Analyse du rapport Scale Zeitgeist: Préparation à l'IA en 2023
Introduction
Le Scale Zeitgeist est un rapport annuel qui analyse les tendances et les défis liés à l'adoption de l'intelligence artificielle (IA) dans les entreprises et les gouvernements. La deuxième édition de ce rapport repose sur une enquête menée auprès de plus de 1 600 dirigeants et praticiens du machine learning. L'objectif est d'identifier les meilleures pratiques pour déployer l'IA et créer un réel impact sur les activités.
Les modèles d'IA générative, tels que GPT-4 d'OpenAI, ont suscité un intérêt croissant parmi les organisations, avec 72 % des répondants prévoyant d'augmenter leurs investissements dans l'IA cette année. Cependant, les entreprises et les gouvernements rencontrent encore des difficultés pour adopter cette technologie.
Tendances de l'adoption de l'IA
En 2022, les modèles d'IA générative ont connu des avancées majeures, incitant 65 % des entreprises à accélérer leurs stratégies d'IA existantes ou à en créer de nouvelles. Cependant, malgré l'intérêt pour ces modèles, seulement 21 % des entreprises les ont intégrés dans leurs activités.
Pour tirer pleinement parti des modèles d'IA générative, les entreprises doivent disposer d'une expertise en machine learning, d'infrastructures de réglage fin et de ressources pour effectuer un apprentissage par renforcement à partir des retours humains (RLHF) à grande échelle.
La majorité des entreprises prévoient d'utiliser des modèles génératifs open-source (41 %) ou des API cloud (37 %), tandis qu'une minorité (22 %) envisage de créer ses propres modèles.
Cas d'utilisation par secteur
L'IA est utilisée pour améliorer l'expérience client (61 %), optimiser l'efficacité opérationnelle (56 %) et augmenter la rentabilité (50 %). Les entreprises qui adoptent l'IA bénéficient de la capacité à développer de nouveaux produits ou services (89 %), améliorer l'expérience client (78 %) et favoriser une meilleure collaboration entre les fonctions commerciales (76 %).
Cependant, les entreprises qui mettent en œuvre l'IA uniquement pour répondre à la demande des actionnaires ou des investisseurs obtiennent de moins bons résultats en termes d'expérience client, de revenus et de rentabilité. Il est donc essentiel d'aligner les objectifs de l'implémentation de l'IA sur les priorités de l'entreprise et de s'assurer que l'IA est une solution adaptée à un problème spécifique.
Défis et meilleures pratiques en matière de données
Les entreprises rencontrent des défis liés à la collecte, la gestion et la sécurisation des données pour l'entraînement des modèles d'IA. Les meilleures pratiques en matière de données comprennent la mise en place de stratégies de gouvernance des données, l'utilisation de la confidentialité différentielle et la garantie de la qualité des données.
Évaluation des modèles
L'évaluation des modèles d'IA est cruciale pour mesurer leur performance et leur alignement sur les objectifs commerciaux. Les entreprises doivent adopter des métriques appropriées pour évaluer leurs modèles et effectuer des tests réguliers pour garantir leur pertinence et leur efficacité.
Modèles génératifs et leur évolution
Les modèles génératifs ont évolué rapidement ces dernières années, passant de modèles plus petits tels que BERT (2018) avec 240 millions de paramètres, à des modèles beaucoup plus grands comme PaLM (2022) avec 540 milliards de paramètres. Cette augmentation de taille a permis aux modèles d'offrir des performances nettement supérieures et de s'adapter à un large éventail de cas d'utilisation.
L'adoption de l'IA générative par les entreprises
Les entreprises investissent de plus en plus dans l'IA générative, avec 72 % d'entre elles prévoyant d'augmenter leurs investissements dans ce domaine chaque année pendant les trois prochaines années. Les modèles génératifs offrent de nombreux avantages, notamment l'amélioration de l'expérience client, le développement de nouveaux produits et services et une meilleure collaboration entre les différentes fonctions de l'entreprise.
Cependant, l'adoption de l'IA générative n'est pas sans défis. Les entreprises doivent s'assurer qu'elles disposent des compétences, des logiciels et des outils nécessaires pour réussir dans la mise en œuvre de leur stratégie d'IA. Le rapport souligne que les entreprises ont généralement le soutien de la direction, une stratégie et une vision claires, ainsi qu'un budget suffisant, mais qu'elles manquent souvent d'expertise et de ressources pour tirer pleinement parti de l'IA générative.
L'importance de l'apprentissage par renforcement à partir des retours humains (RLHF)
L'apprentissage par renforcement à partir des retours humains (RLHF) est une méthode de formation des modèles d'IA qui a gagné en popularité ces dernières années. Le RLHF permet d'entraîner les modèles à partir des retours d'utilisateurs humains, ce qui conduit à des modèles mieux alignés sur les préférences humaines et capables de générer des réponses plus détaillées et factuelles.
