Développement de l’intelligence artificielle générative automatisé

Les entreprises ont de plus en plus recours à l’intelligence artificielle (IA) et à l’IA générative, ce qui a dominé les actualités concernant les affaires et la technologie ces derniers temps. Cependant, pour les entreprises qui commencent à utiliser l’IA ou à l’étendre, il reste des défis technologiques importants à surmonter, ainsi que des difficultés de formation et de procédure. Il est certain que le nombre d’entreprises utilisant l’IA continue d’augmenter à travers le monde et dans pratiquement tous les secteurs. Selon le rapport IBM Global AI Adoption Index 2022, l’adoption de cette technologie est en plein essor. Il est calculé que le taux d’adoption mondiale de l’IA a progressé de façon constante en 2022 et est maintenant de 35 %, soit une augmentation de quatre points par rapport à l’année précédente. Et 42 % des personnes interrogées ont déclaré qu’elles envisageaient de commencer à utiliser l’IA. « En général, c’est un nouveau domaine et il évolue très rapidement », explique Assaf Katan, directeur des affaires commerciales de Deci, un développeur israélien de l’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. Est-ce que je veux développer mes propres capacités en interne, travailler avec des modèles open source et les modifier moi-même ; ou est-ce que je veux travailler à travers une 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 les coûts associés. « En regardant à plus long terme, supposons qu’une entreprise veuille développer un service d’IA générative. Ils pensent qu’il peut améliorer les performances, les flux de travail et qu’il sera évolutif », 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 construire de manière à ce que, si vous passez à l’échelle, vous puissiez toujours gérer les coûts ? »
Avancer l’intelligence artificielle