L'abondance et la diversit\u00e9 des r\u00e9ponses \u00e0 ChatGPT et \u00e0 d'autres AI g\u00e9n\u00e9ratives, qu'elles soient sceptiques ou enthousiastes, d\u00e9montrent les changements qu'elles apportent et l'impact qu'elles ont bien au-del\u00e0 des cercles technologiques habituels. Le contraste est saisissant avec les g\u00e9n\u00e9rations pr\u00e9c\u00e9dentes de AI, qui \u00e9taient essentiellement pr\u00e9dictives et faisaient g\u00e9n\u00e9ralement l'objet d'articles ou de th\u00e8ses confin\u00e9s au domaine de la recherche et de l'innovation.<\/p>\n<\/div>
Pour les entreprises, les AI g\u00e9n\u00e9ratives sont \u00e9galement diff\u00e9rentes des artificial intelligence pr\u00e9c\u00e9dentes. Si nous les comparons aux technologies les plus similaires, telles que le traitement du langage naturel (NLP) pour les corpus de textes ou la vision par ordinateur pour les data audiovisuelles, les AI g\u00e9n\u00e9ratives apportent quatre changements majeurs dont les entreprises prennent conscience au fur et \u00e0 mesure qu'elles les exp\u00e9rimentent.<\/p>\n<\/div>
Tout d'abord, par rapport aux AI pr\u00e9c\u00e9dentes, les AI g\u00e9n\u00e9ratives acc\u00e9l\u00e8rent consid\u00e9rablement le d\u00e9ploiement des cas d'utilisation en ce sens qu'elles acc\u00e9l\u00e8rent la validation du concept. Deuxi\u00e8mement, elles ouvrent un nouveau champ de possibilit\u00e9s, permettant un enrichissement plus facile, plus efficace et moins co\u00fbteux de la data non structur\u00e9e. De plus, les r\u00e9sultats obtenus avec le AI g\u00e9n\u00e9ratif sont nouveaux en termes de qualit\u00e9, de quantit\u00e9 et de diversit\u00e9 par rapport aux mod\u00e8les utilis\u00e9s pr\u00e9c\u00e9demment. Tous ces facteurs font que nous devons r\u00e9pondre aux attentes accrues des utilisateurs finaux, aliment\u00e9es par le battage m\u00e9diatique autour de cette technologie. Nous d\u00e9veloppons ces quatre points ci-dessous.<\/p>\n<\/div>
Le AI g\u00e9n\u00e9ratif permet de tester plus rapidement la valeur ajout\u00e9e des cas d'utilisation.<\/h2><\/div>Dans le domaine de la AI g\u00e9n\u00e9rative, le d\u00e9ploiement des cas d'utilisation est souvent plus rapide et moins laborieux qu'avec les AI pr\u00e9c\u00e9dentes. L'approche adopt\u00e9e par le AI g\u00e9n\u00e9ratif est souvent compar\u00e9e \u00e0 l'assemblage de Legos, o\u00f9 des composants pr\u00e9existants peuvent \u00eatre combin\u00e9s pour cr\u00e9er de nouveaux r\u00e9sultats. Cette facilit\u00e9 d'exp\u00e9rimentation et de mise en \u0153uvre peut permettre de raccourcir les cycles de d\u00e9veloppement. En outre, un mode d'interaction conversationnel avec les utilisateurs acc\u00e9l\u00e8re \u00e9galement l'adoption.<\/p>\n<\/div>
Un cas d'utilisation de data peut \u00eatre r\u00e9duit \u00e0 un probl\u00e8me d'entreprise, data, un mod\u00e8le et une invite. Traditionnellement, la cr\u00e9ation et l'optimisation du mod\u00e8le repr\u00e9sentent la partie la plus complexe et la plus longue du processus. Avec AI g\u00e9n\u00e9ratif, cette \u00e9tape devient plus simple. Generative AI fournit des mod\u00e8les pr\u00e9-entra\u00een\u00e9s et pr\u00eats \u00e0 l'emploi, ce qui permet aux entreprises de b\u00e9n\u00e9ficier d'une expertise avanc\u00e9e sans investir beaucoup de temps dans le d\u00e9veloppement et l'affinage des mod\u00e8les. En pratique, les mod\u00e8les (tels que GPT 4.0 d'Azure) sont accessibles \u201c\u00e0 la demande\u201d ou peuvent \u00eatre d\u00e9ploy\u00e9s via des API (telles que Gemini Pro BARD de Google). Certains fournisseurs proposent m\u00eame des mod\u00e8les sp\u00e9cialement adapt\u00e9s \u00e0 des domaines sp\u00e9cifiques, tels que la g\u00e9n\u00e9ration de textes juridiques, m\u00e9dicaux ou financiers.<\/p>\n<\/div>
Une fois le mod\u00e8le d\u00e9ploy\u00e9, il ne reste plus qu'\u00e0 \u201cancrer\u201d le mod\u00e8le g\u00e9n\u00e9ratif AI, c'est-\u00e0-dire \u00e0 ancrer les r\u00e9sultats g\u00e9n\u00e9r\u00e9s par le mod\u00e8le aux informations du monde r\u00e9el de mani\u00e8re \u00e0 contraindre le mod\u00e8le \u00e0 r\u00e9agir dans un p\u00e9rim\u00e8tre donn\u00e9. Cela implique souvent l'ajout de contraintes ou d'informations suppl\u00e9mentaires pour guider le mod\u00e8le vers la production de r\u00e9sultats coh\u00e9rents et pertinents dans un contexte sp\u00e9cifique. Cependant, on est loin du temps n\u00e9cessaire \u00e0 l'entra\u00eenement des mod\u00e8les AI que nous avons utilis\u00e9s jusqu'\u00e0 pr\u00e9sent.<\/p>\n<\/div>
Prenons l'exemple d'un cas d'utilisation pour l'analyse des verbatims d'un centre d'appel pour illustrer notre propos. Selon une \u00e9tude de Artefact, pour d\u00e9velopper ce type de cas d'utilisation \u00e0 l'aide de mod\u00e8les bas\u00e9s sur des AI ant\u00e9rieures, il fallait g\u00e9n\u00e9ralement trois \u00e0 quatre semaines \u00e0 partir du moment o\u00f9 la data \u00e9tait r\u00e9cup\u00e9r\u00e9e et rendue utilisable. Aujourd'hui, gr\u00e2ce au AI g\u00e9n\u00e9ratif, ce processus ne prend plus qu'une semaine, soit un facteur d'acc\u00e9l\u00e9ration de plus de trois. Le principal d\u00e9fi consiste \u00e0 choisir la classification commerciale appropri\u00e9e pour adapter le mod\u00e8le.<\/p>\n<\/div>
Le AI g\u00e9n\u00e9ratif \u00e9tend le champ d'application du AI \u00e0 des data peu ou mal utilis\u00e9s auparavant.<\/h2><\/div>Certains gisements de p\u00e9trole ne sont rentables que lorsque les prix du p\u00e9trole montent en fl\u00e8che. Le m\u00eame principe peut \u00eatre appliqu\u00e9 \u00e0 data. Certaines data non structur\u00e9es peuvent d\u00e9sormais \u00eatre exploit\u00e9es gr\u00e2ce aux AI g\u00e9n\u00e9ratives, ce qui ouvre un tout nouveau champ de data exploitables pour l'entra\u00eenement ou la mise au point de mod\u00e8les, et offre de nombreuses perspectives pour des applications sp\u00e9cialis\u00e9es dans des domaines sp\u00e9cifiques.<\/p>\n<\/div>
Une promesse \u00e9merge : celle de AI g\u00e9n\u00e9ratives capables de traiter et de combiner n'importe quel type de data dans leurs processus de formation, en \u00e9vitant le travail long et fastidieux de structuration et d'am\u00e9lioration de la qualit\u00e9 de la data de l'entreprise pour la rendre utilisable. Une promesse qui n'a pas encore \u00e9t\u00e9 tenue, d'apr\u00e8s les observations actuelles.<\/p>\n<\/div>
Generative AI n'a pas seulement b\u00e9n\u00e9fici\u00e9 d'une v\u00e9ritable perc\u00e9e dans les m\u00e9canismes de l'attention. Il a \u00e9galement b\u00e9n\u00e9fici\u00e9 de la puissance toujours croissante - et n\u00e9cessaire - des machines.<\/p>\n<\/div>
Les m\u00e9canismes d'attention fonctionnent un peu comme la capacit\u00e9 d'une personne \u00e0 se concentrer sur une partie importante d'une image ou d'un texte lorsqu'elle essaie de comprendre ou de cr\u00e9er quelque chose. Imaginez que vous essayez de dessiner un paysage \u00e0 partir d'une photographie. Plut\u00f4t que de regarder toute l'image en m\u00eame temps, vous vous concentrez sur certaines parties qui semblent importantes, comme les montagnes ou les arbres. Cela vous permet de mieux comprendre les d\u00e9tails importants et de cr\u00e9er un dessin plus pr\u00e9cis. De m\u00eame, les m\u00e9canismes d'attention permettent au mod\u00e8le de se concentrer sur des parties sp\u00e9cifiques d'une image ou d'un texte lorsqu'il g\u00e9n\u00e8re du contenu. Au lieu de traiter toutes les donn\u00e9es en m\u00eame temps, le mod\u00e8le peut se concentrer sur les parties les plus pertinentes et les plus importantes pour produire des r\u00e9sultats plus pr\u00e9cis et plus significatifs. Il peut ainsi apprendre \u00e0 cr\u00e9er des images, du texte ou d'autres types de contenu de mani\u00e8re plus efficace et plus r\u00e9aliste.<\/p>\n<\/div>
