Développement de l’intelligence artificielle générative automatisé

L’intelligence artificielle (IA) a dominé les actualités des affaires 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 encore des défis technologiques importants, ainsi que des difficultés de formation et de procédure à surmonter. Certes, le nombre d’entreprises qui utilisent l’IA continue à augmenter dans le monde entier et dans pratiquement tous les secteurs. Selon le rapport IBM Global AI Adoption Index 2022, l’adoption de la technologie prospère. Il calcule que le taux d’adoption mondiale de l’IA a progressé de manière continue en 2022 et est maintenant de 35 %, soit une hausse 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. «D’une manière générale, c’est un nouveau domaine et il évolue très rapidement», explique Assaf Katan, directeur général des affaires commerciales de Deci, une entreprise israélienne de développement 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 avec une API 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 est limité ». Ce sont les premières décisions à court terme. Ensuite, en regardant sur le long terme, les entreprises doivent envisager le besoin de se développer et les coûts associés. «En regardant sur le long terme, supposons qu’une entreprise veuille développer un service d’IA générative. Ils pensent qu’il peut améliorer les performances, les workflows 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 nécessaire pour l’inférence est énorme. Comment le concevez-vous de manière à ce que, si vous vous développez, vous puissiez toujours faire face aux coûts? »
Avancer l’intelligence artificielle