Si vous avez récemment suivi l'évolution de la technologie de l'IA générative (GenAI), vous connaissez probablement ses concepts de base : le fonctionnement des modèles GenAI, l'art de créer des invites et les types de données sur lesquelles les modèles GenAI s'appuient. .

Bien que ces composants fondamentaux de GenAI restent constants, la façon dont ils sont appliqués se transforme. Il est peu probable que l'approche de GenAI qui a attiré l'attention avec la montée en puissance de ChatGPT fin 2022 soit la même que les entreprises adopteront lorsqu'elles exploiteront GenAI pour activer de nouvelles capacités commerciales.

Voyons comment ces concepts entourant l'IA générative évoluent et ce que ce changement signifie pour l'avenir de GenAI dans le monde des affaires.

Approches traditionnelles de l'IA générative

À la base, les éléments fondamentaux de GenAI peuvent être résumés comme suit :

• Modèles de fondation : Un modèle de fondation est un modèle GenAI qui peut prendre en charge une grande variété d'utilisations. À ce jour, une poignée de modèles GenAI – tels que les modèles GPT développés par OpenAI – ont dominé cet espace.
• Dates: Les modèles s'appuient sur des données à des fins de formation. Traditionnellement, ces données prenaient principalement la forme de données non structurées, que les fournisseurs de modèles de base – comme, encore une fois, OpenAI – ont utilisé pour pré-entraîner leurs modèles avant de les mettre à la disposition du public.
• Ingénierie rapide : L'ingénierie des invites est le processus de conception d'invites qui produiront la réponse appropriée à partir d'un modèle GenAI. Étant donné que l'utilisation de modèles de base pré-entraînés n'offre pas beaucoup de possibilités de personnaliser les données ou le contexte de ces modèles, une ingénierie rapide a été cruciale pour que les modèles d'IA prennent en charge certains cas d'utilisation. Vous ne pouvez pas contrôler les données ou le modèle lui-même, mais vous pouvez contrôler les invites que vous y introduisez.

En bref, l'écosystème GenAI depuis environ un an et demi a été dominé par des modèles de fondation tiers, pré-entraînés sur des ensembles génériques de données non structurées, pour répondre à des cas d'utilisation qui reposaient fortement sur une ingénierie d'invites personnalisée. Dans ce monde, les fournisseurs qui construisaient les modèles de base étaient essentiellement les gardiens, puisque leurs décisions sur le fonctionnement des modèles et sur les données sur lesquelles ils s'entraînaient fixaient les contraintes entourant la manière dont les modèles pouvaient être utilisés.

Innovations dans l’IA générative d’entreprise

À l’avenir, cette approche est sur le point de changer de plusieurs manières clés.

1. Modèles de fondations personnalisés

L’un des changements les plus importants est la disponibilité croissante de modèles de base au-delà de ceux fournis par les entreprises spécialisées dans les services d’IA générative.

En plus des modèles open source publiés par des sociétés comme Meta et Google, nous voyons désormais des fournisseurs comme SAP développer leurs propres modèles de base. Surtout, ces modèles offriront aux entreprises une plus grande opportunité de modéliser leurs opérations sur mesure en injectant leurs propres paramètres pour contrôler le contexte dans lequel le modèle fonctionne. Dans certains cas, ils peuvent également entraîner ou recycler des modèles sur des données personnalisées.

L’essentiel ici est qu’une nouvelle génération de modèles de base donne aux entreprises un contrôle beaucoup plus précis sur la manière dont elles exploitent l’IA générative. Ils ne doivent plus se contenter de modèles génériques qui n’ont pas été conçus pour leurs cas d’utilisation particuliers. Au lieu de cela, ils peuvent personnaliser le comportement du modèle de manière approfondie, à condition qu'ils disposent des capacités d'ingénierie des données nécessaires pour le faire.

2. L'utilisation de données structurées

Historiquement, les modèles GenAI s'entraînaient principalement sur des données non structurées – telles que des documents et des pages Web – car l'objectif principal des concepteurs de modèles était de permettre aux utilisateurs de rechercher ou de résumer des données dans ces documents. Essentiellement, les modèles GenAI comme ceux développés par OpenAI sont des interfaces de recherche alternatives pour le Web.

Cela reste un cas d’utilisation important de GenAI au sein des entreprises. Un autre cas d’utilisation émergent consiste également à exploiter GenAI comme interface pour interroger des données structurées – telles que les informations stockées dans des bases de données. Les entreprises peuvent déjà le faire en utilisant des solutions comme Amazon Q.

Ceci est important car cela indique que GenAI peut améliorer la capacité des entreprises à interpréter les vastes volumes de données structurées qu'elles possèdent. Dans le passé, pour répondre à des questions basées sur ces données, il fallait faire appel à des analystes de données experts qui rédigeaient manuellement des requêtes complexes, puis généraient des rapports. Désormais, GenAI peut effectuer ce travail à un rythme beaucoup plus rapide que même l’analyste de données le plus qualifié ne pourrait le faire.

3. L'émergence des répartiteurs de données

L'intégration de modèles d'IA avec toutes les données existantes dans une entreprise est une tâche complexe, notamment parce qu'il est souvent difficile de savoir quel ensemble de données est le plus pertinent pour un cas d'utilisation spécifique. Par exemple, lors de l'interrogation de données de ventes, le modèle doit-il être invité à utiliser les données du système ERP, du CRM, une feuille de calcul préparée manuellement ou autre chose ?

Pour résoudre ce problème, les entreprises sont susceptibles d’adopter ce que j’appelle des « répartiteurs de données ». Un répartiteur de données est un outil d'intégration qui expose efficacement les données aux services GenAI, permettant ainsi aux entreprises d'exploiter facilement leurs données pour la formation de modèles personnalisés. Au lieu d’obliger les entreprises à déterminer les données dont elles ont besoin pour la formation en IA, elles se tourneront vers des répartiteurs de données pour gérer ce travail.

Cela place les fournisseurs de répartiteurs de données en mesure de devenir les nouveaux gardiens du paysage GenAI. Le pouvoir passera des fournisseurs qui développent des modèles d’IA à ceux qui influencent les données disponibles pour prendre en charge les invites.

Vers un paysage GenAI démocratisé et centré sur les données ?

En fin de compte, ces changements – qui sont déjà en cours – promettent de rendre la GenAI plus démocratique, dans le sens où les entreprises auront plus de contrôle sur la manière exacte dont elles utilisent la GenAI.

Dans le même temps, elles rendent les données – en particulier les données propriétaires appartenant à des entreprises particulières – plus importantes que jamais. Plutôt que d’être redevables à une poignée de fournisseurs de modèles d’IA et aux données sur lesquelles ils ont décidé de se former, les entreprises pourront décider – avec l’aide des répartiteurs de données – quelles informations permettent d’utiliser les outils et services GenAI.

Pour prospérer dans ce meilleur des mondes, la capacité à gérer et gouverner efficacement les données sera essentielle. Gestion des données est depuis longtemps important pour les entreprises, mais si celles-ci veulent profiter des opportunités émergentes entourant GenAI, elles auront besoin de niveaux de contrôle sans précédent sur les données afin que les entreprises puissent les utiliser pour permettre des cas d'utilisation personnalisés de GenAI. 

Cette discussion est en cours et sera essentielle à suivre dans les mois et les années à venir.

• 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/why-its-time-to-rethink-generative-ai-in-the-enterprise/