Les m\u00e9canismes d'attention se parall\u00e9lisent tr\u00e8s bien. L'utilisation de plusieurs m\u00e9canismes d'attention fournit une repr\u00e9sentation plus riche et plus robuste de data, ce qui permet d'am\u00e9liorer les performances dans diverses t\u00e2ches telles que la traduction automatique, la g\u00e9n\u00e9ration de texte, la synth\u00e8se vocale, la g\u00e9n\u00e9ration d'images et bien d'autres.<\/p>\n<\/div>
Ainsi, des cas d'utilisation qui semblaient impossibles il y a peu sont devenus tout \u00e0 fait accessibles. C'est le cas, par exemple, du calcul du temps de parole dans les m\u00e9dias lors des campagnes pr\u00e9sidentielles. Il y a encore deux ans, calculer pr\u00e9cis\u00e9ment le temps de parole de chaque candidat \u00e9tait une op\u00e9ration fastidieuse. Aujourd'hui, gr\u00e2ce \u00e0 l'utilisation de AI g\u00e9n\u00e9rative, c'est possible.<\/p>\n<\/div>
En ce qui concerne les capacit\u00e9s de calcul, OpenAI a publi\u00e9 il y a six ans une analyse montrant que depuis 2012, la quantit\u00e9 de calcul utilis\u00e9e dans les sessions de formation les plus importantes de AI a augment\u00e9 de mani\u00e8re exponentielle, avec un temps de doublement de 3,4 mois (\u00e0 titre de comparaison, la loi de Moore avait une p\u00e9riode de doublement de deux ans). Depuis 2012, cette mesure a \u00e9t\u00e9 multipli\u00e9e par plus de 300 000 (une p\u00e9riode de doublement de deux ans ne produirait qu'une multiplication par sept).<\/p>\n<\/div>
Les mod\u00e8les g\u00e9n\u00e9ratifs AI n\u00e9cessitent souvent d'\u00e9normes quantit\u00e9s de puissance de calcul pour la formation, d'autant plus que les mod\u00e8les sont con\u00e7us pour \u00eatre g\u00e9n\u00e9ralistes et qu'ils ont besoin de grandes quantit\u00e9s de contenu pour la formation. Des ressources informatiques puissantes, telles que des GPU ou TPU haut de gamme, sont n\u00e9cessaires pour traiter de grands ensembles data et ex\u00e9cuter des algorithmes d'optimisation complexes. Le nouveau GPU NVIDIA A100 Tensor Core semble fournir une acc\u00e9l\u00e9ration sans pr\u00e9c\u00e9dent. Selon Nvidia, l'A100 offre des performances jusqu'\u00e0 20 fois sup\u00e9rieures \u00e0 la g\u00e9n\u00e9ration pr\u00e9c\u00e9dente et peut \u00eatre partitionn\u00e9 en sept instances de GPU pour s'adapter dynamiquement \u00e0 l'\u00e9volution des demandes. Il serait \u00e9galement dot\u00e9 de la bande passante m\u00e9moire la plus rapide au monde, avec plus de deux t\u00e9raoctets par seconde (TB\/s) pour l'ex\u00e9cution des plus grands mod\u00e8les et des datasets.<\/p>\n<\/div>
Il convient de noter que les progr\u00e8s de l'informatique ont \u00e9t\u00e9 un \u00e9l\u00e9ment cl\u00e9 de la progression de artificial intelligence. Tant que cette tendance se poursuit, nous devons nous pr\u00e9parer aux implications de syst\u00e8mes qui d\u00e9passent de loin les capacit\u00e9s actuelles et qui repousseront encore les limites, tout en mettant en balance la valeur apport\u00e9e par ces syst\u00e8mes et les co\u00fbts qu'ils engendrent, notamment en termes d'\u00e9nergie et d'environnement. Nous aborderons ces points dans un prochain article.<\/p>\n<\/div>
Generative AI am\u00e9liore la diversit\u00e9, la qualit\u00e9 et la quantit\u00e9 des r\u00e9sultats obtenus<\/h2><\/div>La AI g\u00e9n\u00e9rative se distingue clairement de la AI pr\u00e9c\u00e9dente par son impact sur les r\u00e9sultats g\u00e9n\u00e9r\u00e9s par ses mod\u00e8les. Non seulement la quantit\u00e9 de r\u00e9sultats g\u00e9n\u00e9r\u00e9s a augment\u00e9, mais aussi leur qualit\u00e9 et leur diversit\u00e9. Cependant, tous ces aspects positifs doivent \u00eatre temp\u00e9r\u00e9s par une reproductibilit\u00e9 plus faible des mod\u00e8les AI g\u00e9n\u00e9ratifs.<\/p>\n<\/div>
Si l'on consid\u00e8re l'image d'un puzzle, l'analyse de data peut \u00eatre compar\u00e9e \u00e0 son assemblage, o\u00f9 chaque pi\u00e8ce de data repr\u00e9sente une pi\u00e8ce \u00e0 arranger afin de r\u00e9v\u00e9ler une image coh\u00e9rente. La AI joue un r\u00f4le essentiel en essayant de combler les lacunes de la data en utilisant les informations disponibles pour d\u00e9duire et recr\u00e9er les pi\u00e8ces manquantes. Le AI g\u00e9n\u00e9ratif va au-del\u00e0 du simple fait de compl\u00e9ter le data existant en cr\u00e9ant un nouveau data inspir\u00e9 de ce qui existe d\u00e9j\u00e0. Ce processus \u00e9largit les capacit\u00e9s d'analyse et permet de d\u00e9couvrir de nouvelles informations \u00e0 partir de data existantes, ce qui met l'aspect g\u00e9n\u00e9ratif au premier plan.<\/p>\n<\/div>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/medium-article-image-by-jb-briot.png\" "\\"image")
<\/span><\/div>Contrairement aux g\u00e9n\u00e9rations pr\u00e9c\u00e9dentes de AI, qui ont tendance \u00e0 produire des r\u00e9sultats souvent similaires, les mod\u00e8les g\u00e9n\u00e9ratifs de AI sont capables de g\u00e9n\u00e9rer une plus grande diversit\u00e9 de r\u00e9sultats en explorant diff\u00e9rentes variations et alternatives. Cette diversit\u00e9 accrue permet de g\u00e9n\u00e9rer un contenu plus riche et plus diversifi\u00e9, passant du quantitatif au qualitatif et couvrant un \u00e9ventail plus large de besoins et de pr\u00e9f\u00e9rences.<\/p>\n<\/div>
OpenAI \u00e9tait r\u00e9cemment \u00e0 Hollywood pour pr\u00e9senter son dernier mod\u00e8le appel\u00e9 \u201cSora\u201d, capable de g\u00e9n\u00e9rer des vid\u00e9os \u00e0 partir de texte. \u201cEntendre qu'il peut faire toutes ces choses est une chose, mais en voir les capacit\u00e9s est stup\u00e9fiant\u201d, a d\u00e9clar\u00e9 le producteur hollywoodien Mike Perry, soulignant la diversit\u00e9 et la qualit\u00e9 des capacit\u00e9s offertes par le AI g\u00e9n\u00e9ratif.<\/p>\n<\/div>
Toutefois, en raison de leur capacit\u00e9 \u00e0 explorer un espace plus large de possibilit\u00e9s, les mod\u00e8les g\u00e9n\u00e9ratifs AI peuvent \u00eatre moins reproductibles que les pr\u00e9c\u00e9dents, et la pr\u00e9cision des r\u00e9sultats est compromise. Concr\u00e8tement, il est plus difficile de reproduire exactement les m\u00eames r\u00e9sultats \u00e0 chaque fois que le mod\u00e8le est ex\u00e9cut\u00e9, ce qui peut poser des probl\u00e8mes en termes de fiabilit\u00e9 et de pr\u00e9visibilit\u00e9 dans certaines applications critiques.<\/p>\n<\/div>
Cette limitation constitue un d\u00e9fi majeur pour les applications de AI g\u00e9n\u00e9rative qui n\u00e9cessitent des r\u00e9ponses pr\u00e9cises. C'est un domaine sur lequel les entreprises travaillent dans leurs d\u00e9veloppements actuels : mieux sp\u00e9cialiser les mod\u00e8les dans des domaines tr\u00e8s sp\u00e9cifiques pour am\u00e9liorer la pr\u00e9cision des r\u00e9ponses, et combiner la robustesse des mod\u00e8les bas\u00e9s sur des r\u00e8gles ou des requ\u00eates sur data structur\u00e9 avec la facilit\u00e9 d'utilisation et d'interaction avec les utilisateurs de AI g\u00e9n\u00e9ratif en connectant ces derniers aux sorties des premiers.<\/p>\n<\/div>
