IA Prédictive VS IA Générative
Avant d’entamer le sujet, il faut d’abord comprendre ce qu’est une IA : L’intelligence artificielle (IA) est un processus d’imitation de l’intelligence humaine qui repose sur la création et l’application d’algorithmes exécutés dans un environnement informatique dynamique. Son but est de permettre à des ordinateurs de penser et d’agir comme des êtres humains.
Pour y parvenir, trois composants sont nécessaires :
- Des systèmes informatiques
- Des données avec des systèmes de gestion
- Des algorithmes d’IA avancés (code)
Pour se rapprocher le plus possible du comportement humain, l’intelligence artificielle a besoin d’une quantité de données et d’une capacité de traitement élevées.
Voyons maintenant la différence entre une IA prédictive et générative
Les IA classiques aussi appelés prédictive sont là pour comprendre le monde. Par exemple faire de la reconnaissance faciale, de la traduction automatique ou de la conduite autonome. Quand vous demandez à un assistant vocal (Google home, Siri ou Alexa) de jouer de la musique, il utilisera l’IA prédictive pour vous recommander des chansons que vous êtes susceptible d’apprécier.
A la différence, l’IA générative, a pour objectif de générer de nouvelles données. Vous pouvez donc lui demander de vous créer une musique avec les paramètres que vous désirez comme le nombre de BPM, le style de musique, les instruments, etc.
Nous avons pris ici l’exemple de la musique mais l’IA générative est plus généralement efficace pour concevoir du contenu créatif, faire de la recherche et du développement et même des formations de modèle d’IA.
L’IA générative dans notre société
Pour rappel, l’IA générative grand public est disponible depuis fin 2022 et depuis, beaucoup d’entreprises pensent que cette technologie offre plein d’opportunités.
Deux grandes études ont été faites sur le sujet et en voici les conclusions en quelques chiffres :
- Selon McKinsey Global Institute, l’IA générative va injecter chaque année entre 2 600 et 4 400 milliards de dollars dans l’économie globale, accroissant de 15 à 40 % l’impact économique global de l’IA.
- Toujours McKinsey Global Institute, estiment que l’IA aura automatisé la moitié du travail entre 2040 et 2060, soit dix ans plus tôt que prévu, du fait de l’IA générative.
- Et enfin d’après Goldman Sachs, l’IA générative sera responsable d’une augmentation de 7 % du PIB mondial.
En 2022, les entreprises sont déjà 94 % à utiliser l’IA d’une façon ou d’une autre. Cependant seulement 14 % des entreprises avaient pour objectif d’exploiter « l’IA à l’échelle de l’entreprise » d’ici 2025 ; ce qui veut dire de rendre l’IA critique pour au moins cinq fonctions centrales
Les prévisions à horizon 2025 vont vers une adoption massive sur tous les corps de métier avec une dominance sur l’IT et la finance.
A noter aussi que la médecine et la santé font actuellement des essais sur des IA en leur demandant de prédire par exemple des structures de protéines, en participant à la découverte de nouveaux médicaments et en traçant la propagation des épidémies, dont la pandémie de Covid-19.
Les LLM ouverts ne sont pas l’avenir pour les entreprises
Un LLM pour « large modèle de langage » est un type de modèle de langage qui a un nombre important de paramètres. Les paramètres sont les variables du modèle qui sont apprises lors du processus de formation.
Les LLM sont utilisés dans une variété d’applications, telles que la traduction automatique, la génération de texte, le résumé de texte et la réponse aux questions. Ils sont également utilisés dans la recherche et le développement d’autres technologies d’IA, telles que l’IA conversationnelle et l’IA robotique.
Vous pouvez penser que les LLM et les IA génératives, c’est la même chose… mais ce n’est pas le cas. Un LLM peut être utilisé pour générer des données, mais il n’est pas nécessairement conçu à cette fin. Un modèle d’IA générative, quant à lui, est spécifiquement conçu pour générer des données. Par conséquent, tous les LLM ne sont pas des IA génératives, mais toutes les IA génératives sont des LLM.
