L’automatisation du développement de l’intelligence générative

L’intelligence artificielle (IA) a dominé les actualités des entreprises et de la technologie ces derniers temps, en particulier avec l’émergence de technologies d’IA générative comme ChatGPT. Mais pour les entreprises qui commencent ou élargissent leur utilisation de l’IA et de l’IA générative, il reste des défis technologiques importants, ainsi que des difficultés de formation et de procédure à surmonter. Certes, le nombre d’entreprises utilisant l’IA continue de s’accroître dans le monde entier et dans pratiquement tous les secteurs. Selon le rapport IBM Global AI Adoption Index 2022, l’adoption de la technologie se développe. Il estime que le taux d’adoption mondial de l’IA a progressé de façon constante en 2022 et s’établit maintenant à 35 %, soit une hausse de quatre points par rapport à l’année précédente. Et 42 % des répondants à son enquête ont déclaré qu’ils envisageaient de commencer à utiliser l’IA. « D’une manière générale, c’est un nouveau domaine qui évolue très rapidement », explique Assaf Katan, directeur général des activités commerciales de Deci, une entreprise israélienne de développement d’AT. « Il y a une combinaison de défis à court et à long terme. A court terme, il s’agit vraiment de choisir votre chemin. Dois-je développer des capacités en interne, travailler avec des modèles open source et les modifier moi-même; ou dois-je travailler par API avec quelque chose comme Open AI? Ensuite, je n’ai pas besoin d’être super compétent, mais aussi mon niveau de contrôle sur les performances du modèle et ma capacité à le personnaliser tout en garantissant la confidentialité des données sont limités. » Ce sont les premières décisions à court terme. Ensuite, en regardant plus loin, les entreprises doivent envisager la nécessité de passer à l’échelle et le coût de cette opération. « En regardant à plus long terme, supposons qu’une entreprise veuille créer un service d’IA générative. Ils croient qu’il peut améliorer les performances, améliorer les flux de travail et l’adapter à l’échelle », explique Katan. « Ils devront réfléchir aux implications du passage à l’échelle de l’utilisation du modèle qui alimente leur solution. Ces modèles génératifs sont énormes, avec des billions de paramètres, donc la puissance de calcul dont ils ont besoin pour l’inférence est énorme. Comment le concevoir de manière à ce que, si vous le mettez à l’échelle, vous puissiez toujours faire face aux coûts? »
Avancer l’intelligence artificielle