Attentes accrues des utilisateurs finaux<\/h2><\/div>Lorsqu'il s'agit de g\u00e9rer les attentes et la relation des utilisateurs finaux avec la technologie, la technologie g\u00e9n\u00e9rative AI pr\u00e9sente plusieurs d\u00e9fis sp\u00e9cifiques. En raison de sa capacit\u00e9 \u00e0 produire des r\u00e9sultats rapidement, le AI g\u00e9n\u00e9ratif peut susciter des attentes particuli\u00e8rement \u00e9lev\u00e9es. \u00c0 l'inverse, l'apparition d'hallucinations et de r\u00e9sultats ind\u00e9sirables peut fortement \u00e9branler la confiance des utilisateurs dans ces solutions.<\/p>\n<\/div>
Generative AI est capable de produire des r\u00e9sultats rapidement et de mani\u00e8re automatis\u00e9e, ce qui peut donner aux utilisateurs finaux l'impression que la technologie est capable de r\u00e9soudre tous leurs probl\u00e8mes instantan\u00e9ment et efficacement. Cela peut conduire \u00e0 des attentes disproportionn\u00e9es quant aux capacit\u00e9s r\u00e9elles de la AI g\u00e9n\u00e9rative, et \u00e0 la d\u00e9ception si les r\u00e9sultats ne r\u00e9pondent pas enti\u00e8rement \u00e0 ces attentes \u00e9lev\u00e9es.<\/p>\n<\/div>
La technologie g\u00e9n\u00e9rative AI n'est \u00e9videmment pas parfaite et peut parfois produire des r\u00e9sultats inattendus ou ind\u00e9sirables, tels qu'un contenu incoh\u00e9rent, faux ou inappropri\u00e9. L'apparition de tels r\u00e9sultats ind\u00e9sirables peut entra\u00eener une perte de confiance de l'utilisateur final dans la technologie, remettant en question sa fiabilit\u00e9 et son utilit\u00e9. Ils peuvent \u00e9galement susciter des inqui\u00e9tudes en mati\u00e8re de s\u00e9curit\u00e9 et de respect de la vie priv\u00e9e lorsque des r\u00e9sultats inattendus compromettent l'int\u00e9grit\u00e9 des informations g\u00e9n\u00e9r\u00e9es par la AI g\u00e9n\u00e9rative.<\/p>\n<\/div>
En f\u00e9vrier 2023, le chatbot Bard de Google (rebaptis\u00e9 Gemini) a fourni des informations erron\u00e9es lorsqu'on lui a pos\u00e9 des questions sur les d\u00e9couvertes du t\u00e9lescope spatial James Webb de la NASA. Il a affirm\u00e9 \u00e0 tort que le t\u00e9lescope avait pris les premi\u00e8res photos d'une exoplan\u00e8te. Cette affirmation est erron\u00e9e, car les premi\u00e8res photos d'une exoplan\u00e8te datent de 2004, alors que le t\u00e9lescope James Webb n'a \u00e9t\u00e9 lanc\u00e9 qu'en 2021 (source : \u00e9quipe CNET France, 2024).<\/p>\n<\/div>
Il est donc essentiel que les utilisateurs finaux des syst\u00e8mes g\u00e9n\u00e9ratifs AI soient conscients de leurs limites. C'est pourquoi la plupart des entreprises qui d\u00e9ploient ces solutions s'efforcent d'accompagner les utilisateurs dans leur utilisation : formation \u00e0 l'art de l'incitation, explication des limites de ces syst\u00e8mes, clarification des attentes qui peuvent ou ne peuvent pas \u00eatre satisfaites, et rappel des r\u00e8gles applicables en termes de protection des data.<\/p>\n<\/div>
Plus d'un an apr\u00e8s la sortie de ChatGPT, les attentes \u00e0 l'\u00e9gard de cette nouvelle technologie sont plus \u00e9lev\u00e9es que jamais. Cependant, la valeur associ\u00e9e \u00e0 cette technologie doit encore se mat\u00e9rialiser dans des cas d'utilisation tangibles. Dans notre prochain article, nous aborderons les sujets li\u00e9s \u00e0 l'adoption de la technologie par les entreprises et \u00e0 sa diffusion au sein de l'organisation.<\/p>\n<\/div>
Sous la direction de :<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Directeur g\u00e9n\u00e9ral Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP Digital Solutions - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
Dans le domaine de la AI g\u00e9n\u00e9rative, le d\u00e9ploiement des cas d'utilisation est souvent plus rapide et moins laborieux qu'avec les AI pr\u00e9c\u00e9dentes. L'approche adopt\u00e9e par le AI g\u00e9n\u00e9ratif est souvent compar\u00e9e \u00e0 l'assemblage de Legos, o\u00f9 des composants pr\u00e9existants peuvent \u00eatre combin\u00e9s pour cr\u00e9er de nouveaux r\u00e9sultats. Cette facilit\u00e9 d'exp\u00e9rimentation et de mise en \u0153uvre peut permettre de raccourcir les cycles de d\u00e9veloppement. En outre, un mode d'interaction conversationnel avec les utilisateurs acc\u00e9l\u00e8re \u00e9galement l'adoption.<\/p>\n<\/div>
Un cas d'utilisation de data peut \u00eatre r\u00e9duit \u00e0 un probl\u00e8me d'entreprise, data, un mod\u00e8le et une invite. Traditionnellement, la cr\u00e9ation et l'optimisation du mod\u00e8le repr\u00e9sentent la partie la plus complexe et la plus longue du processus. Avec AI g\u00e9n\u00e9ratif, cette \u00e9tape devient plus simple. Generative AI fournit des mod\u00e8les pr\u00e9-entra\u00een\u00e9s et pr\u00eats \u00e0 l'emploi, ce qui permet aux entreprises de b\u00e9n\u00e9ficier d'une expertise avanc\u00e9e sans investir beaucoup de temps dans le d\u00e9veloppement et l'affinage des mod\u00e8les. En pratique, les mod\u00e8les (tels que GPT 4.0 d'Azure) sont accessibles \u201c\u00e0 la demande\u201d ou peuvent \u00eatre d\u00e9ploy\u00e9s via des API (telles que Gemini Pro BARD de Google). Certains fournisseurs proposent m\u00eame des mod\u00e8les sp\u00e9cialement adapt\u00e9s \u00e0 des domaines sp\u00e9cifiques, tels que la g\u00e9n\u00e9ration de textes juridiques, m\u00e9dicaux ou financiers.<\/p>\n<\/div>
Une fois le mod\u00e8le d\u00e9ploy\u00e9, il ne reste plus qu'\u00e0 \u201cancrer\u201d le mod\u00e8le g\u00e9n\u00e9ratif AI, c'est-\u00e0-dire \u00e0 ancrer les r\u00e9sultats g\u00e9n\u00e9r\u00e9s par le mod\u00e8le aux informations du monde r\u00e9el de mani\u00e8re \u00e0 contraindre le mod\u00e8le \u00e0 r\u00e9agir dans un p\u00e9rim\u00e8tre donn\u00e9. Cela implique souvent l'ajout de contraintes ou d'informations suppl\u00e9mentaires pour guider le mod\u00e8le vers la production de r\u00e9sultats coh\u00e9rents et pertinents dans un contexte sp\u00e9cifique. Cependant, on est loin du temps n\u00e9cessaire \u00e0 l'entra\u00eenement des mod\u00e8les AI que nous avons utilis\u00e9s jusqu'\u00e0 pr\u00e9sent.<\/p>\n<\/div>
Prenons l'exemple d'un cas d'utilisation pour l'analyse des verbatims d'un centre d'appel pour illustrer notre propos. Selon une \u00e9tude de Artefact, pour d\u00e9velopper ce type de cas d'utilisation \u00e0 l'aide de mod\u00e8les bas\u00e9s sur des AI ant\u00e9rieures, il fallait g\u00e9n\u00e9ralement trois \u00e0 quatre semaines \u00e0 partir du moment o\u00f9 la data \u00e9tait r\u00e9cup\u00e9r\u00e9e et rendue utilisable. Aujourd'hui, gr\u00e2ce au AI g\u00e9n\u00e9ratif, ce processus ne prend plus qu'une semaine, soit un facteur d'acc\u00e9l\u00e9ration de plus de trois. Le principal d\u00e9fi consiste \u00e0 choisir la classification commerciale appropri\u00e9e pour adapter le mod\u00e8le.<\/p>\n<\/div>
Le AI g\u00e9n\u00e9ratif \u00e9tend le champ d'application du AI \u00e0 des data peu ou mal utilis\u00e9s auparavant.<\/h2><\/div>Certains gisements de p\u00e9trole ne sont rentables que lorsque les prix du p\u00e9trole montent en fl\u00e8che. Le m\u00eame principe peut \u00eatre appliqu\u00e9 \u00e0 data. Certaines data non structur\u00e9es peuvent d\u00e9sormais \u00eatre exploit\u00e9es gr\u00e2ce aux AI g\u00e9n\u00e9ratives, ce qui ouvre un tout nouveau champ de data exploitables pour l'entra\u00eenement ou la mise au point de mod\u00e8les, et offre de nombreuses perspectives pour des applications sp\u00e9cialis\u00e9es dans des domaines sp\u00e9cifiques.<\/p>\n<\/div>
