L'IA générative (GenAI), l'apprentissage automatique (ML) et les grands modèles de langage (LLM) deviennent tous de plus en plus importants pour les entreprises modernes, mais obtenir une valeur mesurable grâce à l'IA reste un défi. Une partie du problème réside dans le fait qu’un modèle d’IA bien entraîné repose sur une grande quantité de données, et pour de nombreuses entreprises, l’organisation et l’utilisation de toutes leurs données les ralentissent chaque jour. Pour maximiser la valeur de l’IA, les entreprises doivent s’assurer que leur pile de données est bien organisée. Si une entreprise est capable de consolider ses sources de données, il est beaucoup plus facile de créer des cas d'utilisation précieux pour l'IA générative. Voici quelques exemples qui ajoutent déjà de la valeur aujourd’hui.
L'IA dans le développement de logiciels et la science des données
En ce qui concerne les LLM, GPT-4 est un généraliste impressionnant, avec une connaissance approfondie de sujets allant de l'histoire du monde à la programmation informatique en passant par la cuisine du Moyen-Orient et au-delà. Ce n’est pas surprenant, car il a été largement formé sur des pages Web récupérées sur Internet. Mais ce dont la plupart des entreprises ont besoin, ce sont des modèles spécialisés axés sur leur marché vertical, formés sur leurs données internes et non sur Internet. Le post a16z sur De quoi parlent les constructeurs lorsqu’ils parlent d’IA a expliqué que les entreprises n'ont pas vraiment besoin de plus de chatbots. Les entreprises ont besoin de GPT capables de fournir efficacement des informations avec une grande exactitude et précision. Peu importe si l’IA peut résumer Shakespeare – il importe qu’elle puisse prédire avec précision quelle pourrait être la valeur à vie d’un client potentiel.
Ali Ghodsi de Databricks a souligné que ses clients « souhaitent disposer de modèles spécialisés, moins chers, plus petits et offrant une précision et des performances très élevées ». Pour quelque chose comme la fabrication qui nécessite une précision extrême, il est préférable de former un modèle plus petit sur un ensemble de données spécialisé et spécifique à un domaine. Le modèle résultant sera ainsi plus rapide, moins cher et plus précis.
Avec un ensemble de données plus complet, nous voyons comment les entreprises peuvent prototyper de nouveaux logiciels et les itérer rapidement. Nous utilisons IA générative dans mon entreprise pour aider à créer des prototypes de connecteurs qui facilitent le mouvement des données depuis les applications cloud, les bases de données, les données en streaming et les applications d'entreprise, le tout circulant vers un entrepôt de données ou un lac de données. La création de connecteurs pour de nouvelles applications SaaS peut s'avérer difficile lorsque les plates-formes et les schémas changent si rapidement. Grâce à GPT-4, nous avons pu rendre un client opérationnel tout en effectuant un travail à long terme pour créer des connecteurs robustes et complets.
Intelligence instantanée
L'un des cas d'utilisation que je trouve fascinant est la façon dont GenAI est utilisé pour la recherche et la synthèse. Chaque grande entreprise dispose de plusieurs référentiels de données, d'Atlassian à Slack, de Sharepoint à Teams, en passant par Google Drive et Gmail. Ou un mélange de tout ce qui précède. Et pour l’essentiel, ces énormes ressources de connaissances organisationnelles sont encore largement inexploitées. Cela va bientôt changer, à mesure que les entreprises reconnaissent l’avantage concurrentiel qu’il y a à exploiter ces données et à les exploiter à l’aide de l’IA. La génération augmentée par récupération (RAG), qui permet aux LLM de récupérer des faits à partir de sources externes telles que des documents internes ou Internet, est un développement passionnant sur lequel nous n'avons pas encore pleinement capitalisé.
Parallèlement à ces applications d'entreprise, il existe des référentiels spécifiques à un domaine, comme l'historique des transactions d'une société financière ou les commandes de détail et les profils clients, qui doivent être intégrés dans l'ensemble de données de formation. La formation d'un LLM peut permettre de poser très facilement des questions dans un anglais simple qui peuvent révéler des informations sur l'ensemble de la pile de données d'une organisation. Mais ces données doivent d’abord être organisées et catégorisées afin que la formation puisse donner un sens à tout cela, et plus il y a de données disponibles, meilleurs sont les résultats de la formation.
Ce problème est particulièrement problématique dans un environnement de capture de données modifiées, lorsque les données financières ou transactionnelles arrivent 24 heures sur 24 et sont constamment mises à jour. Lorsque les schémas de données changent, les données peuvent être mal classées ou même perdues dans l'éther. Si le LLM doit aider à automatiser les choses, à créer de nouvelles idées de produits ou à réfléchir à de nouveaux concepts, il doit être à jour. Malheureusement, de nombreuses entreprises ont du mal à rassembler leurs données au même endroit.
L’IA améliore les rôles et facilite la collaboration
Depuis longtemps, on a besoin d'ingénieurs logiciels débutants capables d'écrire du code de base, sans se concentrer sur la vue d'ensemble de l'architecture des données et des modèles de conception, de l'intégration avec d'autres plates-formes ou de la conception d'un système pour des performances maximales.
Comme le dit Dylan Field de Figma : « Les meilleurs concepteurs commencent à réfléchir beaucoup plus au code, et les meilleurs développeurs pensent beaucoup plus au design. » GenAI permet à ces personnes de s'intégrer dans le domaine traditionnel de chacun et d'ajouter de la valeur, ce qui accélérera grandement le développement. Pendant ce temps, les développeurs intelligents étudient les modèles de conception de systèmes dans le but de progresser dans la chaîne de valeur.
À terme, la fusion de l’IA générative, des grands modèles linguistiques et de l’apprentissage automatique transformera les opérations des entreprises. Du développement de logiciels à la stratégie marketing, l’IA générative va avoir un impact considérable en créant du nouveau code, en prototypant des idées et en éliminant les silos entre les concepteurs et les codeurs – sans divulguer de données exclusives. La clé résidera dans l’équilibre entre la polyvalence de l’IA et une base essentielle de gestion des données. Si nous parvenons à centraliser et à intégrer les données sous-jacentes, nous pouvons lancer cette nouvelle ère technologique pour rendre les individus plus productifs et les entreprises plus efficaces.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://www.dataversity.net/generative-ai-challenges-and-opportunities-for-modern-enterprises/