Les entreprises qui adoptent l'IA générative doivent également s'assurer qu'elles utilisent le RLHF pour garantir que les réponses des modèles sont conformes à leurs politiques et à leur image de marque.
Les compétences clés nécessaires pour réussir avec l'IA générative
Le rapport souligne plusieurs compétences clés dont les entreprises ont besoin pour réussir dans l'adoption de l'IA générative:
L'expertise en apprentissage automatique (ML) : Les entreprises doivent investir dans le développement des compétences en ML pour tirer pleinement parti des modèles génératifs.
La maîtrise des outils logiciels : Les entreprises ont besoin d'outils logiciels et de plateformes adaptées pour mettre en œuvre et déployer des modèles génératifs. Sélectionner, normaliser et mettre à jour ces outils est un défi pour les entreprises sans équipes dédiées pour suivre les évolutions technologiques.
ChatGPT : un exemple d'adoption réussie
ChatGPT est un grand modèle de langage conçu spécifiquement pour la génération de texte conversationnel. Grâce à l'utilisation du RLHF, ChatGPT est devenu un chatbot performant, atteignant 1 million d'utilisateurs en seulement cinq jours et comptant désormais plus de 100 millions d'utilisateurs.
L'ingénieur de prompts : un nouveau rôle clé
Le rôle d'ingénieur de prompts est apparu en 2022 pour aider les équipes de machine learning à créer des entrées en langage naturel optimisées pour obtenir des réponses plus cohérentes et fiables des modèles génératifs. Les ingénieurs de prompts s'assurent que les réponses des modèles sont alignées sur les directives et la voix de l'organisation et contribuent à résoudre les vulnérabilités des modèles.
Perspectives pour 2023
Augmentation des investissements en IA
72% des entreprises prévoient d'augmenter leurs investissements en IA chaque année pendant les trois prochaines années. Les modèles génératifs, de plus en plus performants et accessibles, accélèrent l'adoption de l'IA.
Amélioration des capacités des modèles génératifs
De nombreuses organisations développent leurs propres modèles génératifs, les intégrant dans des moteurs de recherche et les associant à d'autres outils pour créer de puissants instruments de travail. Les modèles deviendront également multimodaux, capables de traiter et de générer du texte, des images et des vidéos.
Accessibilité généralisée des modèles génératifs
L'adoption de l'IA générative deviendra la norme, à l'instar du cloud computing. Les entreprises qui tarderont à adopter cette technologie seront laissées pour compte.
Les données propriétaires débloquent le potentiel des modèles génératifs
Les modèles génératifs de base sont déjà des outils précieux. Toutefois, lorsqu'ils sont associés aux données propriétaires d'une entreprise, ils deviennent de véritables différenciateurs, améliorant l'expérience client, le développement de produits et la rentabilité.
Adoption de l'IA par secteur
Le rapport souligne que chaque secteur prévoit d'augmenter ses budgets IA au cours des trois prochaines années. Les industries en tête de liste sont :
- Logistique et chaîne d'approvisionnement : 79 %
- Santé et sciences de la vie : 75 %
- Assurance : 80 %
- Services financiers : 77 %
- Commerce de détail et commerce électronique : 74 %
Cas d'utilisation par industrie
Bien que toutes les industries augmentent leurs budgets IA, chaque secteur a des cas d'utilisation uniques.
Assurance
Les compagnies d'assurance utilisent l'IA pour améliorer l'expérience client et l'efficacité opérationnelle. Ils adoptent l'IA pour améliorer le traitement des réclamations, la détection des fraudes et l'évaluation/la souscription des risques. En particulier, l'IA peut aider à réduire le temps de traitement des réclamations et les erreurs de traitement, améliorant ainsi l'expérience client et l'efficacité opérationnelle.
Commerce de détail et commerce électronique
Les entreprises de commerce de détail et de commerce électronique utilisent l'IA pour accroître leurs revenus, améliorer l'expérience client et augmenter l'efficacité opérationnelle. Elles adoptent l'IA pour améliorer l'expérience client grâce à des chatbots plus performants, améliorer l'efficacité opérationnelle grâce à des opérations de contenu et de marketing plus productives basées sur des images et des descriptions de produits générées par l'IA, et optimiser la gestion des stocks, les prévisions, les achats et la tarification.
Services financiers
Les entreprises de services financiers utilisent l'IA pour améliorer l'expérience client, augmenter les revenus et améliorer l'efficacité opérationnelle. Elles adoptent l'IA pour améliorer la recherche d'investissement, la détection des fraudes, l'automatisation des processus orientés client et les chatbots personnalisés. L'IA est notamment appliquée à la recherche d'investissement pour résumer le contenu, détecter les tendances et classer les sujets, améliorant ainsi les décisions d'investissement, les revenus et l'efficacité opérationnelle.