Une promesse \u00e9merge : celle de AI g\u00e9n\u00e9ratives capables de traiter et de combiner n'importe quel type de data dans leurs processus de formation, en \u00e9vitant le travail long et fastidieux de structuration et d'am\u00e9lioration de la qualit\u00e9 de la data de l'entreprise pour la rendre utilisable. Une promesse qui n'a pas encore \u00e9t\u00e9 tenue, d'apr\u00e8s les observations actuelles.<\/p>\n<\/div>
Generative AI n'a pas seulement b\u00e9n\u00e9fici\u00e9 d'une v\u00e9ritable perc\u00e9e dans les m\u00e9canismes de l'attention. Il a \u00e9galement b\u00e9n\u00e9fici\u00e9 de la puissance toujours croissante - et n\u00e9cessaire - des machines.<\/p>\n<\/div>
Les m\u00e9canismes d'attention fonctionnent un peu comme la capacit\u00e9 d'une personne \u00e0 se concentrer sur une partie importante d'une image ou d'un texte lorsqu'elle essaie de comprendre ou de cr\u00e9er quelque chose. Imaginez que vous essayez de dessiner un paysage \u00e0 partir d'une photographie. Plut\u00f4t que de regarder toute l'image en m\u00eame temps, vous vous concentrez sur certaines parties qui semblent importantes, comme les montagnes ou les arbres. Cela vous permet de mieux comprendre les d\u00e9tails importants et de cr\u00e9er un dessin plus pr\u00e9cis. De m\u00eame, les m\u00e9canismes d'attention permettent au mod\u00e8le de se concentrer sur des parties sp\u00e9cifiques d'une image ou d'un texte lorsqu'il g\u00e9n\u00e8re du contenu. Au lieu de traiter toutes les donn\u00e9es en m\u00eame temps, le mod\u00e8le peut se concentrer sur les parties les plus pertinentes et les plus importantes pour produire des r\u00e9sultats plus pr\u00e9cis et plus significatifs. Il peut ainsi apprendre \u00e0 cr\u00e9er des images, du texte ou d'autres types de contenu de mani\u00e8re plus efficace et plus r\u00e9aliste.<\/p>\n<\/div>
Les m\u00e9canismes d'attention se parall\u00e9lisent tr\u00e8s bien. L'utilisation de plusieurs m\u00e9canismes d'attention fournit une repr\u00e9sentation plus riche et plus robuste de data, ce qui permet d'am\u00e9liorer les performances dans diverses t\u00e2ches telles que la traduction automatique, la g\u00e9n\u00e9ration de texte, la synth\u00e8se vocale, la g\u00e9n\u00e9ration d'images et bien d'autres.<\/p>\n<\/div>
Ainsi, des cas d'utilisation qui semblaient impossibles il y a peu sont devenus tout \u00e0 fait accessibles. C'est le cas, par exemple, du calcul du temps de parole dans les m\u00e9dias lors des campagnes pr\u00e9sidentielles. Il y a encore deux ans, calculer pr\u00e9cis\u00e9ment le temps de parole de chaque candidat \u00e9tait une op\u00e9ration fastidieuse. Aujourd'hui, gr\u00e2ce \u00e0 l'utilisation de AI g\u00e9n\u00e9rative, c'est possible.<\/p>\n<\/div>
En ce qui concerne les capacit\u00e9s de calcul, OpenAI a publi\u00e9 il y a six ans une analyse montrant que depuis 2012, la quantit\u00e9 de calcul utilis\u00e9e dans les sessions de formation les plus importantes de AI a augment\u00e9 de mani\u00e8re exponentielle, avec un temps de doublement de 3,4 mois (\u00e0 titre de comparaison, la loi de Moore avait une p\u00e9riode de doublement de deux ans). Depuis 2012, cette mesure a \u00e9t\u00e9 multipli\u00e9e par plus de 300 000 (une p\u00e9riode de doublement de deux ans ne produirait qu'une multiplication par sept).<\/p>\n<\/div>
Les mod\u00e8les g\u00e9n\u00e9ratifs AI n\u00e9cessitent souvent d'\u00e9normes quantit\u00e9s de puissance de calcul pour la formation, d'autant plus que les mod\u00e8les sont con\u00e7us pour \u00eatre g\u00e9n\u00e9ralistes et qu'ils ont besoin de grandes quantit\u00e9s de contenu pour la formation. Des ressources informatiques puissantes, telles que des GPU ou TPU haut de gamme, sont n\u00e9cessaires pour traiter de grands ensembles data et ex\u00e9cuter des algorithmes d'optimisation complexes. Le nouveau GPU NVIDIA A100 Tensor Core semble fournir une acc\u00e9l\u00e9ration sans pr\u00e9c\u00e9dent. Selon Nvidia, l'A100 offre des performances jusqu'\u00e0 20 fois sup\u00e9rieures \u00e0 la g\u00e9n\u00e9ration pr\u00e9c\u00e9dente et peut \u00eatre partitionn\u00e9 en sept instances de GPU pour s'adapter dynamiquement \u00e0 l'\u00e9volution des demandes. Il serait \u00e9galement dot\u00e9 de la bande passante m\u00e9moire la plus rapide au monde, avec plus de deux t\u00e9raoctets par seconde (TB\/s) pour l'ex\u00e9cution des plus grands mod\u00e8les et des datasets.<\/p>\n<\/div>
Il convient de noter que les progr\u00e8s de l'informatique ont \u00e9t\u00e9 un \u00e9l\u00e9ment cl\u00e9 de la progression de artificial intelligence. Tant que cette tendance se poursuit, nous devons nous pr\u00e9parer aux implications de syst\u00e8mes qui d\u00e9passent de loin les capacit\u00e9s actuelles et qui repousseront encore les limites, tout en mettant en balance la valeur apport\u00e9e par ces syst\u00e8mes et les co\u00fbts qu'ils engendrent, notamment en termes d'\u00e9nergie et d'environnement. Nous aborderons ces points dans un prochain article.<\/p>\n<\/div>
Generative AI am\u00e9liore la diversit\u00e9, la qualit\u00e9 et la quantit\u00e9 des r\u00e9sultats obtenus<\/h2><\/div>La AI g\u00e9n\u00e9rative se distingue clairement de la AI pr\u00e9c\u00e9dente par son impact sur les r\u00e9sultats g\u00e9n\u00e9r\u00e9s par ses mod\u00e8les. Non seulement la quantit\u00e9 de r\u00e9sultats g\u00e9n\u00e9r\u00e9s a augment\u00e9, mais aussi leur qualit\u00e9 et leur diversit\u00e9. Cependant, tous ces aspects positifs doivent \u00eatre temp\u00e9r\u00e9s par une reproductibilit\u00e9 plus faible des mod\u00e8les AI g\u00e9n\u00e9ratifs.<\/p>\n<\/div>
Si l'on consid\u00e8re l'image d'un puzzle, l'analyse de data peut \u00eatre compar\u00e9e \u00e0 son assemblage, o\u00f9 chaque pi\u00e8ce de data repr\u00e9sente une pi\u00e8ce \u00e0 arranger afin de r\u00e9v\u00e9ler une image coh\u00e9rente. La AI joue un r\u00f4le essentiel en essayant de combler les lacunes de la data en utilisant les informations disponibles pour d\u00e9duire et recr\u00e9er les pi\u00e8ces manquantes. Le AI g\u00e9n\u00e9ratif va au-del\u00e0 du simple fait de compl\u00e9ter le data existant en cr\u00e9ant un nouveau data inspir\u00e9 de ce qui existe d\u00e9j\u00e0. Ce processus \u00e9largit les capacit\u00e9s d'analyse et permet de d\u00e9couvrir de nouvelles informations \u00e0 partir de data existantes, ce qui met l'aspect g\u00e9n\u00e9ratif au premier plan.<\/p>\n<\/div>
<\/span><\/div>Contrairement aux g\u00e9n\u00e9rations pr\u00e9c\u00e9dentes de AI, qui ont tendance \u00e0 produire des r\u00e9sultats souvent similaires, les mod\u00e8les g\u00e9n\u00e9ratifs de AI sont capables de g\u00e9n\u00e9rer une plus grande diversit\u00e9 de r\u00e9sultats en explorant diff\u00e9rentes variations et alternatives. Cette diversit\u00e9 accrue permet de g\u00e9n\u00e9rer un contenu plus riche et plus diversifi\u00e9, passant du quantitatif au qualitatif et couvrant un \u00e9ventail plus large de besoins et de pr\u00e9f\u00e9rences.<\/p>\n<\/div>
