74 % des dirigeants estiment que les bénéfices de l’IA générative l’emporteront sur les inquiétudes suscitées d’après le rapport du Capgemini Research Institute, intitulé Harnessing the value of generative AI : Top use cases across industries. Pour autant, seules 19 % des entreprises ont lancé des initiatives concrètes sur le sujet. Par où commencer ? Les étapes clés résumées dans cet article.
Quels prérequis à l’IA générative ? Quelles questions clés se poser en amont ? Difficile même parfois pour des Data Scientists professionnels de se lancer dans une démarche d’intelligence artificielle tant la technologie amène les entreprises à repenser leur façon de travailler. En ce sens, l’IA générative ne fait pas exception. Trois piliers s’avèrent alors essentiels pour lancer le développement d’un cas d’usage.
Étape #1 : ne partez pas de zéro !
Aujourd’hui, il existe de nombreux modèles de langages pré-entraînés (LLMs) qui permettent de traiter dès le lancement du projet un certain nombre d’objectifs grâce à un assistant conversationnel. Même constat pour la reconnaissance d’images. Résultat, il est tout à fait possible, et même recommandé, d’utiliser les ressources mises à disposition par la communauté, que ce soit par le biais d’algorithmes open source ou d’éditeurs comme Microsoft avec Azure. Donc les équipes ont déjà à disposition des algorithmes capables de reconnaître une image ou un objet, ou dans une phrase, un verbe, un adjectif, un complément, un COD… Soit un gain de temps très appréciable !
Dans le cas où les ressources disponibles viendraient à manquer, les équipes ont alors tout intérêt à réaliser une analyse de marché en amont pour identifier et tester les solutions existantes qu’elles pourraient utiliser sans avoir besoin de réinventer la roue !
Un projet d’IA générative n’est pas si différent d’un projet d’intelligence artificielle classique ou de data science. […] L’agilité et la capacité à élargir son périmètre au fur et à mesure sont des facteurs de succès essentiels.
Étape #2 : élargissez le périmètre progressivement
Un projet d’IA générative n’est pas si différent d’un projet d’intelligence artificielle classique ou de data science. Par conséquent, si on intègre dès le début trop de fonctionnalités ou une complexité trop importante, alors l’objectif sera trop lointain et donc difficile à atteindre. Non seulement le temps de développement sera excessivement long, mais le risque surtout est de faire face à une multitude de problèmes simultanés menant à l’échec du projet.
La solution est alors par exemple de développer un assistant conversationnel progressivement : on commence par un assistant qui, dans un premier temps, ne pourra traiter que 20 % des problématiques ou des cas d’usage, et on l’améliore petit à petit ! L’agilité et la capacité à élargir son périmètre au fur et à mesure sont des facteurs de succès essentiels dans une démarche d’IA générative.
Il est essentiel, en début de projet, de préciser avec les métiers les différentes fonctions que l’on souhaite intégrer à l’assistant conversationnel et de les classer par bloc de fonctionnalités ou par bloc de cas d’usages défini selon deux axes :
- Un axe métier établi par les futurs utilisateurs ;
- Et un axe technique sur lequel les experts essaient de chiffrer la complexité algorithmique.
L’objectif ici est donc de commencer par intégrer des « quick wins », c’est-à-dire ceux qui ont une forte valeur métier et une faible complexité technique. Puis, sur la base des retours utilisateurs, on enrichit l’assistant à chaque SPRINT avec de nouvelles fonctionnalités, de nouveaux cas d’usage, de nouvelles bases de données… Il y a un vrai côté itératif dans lequel on estime à chaque fois la charge de chacune des sources en termes d’intégration technique et d’intérêt métier.
Étape #3 : confrontez votre algorithme
Il faut non seulement confronter son algorithme aux métiers, mais il faut surtout le faire le plus rapidement possible. N’attendez pas qu’un produit soit parfait pour le leur présenter ! Mais si vous le confrontez, vous devez également être en mesure de pouvoir le faire évoluer facilement, impliquant une certaine souplesse pour automatiser la livraison et l’apprentissage des différents modèles et, in fine, enrichir les fonctionnalités.
Enfin, le côté scalable de l’infrastructure peut être aussi important dans la méthodologie car toutes ces données peuvent représenter des volumétries d’apprentissage importantes voire hors normes. Tout dépend si l’IA générative n’intègre que les données internes ou également des « open data » ou autres données externes. C’est pourquoi disposer d’une infrastructure scalable, ou en tout cas facilement évolutive, est aussi un facteur clé de succès.
Comment faciliter l’adoption de l’IA générative ?
Pour répondre à cette question, nous sommes partis de cas d’usage rencontrés chez certains de nos clients. Voici alors comment l’IA générative a pu les aider à résoudre leur problème et accélérer leurs projets.
