La transformation digitale a été remplacée par la transformation par l'IA !

En novembre 2022, OpenAI a lancé publiquement ChatGPT, rendant la technologie de l'IA accessible à tous, du moins à ceux disposant d'une connectivité numérique. Cela a secoué le monde, déclenchant une course au sein de l'industrie de l'IA pour développer le modèle de langage de grande taille le plus avancé. En parallèle, un important débat éthique a émergé parmi les experts en IA sur les opportunités et les dangers de cette technologie, qui n'est pas si nouvelle. Geoffrey Hinton est allé jusqu'à quitter Google en avertissant des dangers potentiels de ces modèles. Quelques géants technologiques comme Meta et IBM, dirigés entre autres par Yann LeCun, ont plaidé pour rendre les LLMs open source afin de réduire les risques potentiels, tandis qu'OpenAI a simplement mis en garde contre cette approche.

Pour comprendre cette révolution, il est essentiel de savoir que, si la plupart des gens ont découvert l'IA générative avec ChatGPT, la technologie qui la sous-tend n'était pas nouvelle : le mécanisme d'attention et l'architecture des transformateurs étaient connus depuis 2015. Le premier coup de génie d'OpenAI a été de développer une expérience utilisateur fantastique, permettant aux visiteurs de discuter via une interface agréable avec le système d'IA. De plus, l'amélioration des performances, permettant à l'algorithme de produire des réponses similaires à celles d'un humain, est due à la quantité massive de données et à la puissance de calcul (plus de 314 millions de petaFLOPS) utilisées pour l'entraîner. Ce graphique tiré de [arXiv : 2206.07682, figure 2], qui montre l'amélioration non linéaire de la précision sur 8 tâches différentes lorsque les modèles sont entraînés sur plus de 10^22 FLOPs, appelée émergence d'aptitudes, illustre parfaitement ce qui s'est passé.

Ce qu'il faut savoir sur la transformation par l'IA ?

Machine learning et Foundation models

Historiquement, les chercheurs en IA ont adopté deux approches possibles : (1) l'approche basée sur des règles d'experts – en essayant d'encoder toutes les règles dans le programme ; (2) l'apprentissage automatique – en entraînant un modèle sur de nombreux exemples. La deuxième approche a conduit à des modèles de plus en plus performants, capables de résoudre des tâches de plus en plus complexes. Cependant, la technologie était limitée par la puissance de calcul et la disponibilité des données. Ces deux limitations ont été résolues de manière externe : l'industrie du jeu vidéo et les GPU ont fourni une puissance de calcul accrue, tandis que les réseaux sociaux comme Facebook ont contribué à une explosion de données étiquetées, qui pouvaient être utilisées pour entraîner les modèles.

Pour des tâches spécifiques au sein d'une entreprise, les données n'étaient pas toujours disponibles. Un concept important dans la démocratisation de l'IA est devenu l'apprentissage par transfert. Il consiste à ajuster ou réentraîner un modèle déjà formé sur des données pour une tâche similaire. Par exemple, pour développer un modèle permettant de catégoriser des souris et des hérissons, les développeurs d'IA pouvaient réentraîner ou ajuster un modèle qui avait été formé pour catégoriser des chats et des chiens.

Les modèles de fondation, qui incluent les modèles de langage de grande taille (LLM) et les modèles multimodaux, poussent l'apprentissage par transfert encore plus loin. Ces modèles sont généralement entraînés pour effectuer une tâche – deviner un mot masqué dans une phrase – et peuvent ensuite accomplir d'autres tâches sans réentraînement – traduire un texte, résumer.

Cette capacité à s'adapter à de nouvelles tâches a des implications profondes pour les entreprises, leur permettant de tirer parti de l'IA pour soutenir ou même automatiser des processus, augmentant ainsi l'efficacité, la productivité et même la qualité de leurs produits et/ou services. Une autre application courante de l'IA est l'amélioration du partage des connaissances au sein d'une entreprise et avec les clients via des chatbots avancés alimentés par la génération augmentée par récupération.

Le choix des LLMs pour votre système d'IA est crucial.

Par exemple, en revenant sur le débat éthique évoqué dans l'introduction entre les modèles open-source (par ex., Llama 3, Mistral 7) et les modèles fermés/propriétaires (par ex., GPT-4, Gemini), plusieurs facteurs doivent être pris en compte, tels que les coûts, la facilité de mise en œuvre, la sécurité, la confidentialité des données, la transparence (en termes de méthodes d'entraînement et de données) et le potentiel de personnalisation des modèles. Un autre aspect clé est la taille du LLM – faut-il utiliser un modèle très grand et polyvalent ou un plus petit, spécialisé pour une tâche particulière ? En fin de compte, le choix dépend du cas d'usage spécifique et de vos circonstances particulières.

Des agents IA pour repenser complètement les processus

Les agents sont des entités autonomes capables d'interagir avec leur environnement. Ils peuvent percevoir l'environnement – par exemple, un thermostat peut connaître la température d'une maison – et agir sur celui-ci – un thermostat peut couper le chauffage au-delà d'une certaine température. Un agent IA est un agent équipé d'un modèle de langage (LLM) et d'outils qui lui permettent de réaliser des tâches plus complexes qu'un système d'IA traditionnel. Il peut, entre autres, interagir avec une base de données ou rechercher des informations sur le web pour répondre à une question d'un utilisateur.

Les agents IA peuvent également collaborer entre eux ou avec un humain, créant ainsi des systèmes hybrides humain-agent qui permettent aux entreprises de repenser complètement la manière de fournir leurs services ou produits. Imaginez, par exemple, un système capable de comprendre, à la demande d'un client, tous les documents et informations qu'il doit rassembler, les récupérer, et les préparer pour qu'un employé de l'entreprise puisse répondre à la demande, accélérant ainsi grandement le processus.

La transformation par l'IA est plus qu'une simple amélioration de processus avec l'IA.

Les modèles de fondation offrent une large gamme d'opportunités aux entreprises à explorer. Les entreprises peuvent être tentées de lister tous leurs cas d'utilisation – les processus qui pourraient être améliorés ou de nouvelles opportunités commerciales au sein de l'entreprise – et de commencer à les mettre en œuvre avec des résultats rapides. C'est certainement une approche solide, mais chez B12 Consulting, nous croyons que la véritable transformation par l'IA va au-delà de la simple compilation d'une liste de cas d'utilisation.

Nous pensons que la révolution de l'IA est une occasion unique de définir l'essence du service ou du produit offert par les entreprises et de repenser comment les agents humains et IA peuvent collaborer au mieux pour fournir le meilleur service ou produit. Nous sommes convaincus qu'une transformation réussie reposera sur une combinaison de cette vision de l'IA et d'une liste de cas d'utilisation pragmatique.