OpenAI \u00e9tait r\u00e9cemment \u00e0 Hollywood pour pr\u00e9senter son dernier mod\u00e8le appel\u00e9 \u201cSora\u201d, capable de g\u00e9n\u00e9rer des vid\u00e9os \u00e0 partir de texte. \u201cEntendre qu'il peut faire toutes ces choses est une chose, mais en voir les capacit\u00e9s est stup\u00e9fiant\u201d, a d\u00e9clar\u00e9 le producteur hollywoodien Mike Perry, soulignant la diversit\u00e9 et la qualit\u00e9 des capacit\u00e9s offertes par le AI g\u00e9n\u00e9ratif.<\/p>\n<\/div>
Toutefois, en raison de leur capacit\u00e9 \u00e0 explorer un espace plus large de possibilit\u00e9s, les mod\u00e8les g\u00e9n\u00e9ratifs AI peuvent \u00eatre moins reproductibles que les pr\u00e9c\u00e9dents, et la pr\u00e9cision des r\u00e9sultats est compromise. Concr\u00e8tement, il est plus difficile de reproduire exactement les m\u00eames r\u00e9sultats \u00e0 chaque fois que le mod\u00e8le est ex\u00e9cut\u00e9, ce qui peut poser des probl\u00e8mes en termes de fiabilit\u00e9 et de pr\u00e9visibilit\u00e9 dans certaines applications critiques.<\/p>\n<\/div>
Cette limitation constitue un d\u00e9fi majeur pour les applications de AI g\u00e9n\u00e9rative qui n\u00e9cessitent des r\u00e9ponses pr\u00e9cises. C'est un domaine sur lequel les entreprises travaillent dans leurs d\u00e9veloppements actuels : mieux sp\u00e9cialiser les mod\u00e8les dans des domaines tr\u00e8s sp\u00e9cifiques pour am\u00e9liorer la pr\u00e9cision des r\u00e9ponses, et combiner la robustesse des mod\u00e8les bas\u00e9s sur des r\u00e8gles ou des requ\u00eates sur data structur\u00e9 avec la facilit\u00e9 d'utilisation et d'interaction avec les utilisateurs de AI g\u00e9n\u00e9ratif en connectant ces derniers aux sorties des premiers.<\/p>\n<\/div>
Attentes accrues des utilisateurs finaux<\/h2><\/div>Lorsqu'il s'agit de g\u00e9rer les attentes et la relation des utilisateurs finaux avec la technologie, la technologie g\u00e9n\u00e9rative AI pr\u00e9sente plusieurs d\u00e9fis sp\u00e9cifiques. En raison de sa capacit\u00e9 \u00e0 produire des r\u00e9sultats rapidement, le AI g\u00e9n\u00e9ratif peut susciter des attentes particuli\u00e8rement \u00e9lev\u00e9es. \u00c0 l'inverse, l'apparition d'hallucinations et de r\u00e9sultats ind\u00e9sirables peut fortement \u00e9branler la confiance des utilisateurs dans ces solutions.<\/p>\n<\/div>
Generative AI est capable de produire des r\u00e9sultats rapidement et de mani\u00e8re automatis\u00e9e, ce qui peut donner aux utilisateurs finaux l'impression que la technologie est capable de r\u00e9soudre tous leurs probl\u00e8mes instantan\u00e9ment et efficacement. Cela peut conduire \u00e0 des attentes disproportionn\u00e9es quant aux capacit\u00e9s r\u00e9elles de la AI g\u00e9n\u00e9rative, et \u00e0 la d\u00e9ception si les r\u00e9sultats ne r\u00e9pondent pas enti\u00e8rement \u00e0 ces attentes \u00e9lev\u00e9es.<\/p>\n<\/div>
La technologie g\u00e9n\u00e9rative AI n'est \u00e9videmment pas parfaite et peut parfois produire des r\u00e9sultats inattendus ou ind\u00e9sirables, tels qu'un contenu incoh\u00e9rent, faux ou inappropri\u00e9. L'apparition de tels r\u00e9sultats ind\u00e9sirables peut entra\u00eener une perte de confiance de l'utilisateur final dans la technologie, remettant en question sa fiabilit\u00e9 et son utilit\u00e9. Ils peuvent \u00e9galement susciter des inqui\u00e9tudes en mati\u00e8re de s\u00e9curit\u00e9 et de respect de la vie priv\u00e9e lorsque des r\u00e9sultats inattendus compromettent l'int\u00e9grit\u00e9 des informations g\u00e9n\u00e9r\u00e9es par la AI g\u00e9n\u00e9rative.<\/p>\n<\/div>
En f\u00e9vrier 2023, le chatbot Bard de Google (rebaptis\u00e9 Gemini) a fourni des informations erron\u00e9es lorsqu'on lui a pos\u00e9 des questions sur les d\u00e9couvertes du t\u00e9lescope spatial James Webb de la NASA. Il a affirm\u00e9 \u00e0 tort que le t\u00e9lescope avait pris les premi\u00e8res photos d'une exoplan\u00e8te. Cette affirmation est erron\u00e9e, car les premi\u00e8res photos d'une exoplan\u00e8te datent de 2004, alors que le t\u00e9lescope James Webb n'a \u00e9t\u00e9 lanc\u00e9 qu'en 2021 (source : \u00e9quipe CNET France, 2024).<\/p>\n<\/div>
Il est donc essentiel que les utilisateurs finaux des syst\u00e8mes g\u00e9n\u00e9ratifs AI soient conscients de leurs limites. C'est pourquoi la plupart des entreprises qui d\u00e9ploient ces solutions s'efforcent d'accompagner les utilisateurs dans leur utilisation : formation \u00e0 l'art de l'incitation, explication des limites de ces syst\u00e8mes, clarification des attentes qui peuvent ou ne peuvent pas \u00eatre satisfaites, et rappel des r\u00e8gles applicables en termes de protection des data.<\/p>\n<\/div>
Plus d'un an apr\u00e8s la sortie de ChatGPT, les attentes \u00e0 l'\u00e9gard de cette nouvelle technologie sont plus \u00e9lev\u00e9es que jamais. Cependant, la valeur associ\u00e9e \u00e0 cette technologie doit encore se mat\u00e9rialiser dans des cas d'utilisation tangibles. Dans notre prochain article, nous aborderons les sujets li\u00e9s \u00e0 l'adoption de la technologie par les entreprises et \u00e0 sa diffusion au sein de l'organisation.<\/p>\n<\/div>
Sous la direction de :<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Directeur g\u00e9n\u00e9ral Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP Digital Solutions - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
Certains gisements de p\u00e9trole ne sont rentables que lorsque les prix du p\u00e9trole montent en fl\u00e8che. Le m\u00eame principe peut \u00eatre appliqu\u00e9 \u00e0 data. Certaines data non structur\u00e9es peuvent d\u00e9sormais \u00eatre exploit\u00e9es gr\u00e2ce aux AI g\u00e9n\u00e9ratives, ce qui ouvre un tout nouveau champ de data exploitables pour l'entra\u00eenement ou la mise au point de mod\u00e8les, et offre de nombreuses perspectives pour des applications sp\u00e9cialis\u00e9es dans des domaines sp\u00e9cifiques.<\/p>\n<\/div>
Une promesse \u00e9merge : celle de AI g\u00e9n\u00e9ratives capables de traiter et de combiner n'importe quel type de data dans leurs processus de formation, en \u00e9vitant le travail long et fastidieux de structuration et d'am\u00e9lioration de la qualit\u00e9 de la data de l'entreprise pour la rendre utilisable. Une promesse qui n'a pas encore \u00e9t\u00e9 tenue, d'apr\u00e8s les observations actuelles.<\/p>\n<\/div>
Generative AI n'a pas seulement b\u00e9n\u00e9fici\u00e9 d'une v\u00e9ritable perc\u00e9e dans les m\u00e9canismes de l'attention. Il a \u00e9galement b\u00e9n\u00e9fici\u00e9 de la puissance toujours croissante - et n\u00e9cessaire - des machines.<\/p>\n<\/div>
Les m\u00e9canismes d'attention fonctionnent un peu comme la capacit\u00e9 d'une personne \u00e0 se concentrer sur une partie importante d'une image ou d'un texte lorsqu'elle essaie de comprendre ou de cr\u00e9er quelque chose. Imaginez que vous essayez de dessiner un paysage \u00e0 partir d'une photographie. Plut\u00f4t que de regarder toute l'image en m\u00eame temps, vous vous concentrez sur certaines parties qui semblent importantes, comme les montagnes ou les arbres. Cela vous permet de mieux comprendre les d\u00e9tails importants et de cr\u00e9er un dessin plus pr\u00e9cis. De m\u00eame, les m\u00e9canismes d'attention permettent au mod\u00e8le de se concentrer sur des parties sp\u00e9cifiques d'une image ou d'un texte lorsqu'il g\u00e9n\u00e8re du contenu. Au lieu de traiter toutes les donn\u00e9es en m\u00eame temps, le mod\u00e8le peut se concentrer sur les parties les plus pertinentes et les plus importantes pour produire des r\u00e9sultats plus pr\u00e9cis et plus significatifs. Il peut ainsi apprendre \u00e0 cr\u00e9er des images, du texte ou d'autres types de contenu de mani\u00e8re plus efficace et plus r\u00e9aliste.<\/p>\n<\/div>