1er cas : vous souhaitez développer votre propre algorithme
Utiliser l’IA générative vous permet ici d’accélérer votre phase de labélisation (image, texte…). Un atout de taille car la labélisation de données représente une part non-négligeable des projets de computer vision et de NLP. Les outils actuels permettent en effet de récupérer une grande quantité de données labélisées. À la clé : la capacité à faire apprendre vos modèles on premise sur ces données en maîtrisant votre algorithme de bout en bout.
2e cas : vous n’avez pas assez de données pour faire apprendre votre LLM
Utilisez l’IA générative pour construire une base d’apprentissage conséquente. En effet, pourquoi ne pas demander à GPT (ou autre) de générer mille façons différentes de formuler une question par exemple, avec des langages et des styles différents. Le côté accélérateur de l’IA générative permet de faire apprendre son propre modèle beaucoup plus rapidement et efficacement.
3e cas : est-il possible de faire un outil mi-privé / mi-ouvert ?
La question se pose dans le cas de fonctionnalités spécifiques à son modèle. Dans ce cas, il sera nécessaire de développer son assistant conversationnel « maison ». En revanche, pour toutes les questions plus génériques, il sera tout à fait possible d’utiliser une solution comme Azure OpenAI. Donc l’IA générative répond ici à une double problématique, mais à travers deux types d’outils différents : l’un développé en interne pour répondre aux intentions prédéfinies dites « privées », c’est-à-dire spécifiques à l’entreprise ; l’autre, de type Azure OpenAI, pour les questions génériques « ouvertes ».
Comment mettre en œuvre une démarche progressive d’IA générative ?
Pour rappel, l’idée de l’IA générative est d’enrichir le modèle petit à petit avec des fonctionnalités et des cas d’usage de plus en plus pertinents. Une démarche qui, contrairement à ce que l’on pourrait croire, n’est pas si simple. Pourquoi ? Parce qu’il n’est pas recommandé d’utiliser un outil comme ChatGPT en entreprise, du fait des problèmes de confidentialité des données.
Il n’est pas recommandé d’utiliser un outil comme ChatGPT en entreprise, du fait des problèmes de confidentialité des données.
1. Le mode « zéro-shot »
La première étape du projet consiste à déployer un équivalent de ChatGPT à l’échelle de l’entreprise, avec un outil qui respecte la confidentialité. Ce sera généralement un Large Language Model (LLM) déjà préconfiguré pour l’entreprise (par exemple : Azure Open AI). Il suffit de reprendre ce LLM et de le mettre à disposition des collaborateurs. C’est ce qu’on appelle un « zéro-shot ». Il s’agit de prendre un modèle générique de LLM, quel qu’il soit, et de le mettre dans des environnements sécurisés pour l’entreprise, voire dans le cloud mais de façon sécurisée.
2. Le « few-shot »
Ici, le bot conversationnel s’appuie sur un contexte et dispose d’un historique de prompts. Nous rentrons donc dans des usages professionnels bien précis. Le « few-shot » consiste à affiner les réponses de l’assistant. À chaque fois que l’on interroge le modèle, on lui donne autant d’éléments contextuels que possible, ce qu’on appelle du prompt engineering concernant la réponse attendue. Les réponses apportées seront donc plus adaptées au vocabulaire et à la problématique de l’entreprise.
3. Les agents
Dans l’évolution suivante, nous allons chercher à interfacer ces modèles dans le fonctionnement de l’entreprise, pour qu’ils puissent être utilisés facilement, sans rupture dans les processus. En plus du contexte, nous ajoutons de la mémoire (indexation) et des actions (outils externes). Notre assistant va donc parcourir ces données indexées en entrée ainsi que la connexion avec les outils externes pour pouvoir renvoyer les réponses par exemple vers une API.
4. L’entraînement / réentraînement
Dernière étape :nous allons alors pouvoir entraîner ou réentraîner voire surentraîner ces IA générales avec tout le langage (l’ontologie) de l’entreprise. Cela nécessite généralement de personnaliser les dernières couches du modèle. L’assistant est alors de plus en plus performant, adapté à l’utilisateur, et interfacé avec les outils internes.
Voilà comment l’IA générative va pouvoir créer progressivement de la valeur dans l’entreprise.
L’IA générative reste donc avant tout un projet d’intelligence artificielle, notamment à travers les phases de développement projet. Comme nombre de projets d’IA, il peut intégrer une grande complexité. Pour se lancer, il est donc recommandé de faire appel à des experts du domaine, se faire accompagner, et de prendre le temps de bien peser le pour et le contre de chaque solution.
👉 Retrouvez toute notre actu en temps réel en nous suivant sur LinkedIn 👈
Votre adresse de messagerie est uniquement utilisée par Business & Decision, responsable de traitement, aux fins de traitement de votre demande et d’envoi de toute communication de Business & Decision en relation avec votre demande uniquement. En savoir plus sur la gestion de vos données et vos droits.