont souvent utilisés pour stocker des descriptions interconnectées d'entités – objets, événements, situations ou concepts abstraits – tout en codant également la sémantique de forme libre ou les relations sous-jacentes à ces entités.
Depuis le développement du web sémantique, les graphes de connaissances ont souvent été associés à des projets de données ouvertes liés, se concentrant sur les connexions entre concepts et entités. Ils sont également historiquement associés et utilisés par les moteurs de recherche tels que Google, Bing, Yahoo…; les moteurs de connaissances et les services de réponse aux questions tels que WolframAlpha, Siri d'Apple et Amazon Alexa… ; et les réseaux sociaux tels que LinkedIn et Facebook...
Les développements récents dans la science des données et l'apprentissage automatique, en particulier dans les réseaux neuronaux graphiques et l'apprentissage des représentations, ont élargi la portée des graphes de connaissances au-delà de leur utilisation traditionnelle dans les moteurs de recherche et les systèmes de recommandation.
Ils sont de plus en plus utilisés dans la recherche scientifique, avec des applications notables dans des domaines tels que la génomique, la protéomique et la biologie des systèmes. (exemple : From language models to large-scale food and biomedical knowledge graphs)
Alors que les Knowledge Graphs (KG) et les Vector Databases (VD) jouent un rôle important dans le fonctionnement des LLM, il apparaît que les KG règnent en maître lorsqu'il s'agit d'« hallucinations » ou du processus de génération de texte créatif.
Quand les VD indiquent simplement à quel point les choses sont similaires, les KG vont identifier quelle relation exacte existe entre plusieurs entités d’un graphe.
Au-delà de la similarité, les KG excellent dans le traitement de requêtes complexes alors que les VD ont du mal avec tout ce qui va au-delà des recherches de similarité de base.
Les KG vont au-delà du simple stockage de faits et permettent au LLM de raisonner et de déduire. Alors qu'un VD pourrait dire « le concept A est similaire au concept B », un KG peut expliquer que « le concept A est une sous-classe du concept B », permettant au LLM de faire des déductions logiques et de créer un texte plus cohérent.
Pourquoi la Cybersécurité est essentielle dans l’IA ? Pourquoi un Cloud Souverain et de Confiance est déterminant ?
La sécurité des données a toujours été une priorité absolue pour les entreprises et tout particulièrement depuis la période COVID et les récents conflits géopolitiques entraînant une accélération des attaques cyber. Mais les environnements de travail flexibles et les services cloud ont modifié la manière et l'endroit d’où les employés peuvent se connecter et, par conséquent, l'endroit où vos données peuvent être visibles. Plus vos données sont dispersées, moins vous avez de visibilité et de contrôle. Avec l’usage des outils AI, les prompts comme l’ensemble de votre Propriété Intellectuelle (de l’idéation à l’innovation en voie d’être brevetée) sont à la merci des cyber hackers comme de tout service de renseignement étranger en mesure d’accéder à vos données si ces données ne sont pas protégées.
En 2023, 66 % des organisations ont été confrontées à une augmentation des incidents de sécurité dans leurs environnements de travail à distance. Avec le développement des architectures virtualisées et de l’essor du Cloud (Publique, Privé, Hybride…), plusieurs initiatives ont été menées par les fournisseurs autour d’une offre Cloud Souverain et Cloud de Confiance :
- Le cloud de confiance est une infrastructure privée qui allie sécurité avancée et conformité aux normes pour la protection des données françaises et européennes. Ces entreprises doivent obtenir une qualification SecNumCloud 3.2 et ne pas être soumises à des lois non européennes comme le Cloud Act américain.
- Le cloud souverain est le fait d'héberger ses données dans un pays (France) ou une région particulière (Union Européenne). C'est l'ancêtre du cloud de confiance et se concentre sur la notion de souveraineté et de territoire.
©Droits d'auteur. Tous droits réservés.
Nous avons besoin de votre consentement pour charger les traductions
Nous utilisons un service tiers pour traduire le contenu du site web qui peut collecter des données sur votre activité. Veuillez consulter les détails dans la politique de confidentialité et accepter le service pour voir les traductions.