Les m\u00e9canismes d'attention se parall\u00e9lisent tr\u00e8s bien. L'utilisation de plusieurs m\u00e9canismes d'attention fournit une repr\u00e9sentation plus riche et plus robuste de data, ce qui permet d'am\u00e9liorer les performances dans diverses t\u00e2ches telles que la traduction automatique, la g\u00e9n\u00e9ration de texte, la synth\u00e8se vocale, la g\u00e9n\u00e9ration d'images et bien d'autres.<\/p>\n<\/div>
Ainsi, des cas d'utilisation qui semblaient impossibles il y a peu sont devenus tout \u00e0 fait accessibles. C'est le cas, par exemple, du calcul du temps de parole dans les m\u00e9dias lors des campagnes pr\u00e9sidentielles. Il y a encore deux ans, calculer pr\u00e9cis\u00e9ment le temps de parole de chaque candidat \u00e9tait une op\u00e9ration fastidieuse. Aujourd'hui, gr\u00e2ce \u00e0 l'utilisation de AI g\u00e9n\u00e9rative, c'est possible.<\/p>\n<\/div>
En ce qui concerne les capacit\u00e9s de calcul, OpenAI a publi\u00e9 il y a six ans une analyse montrant que depuis 2012, la quantit\u00e9 de calcul utilis\u00e9e dans les sessions de formation les plus importantes de AI a augment\u00e9 de mani\u00e8re exponentielle, avec un temps de doublement de 3,4 mois (\u00e0 titre de comparaison, la loi de Moore avait une p\u00e9riode de doublement de deux ans). Depuis 2012, cette mesure a \u00e9t\u00e9 multipli\u00e9e par plus de 300 000 (une p\u00e9riode de doublement de deux ans ne produirait qu'une multiplication par sept).<\/p>\n<\/div>
Les mod\u00e8les g\u00e9n\u00e9ratifs AI n\u00e9cessitent souvent d'\u00e9normes quantit\u00e9s de puissance de calcul pour la formation, d'autant plus que les mod\u00e8les sont con\u00e7us pour \u00eatre g\u00e9n\u00e9ralistes et qu'ils ont besoin de grandes quantit\u00e9s de contenu pour la formation. Des ressources informatiques puissantes, telles que des GPU ou TPU haut de gamme, sont n\u00e9cessaires pour traiter de grands ensembles data et ex\u00e9cuter des algorithmes d'optimisation complexes. Le nouveau GPU NVIDIA A100 Tensor Core semble fournir une acc\u00e9l\u00e9ration sans pr\u00e9c\u00e9dent. Selon Nvidia, l'A100 offre des performances jusqu'\u00e0 20 fois sup\u00e9rieures \u00e0 la g\u00e9n\u00e9ration pr\u00e9c\u00e9dente et peut \u00eatre partitionn\u00e9 en sept instances de GPU pour s'adapter dynamiquement \u00e0 l'\u00e9volution des demandes. Il serait \u00e9galement dot\u00e9 de la bande passante m\u00e9moire la plus rapide au monde, avec plus de deux t\u00e9raoctets par seconde (TB\/s) pour l'ex\u00e9cution des plus grands mod\u00e8les et des datasets.<\/p>\n<\/div>
Il convient de noter que les progr\u00e8s de l'informatique ont \u00e9t\u00e9 un \u00e9l\u00e9ment cl\u00e9 de la progression de artificial intelligence. Tant que cette tendance se poursuit, nous devons nous pr\u00e9parer aux implications de syst\u00e8mes qui d\u00e9passent de loin les capacit\u00e9s actuelles et qui repousseront encore les limites, tout en mettant en balance la valeur apport\u00e9e par ces syst\u00e8mes et les co\u00fbts qu'ils engendrent, notamment en termes d'\u00e9nergie et d'environnement. Nous aborderons ces points dans un prochain article.<\/p>\n<\/div>
Generative AI am\u00e9liore la diversit\u00e9, la qualit\u00e9 et la quantit\u00e9 des r\u00e9sultats obtenus<\/h2><\/div>La AI g\u00e9n\u00e9rative se distingue clairement de la AI pr\u00e9c\u00e9dente par son impact sur les r\u00e9sultats g\u00e9n\u00e9r\u00e9s par ses mod\u00e8les. Non seulement la quantit\u00e9 de r\u00e9sultats g\u00e9n\u00e9r\u00e9s a augment\u00e9, mais aussi leur qualit\u00e9 et leur diversit\u00e9. Cependant, tous ces aspects positifs doivent \u00eatre temp\u00e9r\u00e9s par une reproductibilit\u00e9 plus faible des mod\u00e8les AI g\u00e9n\u00e9ratifs.<\/p>\n<\/div>
Si l'on consid\u00e8re l'image d'un puzzle, l'analyse de data peut \u00eatre compar\u00e9e \u00e0 son assemblage, o\u00f9 chaque pi\u00e8ce de data repr\u00e9sente une pi\u00e8ce \u00e0 arranger afin de r\u00e9v\u00e9ler une image coh\u00e9rente. La AI joue un r\u00f4le essentiel en essayant de combler les lacunes de la data en utilisant les informations disponibles pour d\u00e9duire et recr\u00e9er les pi\u00e8ces manquantes. Le AI g\u00e9n\u00e9ratif va au-del\u00e0 du simple fait de compl\u00e9ter le data existant en cr\u00e9ant un nouveau data inspir\u00e9 de ce qui existe d\u00e9j\u00e0. Ce processus \u00e9largit les capacit\u00e9s d'analyse et permet de d\u00e9couvrir de nouvelles informations \u00e0 partir de data existantes, ce qui met l'aspect g\u00e9n\u00e9ratif au premier plan.<\/p>\n<\/div>
<\/span><\/div>Contrairement aux g\u00e9n\u00e9rations pr\u00e9c\u00e9dentes de AI, qui ont tendance \u00e0 produire des r\u00e9sultats souvent similaires, les mod\u00e8les g\u00e9n\u00e9ratifs de AI sont capables de g\u00e9n\u00e9rer une plus grande diversit\u00e9 de r\u00e9sultats en explorant diff\u00e9rentes variations et alternatives. Cette diversit\u00e9 accrue permet de g\u00e9n\u00e9rer un contenu plus riche et plus diversifi\u00e9, passant du quantitatif au qualitatif et couvrant un \u00e9ventail plus large de besoins et de pr\u00e9f\u00e9rences.<\/p>\n<\/div>
OpenAI \u00e9tait r\u00e9cemment \u00e0 Hollywood pour pr\u00e9senter son dernier mod\u00e8le appel\u00e9 \u201cSora\u201d, capable de g\u00e9n\u00e9rer des vid\u00e9os \u00e0 partir de texte. \u201cEntendre qu'il peut faire toutes ces choses est une chose, mais en voir les capacit\u00e9s est stup\u00e9fiant\u201d, a d\u00e9clar\u00e9 le producteur hollywoodien Mike Perry, soulignant la diversit\u00e9 et la qualit\u00e9 des capacit\u00e9s offertes par le AI g\u00e9n\u00e9ratif.<\/p>\n<\/div>
Toutefois, en raison de leur capacit\u00e9 \u00e0 explorer un espace plus large de possibilit\u00e9s, les mod\u00e8les g\u00e9n\u00e9ratifs AI peuvent \u00eatre moins reproductibles que les pr\u00e9c\u00e9dents, et la pr\u00e9cision des r\u00e9sultats est compromise. Concr\u00e8tement, il est plus difficile de reproduire exactement les m\u00eames r\u00e9sultats \u00e0 chaque fois que le mod\u00e8le est ex\u00e9cut\u00e9, ce qui peut poser des probl\u00e8mes en termes de fiabilit\u00e9 et de pr\u00e9visibilit\u00e9 dans certaines applications critiques.<\/p>\n<\/div>
Cette limitation constitue un d\u00e9fi majeur pour les applications de AI g\u00e9n\u00e9rative qui n\u00e9cessitent des r\u00e9ponses pr\u00e9cises. C'est un domaine sur lequel les entreprises travaillent dans leurs d\u00e9veloppements actuels : mieux sp\u00e9cialiser les mod\u00e8les dans des domaines tr\u00e8s sp\u00e9cifiques pour am\u00e9liorer la pr\u00e9cision des r\u00e9ponses, et combiner la robustesse des mod\u00e8les bas\u00e9s sur des r\u00e8gles ou des requ\u00eates sur data structur\u00e9 avec la facilit\u00e9 d'utilisation et d'interaction avec les utilisateurs de AI g\u00e9n\u00e9ratif en connectant ces derniers aux sorties des premiers.<\/p>\n<\/div>