Logistique et chaîne d'approvisionnement
Les entreprises de logistique et de chaîne d'approvisionnement adoptent l'IA pour améliorer l'efficacité opérationnelle, l'expérience client et la croissance des revenus. Elles utilisent l'IA pour une meilleure gestion des stocks et des prévisions de demande, une optimisation des itinéraires, le déploiement de véhicules autonomes et l'amélioration du traitement des documents. Ces outils ont un impact direct sur l'efficacité opérationnelle, qui se répercute sur l'expérience client, avec des livraisons fiables et moins de retards.
Pour la gestion des stocks et les prévisions de demande, les entreprises de logistique et de chaîne d'approvisionnement adoptent l'IA pour réduire les coûts, améliorer la satisfaction des clients et améliorer la précision des prévisions. En ce qui concerne la planification des itinéraires, l'IA peut contribuer à améliorer l'efficacité, réduire les coûts, améliorer la précision des livraisons et réduire les temps d'expédition. Cela se traduit directement par une amélioration de l'efficacité opérationnelle et de l'expérience client, et indirectement par une croissance des revenus.
Modèles génératifs
Les modèles génératifs, tels que BERT, GPT-3, Stable Diffusion, BLOOM et T5/FLAN, sont de plus en plus utilisés par les entreprises. Cependant, le paysage des modèles génératifs évolue rapidement, avec le développement de modèles plus puissants, comme GPT-4.
Les entreprises utilisent principalement des modèles génératifs pour améliorer l'expérience client, optimiser l'efficacité opérationnelle et accroître la rentabilité. Les modèles génératifs deviennent de plus en plus utiles et accessibles, les rendant indispensables pour les stratégies commerciales.
Défis liés aux données
Pour tirer le meilleur parti des modèles génératifs, les entreprises doivent affiner ces modèles en utilisant leurs propres données et connaissances. Les défis majeurs pour l'affinage des modèles génératifs sont l'acquisition des données d'entraînement et l'infrastructure nécessaire pour le machine learning.
Les problèmes liés à la qualité des données demeurent le principal défi pour les entreprises qui préparent des données d'entraînement pour les modèles. Les entreprises cherchent à accélérer le processus d'étiquetage des données, mais cela reste difficile à réaliser.
Meilleures pratiques en matière de données
Les entreprises qui investissent dans une bonne infrastructure d'annotation des données peuvent déployer de nouveaux modèles, former des modèles existants et les mettre en production plus rapidement.
La combinaison de l'étiquetage automatisé et de l'étiquetage avec intervention humaine est recommandée comme meilleure pratique, car elle dépasse presque toujours la précision et l'efficacité de l'une ou l'autre méthode utilisée seule.
Évaluation des modèles
L'évaluation des performances des modèles génératifs est un élément essentiel pour les entreprises qui déploient des systèmes de machine learning. Mesurer l'impact commercial des modèles reste un défi, en particulier pour les startups et les très petites entreprises.
Les entreprises de plus grande taille prennent généralement plus de temps pour identifier les problèmes liés aux modèles. Il est donc crucial pour les entreprises en croissance de continuer à affiner leurs pratiques en matière de MLOps (Machine Learning Operations), d'utiliser des outils de curation des données qui les aident à identifier les cas limites et de surveiller leurs modèles tout en continuant à mesurer leur impact commercial.
Conclusion
L'IA générative transforme rapidement le monde, et les entreprises doivent comprendre comment adopter cette technologie rapidement ou être laissées pour compte. Les modèles génératifs auront un impact considérable sur l'économie et les industries telles que nous les connaissons.
Les entreprises qui adoptent l'IA bénéficient d'une meilleure capacité à développer de nouveaux produits ou services, d'une expérience client améliorée et d'une meilleure collaboration entre les différentes fonctions commerciales, en plus d'une amélioration des revenus et de la rentabilité.
Les entreprises utilisent encore largement des modèles non génératifs tels que BERT, mais réalisent qu'elles doivent adopter des modèles génératifs plus avancés pour rester compétitives. Les entreprises qui peaufinent les modèles de base rencontrent des défis majeurs dans l'acquisition de données d'entraînement, l'infrastructure de machine learning et la comparaison d'expériences entre différents modèles.
L'évaluation humaine a remplacé les benchmarks comme méthode par défaut pour analyser les grands modèles génératifs et déterminer leur efficacité dans une entreprise spécifique. Les entreprises et les gouvernements doivent tirer parti de leurs données uniques pour libérer le potentiel complet des modèles génératifs.
En conclusion, le Scale Zeitgeist: 2023 AI Readiness Report souligne l'importance croissante des modèles génératifs dans le paysage de l'intelligence artificielle et met en évidence les défis et les opportunités auxquels les entreprises sont confrontées pour adopter ces technologies. Les entreprises qui souhaitent réussir dans cet environnement en évolution rapide doivent investir dans l'expertise, les outils et les infrastructures nécessaires pour intégrer efficacement l'IA générative dans leurs opérations et leur stratégie commerciale.
Source : Zeitgeist