Alors pourquoi ne pas utiliser les LLM ouverts comme ChatGPT ou Bard (pour ne citer qu’eux) au sein des entreprises :
- La fuite des données interne de l’entreprise: Nous avons déjà des cas concrets comme Samsung qui a banni chatGPT quand des employés s’en sont servis pour travailler sur du code sensible. Bien d’autres entreprises, dont JP Morgan Chase, Amazon et Verizon, ont également mis en place des restrictions voir des interdictions sur l’utilisation de LLM ouverts.
- Ils ne disent pas toujours la vérité: Les plus grands LLM sont, du fait de leur taille, envahis de fausses informations glanées en ligne.
- Ils sont entraînés sur les données du Web: Il existe au sein des entreprises d’innombrables concepts et données que ces modèles ignorent totalement.
Les entreprises doivent donc avoir des LLM privés avec des données internes… Le problème maintenant c’est le coût !
On sait que l’entrainement de GPT4 a déjà coûté 100 Millions de Dollars en utilisant plus de 10 000GPU ! alors comment une entreprise peut avoir son propre modèle ?
La solution : Limiter le nombre de paramètres
Par exemple, GPT3 c’est 175 Milliards de paramètres. Si on y réfléchi, 10 milliards de paramètres pertinents que l’entreprise possède réellement, pourraient suffire. Pour réduire la complexité, il faut renoncer à l’idée d’un modèle généraliste détenteur de toute la connaissance humaine. Il est préférable d’opter pour une connaissance spécialisée de très haute qualité, parce que c’est de cela dont les collaborateurs ont réellement besoin.
L’inquiétude des collaborateurs
Chaque bond en avant en matière de technologies suscite des inquiétudes et est perçu comme une menace pour les emplois, le talent et les compétences des humains. Mais l’IA générative semble marquer un tournant plus grand encore, du fait de l’immense éventail de tâches qu’elle permet d’automatiser.
Plusieurs études pensent effectivement que les IA vont changer nos façons de travailler et encore plus avec l’avènement des IA génératives :
- D’après une analyse d’Accenture, 40 % des heures de travail, tous secteurs confondus, pourraient être automatisées ou enrichies par l’IA générative. Les secteurs qui affichent le plus grand potentiel sont la banque, l’assurance, les marchés de capitaux et le développement logiciel.
- Le cabinet McKinsey prévoit que l’IA générative et les technologies connexes pourraient automatiser des activités qui représentent actuellement 60 à 70 % du temps de travail, c’est deux fois plus qu’avant l’arrivée de l’IA générative.
- Selon Goldman Sachs, les deux tiers des emplois américains seront concernés par l’automatisation basée sur l’IA.
Ces chiffres restent tout de même à nuancer, car cela ne doit pas nécessairement se traduire par des suppressions massives de postes. Finalement, la plupart des emplois ne sont que partiellement exposés. Ils sont donc davantage destinés à être complétés que remplacés par l’IA.
Il faut aussi rappeler que les pertes d’emploi liées à la technologie sont généralement compensées (et même plus) par la diversité de nouveaux métiers : Plus de 85 % de la croissance du nombre d’emplois de ces 80 dernières années s’explique par des créations de d’emplois innovants liées à la technologie.
Conclusion
Les personnes qui ont connu la révolution de l’ordinateur, suivi de l’ère d’Internet, se souviennent clairement de cette époque. Si vous faisiez partie des individus capables de manier un ordinateur, votre avenir professionnel était prometteur. Pensez-vous que nous sommes à un tournant similaire ? Sommes-nous devant une des plus grandes révolutions depuis l’invention de l’ordinateur ? Affaire à suivre…
Source : MIT Technology Review – La grande accélération : perspectives des DSI sur l’IA générative