Attentes accrues des utilisateurs finaux<\/h2><\/div>Lorsqu'il s'agit de g\u00e9rer les attentes et la relation des utilisateurs finaux avec la technologie, la technologie g\u00e9n\u00e9rative AI pr\u00e9sente plusieurs d\u00e9fis sp\u00e9cifiques. En raison de sa capacit\u00e9 \u00e0 produire des r\u00e9sultats rapidement, le AI g\u00e9n\u00e9ratif peut susciter des attentes particuli\u00e8rement \u00e9lev\u00e9es. \u00c0 l'inverse, l'apparition d'hallucinations et de r\u00e9sultats ind\u00e9sirables peut fortement \u00e9branler la confiance des utilisateurs dans ces solutions.<\/p>\n<\/div>
Generative AI est capable de produire des r\u00e9sultats rapidement et de mani\u00e8re automatis\u00e9e, ce qui peut donner aux utilisateurs finaux l'impression que la technologie est capable de r\u00e9soudre tous leurs probl\u00e8mes instantan\u00e9ment et efficacement. Cela peut conduire \u00e0 des attentes disproportionn\u00e9es quant aux capacit\u00e9s r\u00e9elles de la AI g\u00e9n\u00e9rative, et \u00e0 la d\u00e9ception si les r\u00e9sultats ne r\u00e9pondent pas enti\u00e8rement \u00e0 ces attentes \u00e9lev\u00e9es.<\/p>\n<\/div>
La technologie g\u00e9n\u00e9rative AI n'est \u00e9videmment pas parfaite et peut parfois produire des r\u00e9sultats inattendus ou ind\u00e9sirables, tels qu'un contenu incoh\u00e9rent, faux ou inappropri\u00e9. L'apparition de tels r\u00e9sultats ind\u00e9sirables peut entra\u00eener une perte de confiance de l'utilisateur final dans la technologie, remettant en question sa fiabilit\u00e9 et son utilit\u00e9. Ils peuvent \u00e9galement susciter des inqui\u00e9tudes en mati\u00e8re de s\u00e9curit\u00e9 et de respect de la vie priv\u00e9e lorsque des r\u00e9sultats inattendus compromettent l'int\u00e9grit\u00e9 des informations g\u00e9n\u00e9r\u00e9es par la AI g\u00e9n\u00e9rative.<\/p>\n<\/div>
En f\u00e9vrier 2023, le chatbot Bard de Google (rebaptis\u00e9 Gemini) a fourni des informations erron\u00e9es lorsqu'on lui a pos\u00e9 des questions sur les d\u00e9couvertes du t\u00e9lescope spatial James Webb de la NASA. Il a affirm\u00e9 \u00e0 tort que le t\u00e9lescope avait pris les premi\u00e8res photos d'une exoplan\u00e8te. Cette affirmation est erron\u00e9e, car les premi\u00e8res photos d'une exoplan\u00e8te datent de 2004, alors que le t\u00e9lescope James Webb n'a \u00e9t\u00e9 lanc\u00e9 qu'en 2021 (source : \u00e9quipe CNET France, 2024).<\/p>\n<\/div>
Il est donc essentiel que les utilisateurs finaux des syst\u00e8mes g\u00e9n\u00e9ratifs AI soient conscients de leurs limites. C'est pourquoi la plupart des entreprises qui d\u00e9ploient ces solutions s'efforcent d'accompagner les utilisateurs dans leur utilisation : formation \u00e0 l'art de l'incitation, explication des limites de ces syst\u00e8mes, clarification des attentes qui peuvent ou ne peuvent pas \u00eatre satisfaites, et rappel des r\u00e8gles applicables en termes de protection des data.<\/p>\n<\/div>
Plus d'un an apr\u00e8s la sortie de ChatGPT, les attentes \u00e0 l'\u00e9gard de cette nouvelle technologie sont plus \u00e9lev\u00e9es que jamais. Cependant, la valeur associ\u00e9e \u00e0 cette technologie doit encore se mat\u00e9rialiser dans des cas d'utilisation tangibles. Dans notre prochain article, nous aborderons les sujets li\u00e9s \u00e0 l'adoption de la technologie par les entreprises et \u00e0 sa diffusion au sein de l'organisation.<\/p>\n<\/div>
Sous la direction de :<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Directeur g\u00e9n\u00e9ral Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP Digital Solutions - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
La AI g\u00e9n\u00e9rative se distingue clairement de la AI pr\u00e9c\u00e9dente par son impact sur les r\u00e9sultats g\u00e9n\u00e9r\u00e9s par ses mod\u00e8les. Non seulement la quantit\u00e9 de r\u00e9sultats g\u00e9n\u00e9r\u00e9s a augment\u00e9, mais aussi leur qualit\u00e9 et leur diversit\u00e9. Cependant, tous ces aspects positifs doivent \u00eatre temp\u00e9r\u00e9s par une reproductibilit\u00e9 plus faible des mod\u00e8les AI g\u00e9n\u00e9ratifs.<\/p>\n<\/div>
Si l'on consid\u00e8re l'image d'un puzzle, l'analyse de data peut \u00eatre compar\u00e9e \u00e0 son assemblage, o\u00f9 chaque pi\u00e8ce de data repr\u00e9sente une pi\u00e8ce \u00e0 arranger afin de r\u00e9v\u00e9ler une image coh\u00e9rente. La AI joue un r\u00f4le essentiel en essayant de combler les lacunes de la data en utilisant les informations disponibles pour d\u00e9duire et recr\u00e9er les pi\u00e8ces manquantes. Le AI g\u00e9n\u00e9ratif va au-del\u00e0 du simple fait de compl\u00e9ter le data existant en cr\u00e9ant un nouveau data inspir\u00e9 de ce qui existe d\u00e9j\u00e0. Ce processus \u00e9largit les capacit\u00e9s d'analyse et permet de d\u00e9couvrir de nouvelles informations \u00e0 partir de data existantes, ce qui met l'aspect g\u00e9n\u00e9ratif au premier plan.<\/p>\n<\/div>
<\/span><\/div>Contrairement aux g\u00e9n\u00e9rations pr\u00e9c\u00e9dentes de AI, qui ont tendance \u00e0 produire des r\u00e9sultats souvent similaires, les mod\u00e8les g\u00e9n\u00e9ratifs de AI sont capables de g\u00e9n\u00e9rer une plus grande diversit\u00e9 de r\u00e9sultats en explorant diff\u00e9rentes variations et alternatives. Cette diversit\u00e9 accrue permet de g\u00e9n\u00e9rer un contenu plus riche et plus diversifi\u00e9, passant du quantitatif au qualitatif et couvrant un \u00e9ventail plus large de besoins et de pr\u00e9f\u00e9rences.<\/p>\n<\/div>
OpenAI \u00e9tait r\u00e9cemment \u00e0 Hollywood pour pr\u00e9senter son dernier mod\u00e8le appel\u00e9 \u201cSora\u201d, capable de g\u00e9n\u00e9rer des vid\u00e9os \u00e0 partir de texte. \u201cEntendre qu'il peut faire toutes ces choses est une chose, mais en voir les capacit\u00e9s est stup\u00e9fiant\u201d, a d\u00e9clar\u00e9 le producteur hollywoodien Mike Perry, soulignant la diversit\u00e9 et la qualit\u00e9 des capacit\u00e9s offertes par le AI g\u00e9n\u00e9ratif.<\/p>\n<\/div>
Toutefois, en raison de leur capacit\u00e9 \u00e0 explorer un espace plus large de possibilit\u00e9s, les mod\u00e8les g\u00e9n\u00e9ratifs AI peuvent \u00eatre moins reproductibles que les pr\u00e9c\u00e9dents, et la pr\u00e9cision des r\u00e9sultats est compromise. Concr\u00e8tement, il est plus difficile de reproduire exactement les m\u00eames r\u00e9sultats \u00e0 chaque fois que le mod\u00e8le est ex\u00e9cut\u00e9, ce qui peut poser des probl\u00e8mes en termes de fiabilit\u00e9 et de pr\u00e9visibilit\u00e9 dans certaines applications critiques.<\/p>\n<\/div>
Cette limitation constitue un d\u00e9fi majeur pour les applications de AI g\u00e9n\u00e9rative qui n\u00e9cessitent des r\u00e9ponses pr\u00e9cises. C'est un domaine sur lequel les entreprises travaillent dans leurs d\u00e9veloppements actuels : mieux sp\u00e9cialiser les mod\u00e8les dans des domaines tr\u00e8s sp\u00e9cifiques pour am\u00e9liorer la pr\u00e9cision des r\u00e9ponses, et combiner la robustesse des mod\u00e8les bas\u00e9s sur des r\u00e8gles ou des requ\u00eates sur data structur\u00e9 avec la facilit\u00e9 d'utilisation et d'interaction avec les utilisateurs de AI g\u00e9n\u00e9ratif en connectant ces derniers aux sorties des premiers.<\/p>\n<\/div>
