Une IA Ethique pour transformer votre business
Un pas à pas très clair pour monter les marches une à une : prompt engineering, eval, RAG, Fine-tune, complementary agents. Ça commence par une grosse déception après l’excitation des premiers tests…
Souvent une idée fausse des personnes sceptiques de l’IA : elle ne pourrait pas faire des tâches vraiment humaines. C’est l’inverse pour l’instant : l’IA bloque sur des tâches pourtant simples, mais peut simuler plus d’empathie qu’un humain.
Clairement un acteur à suivre à la fois sur sa stratégie d’IA Open (source) et fermées (comme les OpenAI and co). La liste d’investisseurs est impressionnante et le besoin de financement évident pour les modèles de fondation. C’est aussi une réussite formidable pour une start-up française et il en faudrait plus. Mais on reste un peu dubitatif quand même sur la notion de souveraineté poussée au début par Mistral (et Macron). Cette boîte est entrée dans la cour des grandes et ne sera probablement plus utile pour son pays d’origine
Un rappel (contraire au marketing ambiant) : le RAG n’est pas la panacée. Grâce à lui un LLM fait moins d’erreurs, mais il en fait toujours. Cette étude qui teste les solutions professionnelles dans le juridique montre un taux d’erreur entre 17 et 33%. Les éditeurs rappellent à raison que le but n’est pas de remplacer les juristes, mais de les aider. Mais important de garder ce point en tête : l’IA générative n’atteint pas l’exactitude (et ce n’est pas son but).
Nvidia devient la deuxième société la mieux valorisée du monde, faisant passer Apple en troisième position. Apple était en première position avant l’IA. C’était déjà fait dépasser par Microsoft (l’insulte !). Et comme Google, paie cher son manque d’exécution. Mais l’histoire n’est jamais finie… En tout ça montre qu’une belle bulle est en train de se former. Chouette !! On va revivre les années 2000 !
Enfin, on s’en approche des Agents, les vrais : qui analyse une donnée, prend des décisions et fait des actions. Mais ça ne passe pas par les LLM et leurs hallucinations, pas assez fiables. Un nouveau modèle de “World Knowledge model” (WKM) fait surface. A suivre !
La surprise vient plus du fait qu’un LLM générique comme chat GPT4 est plus efficace que du machine learning traditionnel et spécialisé sur ces sujets. On rappelle aussi que les LLM sont à l’aise avec les textes, beaucoup moins avec les chiffres. Ça peut donc aider les analystes, mais encore une fois pas les remplacer
Un enseignement du cas Google, qui introduit l’IA dans son moteur de recherche : une IA générative (Gen AI) peut se tromper. Même s’il est facile de s’amuser des erreurs présentées, cela doit surtout nous faire réfléchir sur le fait que ces erreurs proviennent souvent de la qualité des données d’entraînement et de l’incapacité de l’IA à comprendre réellement le contenu qu’elle ingère. La Gen AI fonctionne, et fonctionnera encore probablement un temps, dans des domaines où l’erreur est permise, voire un avantage, comme dans la créativité. Mais elle n’est pas (encore) adaptée là où les résultats doivent être 100 % exacts et exhaustifs.
Il est toujours utile de rappeler que les créateurs de LLM ne comprennent pas entièrement ce qui se passe à l’intérieur de la ‘boîte noire’. Ainsi, Anthropic a étudié comment son modèle associe les concepts. Il est également important de rappeler qu’OpenAI a découvert que plus un modèle est alimenté en données, plus il semble devenir intelligent. Cette compréhension est indispensable pour savoir comment exploiter les modèles dans nos activités…
Petit rappel pour ne pas confondre les deux concepts : L’IA générative est utilisée pour générer du contenu nouveau : textes, images, vidéos, lignes de code, musique, etc. Quant à l’IA prédictive, elle est utilisée pour prédire les événements futurs.