Attentes accrues des utilisateurs finaux<\/h2><\/div>Lorsqu'il s'agit de g\u00e9rer les attentes et la relation des utilisateurs finaux avec la technologie, la technologie g\u00e9n\u00e9rative AI pr\u00e9sente plusieurs d\u00e9fis sp\u00e9cifiques. En raison de sa capacit\u00e9 \u00e0 produire des r\u00e9sultats rapidement, le AI g\u00e9n\u00e9ratif peut susciter des attentes particuli\u00e8rement \u00e9lev\u00e9es. \u00c0 l'inverse, l'apparition d'hallucinations et de r\u00e9sultats ind\u00e9sirables peut fortement \u00e9branler la confiance des utilisateurs dans ces solutions.<\/p>\n<\/div>
Generative AI est capable de produire des r\u00e9sultats rapidement et de mani\u00e8re automatis\u00e9e, ce qui peut donner aux utilisateurs finaux l'impression que la technologie est capable de r\u00e9soudre tous leurs probl\u00e8mes instantan\u00e9ment et efficacement. Cela peut conduire \u00e0 des attentes disproportionn\u00e9es quant aux capacit\u00e9s r\u00e9elles de la AI g\u00e9n\u00e9rative, et \u00e0 la d\u00e9ception si les r\u00e9sultats ne r\u00e9pondent pas enti\u00e8rement \u00e0 ces attentes \u00e9lev\u00e9es.<\/p>\n<\/div>
La technologie g\u00e9n\u00e9rative AI n'est \u00e9videmment pas parfaite et peut parfois produire des r\u00e9sultats inattendus ou ind\u00e9sirables, tels qu'un contenu incoh\u00e9rent, faux ou inappropri\u00e9. L'apparition de tels r\u00e9sultats ind\u00e9sirables peut entra\u00eener une perte de confiance de l'utilisateur final dans la technologie, remettant en question sa fiabilit\u00e9 et son utilit\u00e9. Ils peuvent \u00e9galement susciter des inqui\u00e9tudes en mati\u00e8re de s\u00e9curit\u00e9 et de respect de la vie priv\u00e9e lorsque des r\u00e9sultats inattendus compromettent l'int\u00e9grit\u00e9 des informations g\u00e9n\u00e9r\u00e9es par la AI g\u00e9n\u00e9rative.<\/p>\n<\/div>
En f\u00e9vrier 2023, le chatbot Bard de Google (rebaptis\u00e9 Gemini) a fourni des informations erron\u00e9es lorsqu'on lui a pos\u00e9 des questions sur les d\u00e9couvertes du t\u00e9lescope spatial James Webb de la NASA. Il a affirm\u00e9 \u00e0 tort que le t\u00e9lescope avait pris les premi\u00e8res photos d'une exoplan\u00e8te. Cette affirmation est erron\u00e9e, car les premi\u00e8res photos d'une exoplan\u00e8te datent de 2004, alors que le t\u00e9lescope James Webb n'a \u00e9t\u00e9 lanc\u00e9 qu'en 2021 (source : \u00e9quipe CNET France, 2024).<\/p>\n<\/div>
Il est donc essentiel que les utilisateurs finaux des syst\u00e8mes g\u00e9n\u00e9ratifs AI soient conscients de leurs limites. C'est pourquoi la plupart des entreprises qui d\u00e9ploient ces solutions s'efforcent d'accompagner les utilisateurs dans leur utilisation : formation \u00e0 l'art de l'incitation, explication des limites de ces syst\u00e8mes, clarification des attentes qui peuvent ou ne peuvent pas \u00eatre satisfaites, et rappel des r\u00e8gles applicables en termes de protection des data.<\/p>\n<\/div>
Plus d'un an apr\u00e8s la sortie de ChatGPT, les attentes \u00e0 l'\u00e9gard de cette nouvelle technologie sont plus \u00e9lev\u00e9es que jamais. Cependant, la valeur associ\u00e9e \u00e0 cette technologie doit encore se mat\u00e9rialiser dans des cas d'utilisation tangibles. Dans notre prochain article, nous aborderons les sujets li\u00e9s \u00e0 l'adoption de la technologie par les entreprises et \u00e0 sa diffusion au sein de l'organisation.<\/p>\n<\/div>
Sous la direction de :<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Directeur g\u00e9n\u00e9ral Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP Digital Solutions - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
Lorsqu'il s'agit de g\u00e9rer les attentes et la relation des utilisateurs finaux avec la technologie, la technologie g\u00e9n\u00e9rative AI pr\u00e9sente plusieurs d\u00e9fis sp\u00e9cifiques. En raison de sa capacit\u00e9 \u00e0 produire des r\u00e9sultats rapidement, le AI g\u00e9n\u00e9ratif peut susciter des attentes particuli\u00e8rement \u00e9lev\u00e9es. \u00c0 l'inverse, l'apparition d'hallucinations et de r\u00e9sultats ind\u00e9sirables peut fortement \u00e9branler la confiance des utilisateurs dans ces solutions.<\/p>\n<\/div>
Generative AI est capable de produire des r\u00e9sultats rapidement et de mani\u00e8re automatis\u00e9e, ce qui peut donner aux utilisateurs finaux l'impression que la technologie est capable de r\u00e9soudre tous leurs probl\u00e8mes instantan\u00e9ment et efficacement. Cela peut conduire \u00e0 des attentes disproportionn\u00e9es quant aux capacit\u00e9s r\u00e9elles de la AI g\u00e9n\u00e9rative, et \u00e0 la d\u00e9ception si les r\u00e9sultats ne r\u00e9pondent pas enti\u00e8rement \u00e0 ces attentes \u00e9lev\u00e9es.<\/p>\n<\/div>
La technologie g\u00e9n\u00e9rative AI n'est \u00e9videmment pas parfaite et peut parfois produire des r\u00e9sultats inattendus ou ind\u00e9sirables, tels qu'un contenu incoh\u00e9rent, faux ou inappropri\u00e9. L'apparition de tels r\u00e9sultats ind\u00e9sirables peut entra\u00eener une perte de confiance de l'utilisateur final dans la technologie, remettant en question sa fiabilit\u00e9 et son utilit\u00e9. Ils peuvent \u00e9galement susciter des inqui\u00e9tudes en mati\u00e8re de s\u00e9curit\u00e9 et de respect de la vie priv\u00e9e lorsque des r\u00e9sultats inattendus compromettent l'int\u00e9grit\u00e9 des informations g\u00e9n\u00e9r\u00e9es par la AI g\u00e9n\u00e9rative.<\/p>\n<\/div>
En f\u00e9vrier 2023, le chatbot Bard de Google (rebaptis\u00e9 Gemini) a fourni des informations erron\u00e9es lorsqu'on lui a pos\u00e9 des questions sur les d\u00e9couvertes du t\u00e9lescope spatial James Webb de la NASA. Il a affirm\u00e9 \u00e0 tort que le t\u00e9lescope avait pris les premi\u00e8res photos d'une exoplan\u00e8te. Cette affirmation est erron\u00e9e, car les premi\u00e8res photos d'une exoplan\u00e8te datent de 2004, alors que le t\u00e9lescope James Webb n'a \u00e9t\u00e9 lanc\u00e9 qu'en 2021 (source : \u00e9quipe CNET France, 2024).<\/p>\n<\/div>
Il est donc essentiel que les utilisateurs finaux des syst\u00e8mes g\u00e9n\u00e9ratifs AI soient conscients de leurs limites. C'est pourquoi la plupart des entreprises qui d\u00e9ploient ces solutions s'efforcent d'accompagner les utilisateurs dans leur utilisation : formation \u00e0 l'art de l'incitation, explication des limites de ces syst\u00e8mes, clarification des attentes qui peuvent ou ne peuvent pas \u00eatre satisfaites, et rappel des r\u00e8gles applicables en termes de protection des data.<\/p>\n<\/div>
Plus d'un an apr\u00e8s la sortie de ChatGPT, les attentes \u00e0 l'\u00e9gard de cette nouvelle technologie sont plus \u00e9lev\u00e9es que jamais. Cependant, la valeur associ\u00e9e \u00e0 cette technologie doit encore se mat\u00e9rialiser dans des cas d'utilisation tangibles. Dans notre prochain article, nous aborderons les sujets li\u00e9s \u00e0 l'adoption de la technologie par les entreprises et \u00e0 sa diffusion au sein de l'organisation.<\/p>\n<\/div>
Sous la direction de :<\/em><\/p>\n<\/div> Guillaume Lame - Directeur g\u00e9n\u00e9ral Data - Natixis<\/em><\/p>\n<\/div><\/li> Antoine Le Feuvre - VP Digital Solutions - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
![](\"https:\/\/artefact.com\/\/wp-content\/uploads\/2021\/03\/medium.png\" "\\"moyen\\"")
<\/span><\/div>