Les impacts de l’IA générative, objets de cet article (de source Microsoft), visent à repérer les profonds que cette technologie tend à provoquer dans les capacités de créativité de tous les secteurs d’activité.
On présentera successivement les capacités nouvelles données par l’IA générative, ses lacunes, puis, sommairement, ses fondements techniques.
- Les capacités données par l’IA générative.
1.1. Les capacités générales.
L’IA générative rend chacun capable de réaliser les opérations suivantes, après formation.
-générer une réponse structurée à sa question mais aussi, de façon générale, générer des textes visant à informer ou à promouvoir.
-créer des images pour son plaisir ou pour sa profession (conception graphique, jeux vidéo, production de films, marketing et promotion.
– produire des documents audiovisuels, pour illustrer la parole, composer de la musique, créer des effets sonores, lancer des campagnes publicitaires.
– génération du code informatique, pour améliorer un programme ou en créer un nouveau, facilitant ainsi le développement de sites et l’expérience clients en ligne.
-synthétiser des données multiples pour les besoins des études, par exemple, dans le domaine du marketing.
1.2. Les capacités nouvelles pour l’industrie.
L’IA générative rend les industries capables de réaliser plus facilement les opérations suivantes, après formation et équipement.
-Dans le secteur de la santé, faciliter la prédiction des résultats médicaux et la personnalisation des plans de traitement. En outre, des modèles formés à partir de textes médicaux peuvent aider à préparer des rapports d’essais cliniques précis. La capacité de la technologie à comprendre et à générer du contenu technique
-Dans le domaine de la finance, faciliter l’évaluation des risques et la personnalisation des services bancaires.
-Dans les domaines de l‘art, de la musique et de la littérature, faciliter l’inspiration et la créativité.
-Dans le domaine du marketing, faciliter la création de contenu personnalisé (promotion, contenu de site, etc.) et l’efficacité des agents conversationnels (« chatbots »). Cette fonctionnalité est particulièrement utile pour le marketing et les communications avec les clients, où il est crucial de maintenir une voix de marque cohérente.
En s’appuyant sur les données de communication historiques d’une entreprise, l’IA peut générer du contenu qui correspond au ton, au style et aux stratégies d’engagement du public de la marque. De plus, il peut s’adapter à différents styles selon les besoins, un peu comme un chef polyvalent qui peut cuisiner différentes cuisines pour répondre à divers goûts et préférences culturelles.
-Dans le domaine de la création de textes, la capacité de l’IA générative à produire du texte cohérent et pertinent sur le plan contextuel a de nombreuses applications dans les entreprises. Par exemple, il peut générer des descriptions de produits, des textes marketing ou des articles de presse avec peu ou pas d’intervention humaine, ce qui accélère considérablement le processus de création de contenu.
– Dans le domaine de l’efficacité opérationnelle et de la logistique, faciliter la prévision de la demande et la construction de scénarios d’approvisionnement.
-Dans le domaine des ressources humaines, faciliter l’analyse des descriptions de poste et des données des candidats et rationaliser le processus de recrutement.
-Dans la formation, en outre, faciliter les expériences d’apprentissage personnalisées.
-Dans la gestion de documents et de la rédaction technique, faciliter la reproduction du formatage, le style et le langage technique nécessaires à différents secteurs d’activité.
1.3. Des capacités nouvelles pour les fonctions.
L’IA générative offre des avantages considérables dans diverses fonctions de l’entreprise, en améliorant la productivité, la prise de décisions et l’engagement des clients.
Ce n’est un secret pour personne que l’IA générative a considérablement transformé diverses fonctions sur le lieu de travail. De l’automatisation des tâches routinières à l’amélioration des processus créatifs, ces systèmes utilisent de vastes quantités de données pour créer de nouveaux contenus, faire des prédictions et même prendre des décisions.
Dans de nombreux secteurs, les outils d’IA générative sont employés pour rationaliser les opérations et améliorer la productivité.
Par exemple, en création de contenu, l’IA peut produire des ébauches, suggérer des modifications et générer des idées créatives, ce qui permet aux responsables de se concentrer sur des aspects plus stratégiques de leur travail.
De même, dans le développement de logiciels, l’IA peut écrire du code, déboguer, et même tester des logiciels, en rationalisant le processus de développement et en réduisant les délais de mise sur le marché.
Ces capacités optimisent non seulement l’efficacité, mais offrent également des économies de coûts significatives et une évolutivité pour les entreprises en croissance.
Cependant, Le recours à l’IA peut entraîner des déplacements d’emplois à mesure que les rôles traditionnellement échoués par les humains deviennent automatisés.
- Les lacunes potentielles de l’IA générative.
Malgré son potentiel révolutionnaire, l’IA générative n’est pas sans pièges et lacunes qui soulèvent plusieurs risques, défis et considérations éthiques qui doivent être gérés avec soin.
Les logiciels d’IA générative sont le résultat d’entrainement. Dès lors, des erreurs peuvent survenir lorsque l’IA rencontre des données ou des demandes hors de son champ d’entraînement. De plus, l’IA est susceptible de renforcer ou d’amplifier les biais présents dans les données de formation, entraînant des résultats injustes ou des dilemmes éthiques.
Une lacune importante de l’IA générative a été mise en évidence lors de l’utilisation du GPT-3 d’OpenAI pour générer un conseil médical parce qu’il n’avait pas la compréhension nuancée et le jugement éthique requis dans les soins de santé mentale.
Le déploiement de l’IA générative sans suivi humain adéquat présente des risques.
Les résultats peuvent être incohérents lorsqu’il est nécessaire d’avoir une compréhension profonde ou une intelligence émotionnelle.
Les modèles d’IA apprenant à partir de données, ils acquièrent des biais ; par exemple il peut en résulter des pratiques discriminatoires entre groupe démographique, en particulier dans l’emploi.
D’autre part, si la confidentialité des données personnelles n’est pas assurée, le modèle peut nuire à la réputation des personnes concernées et désinformer.
Des risques et surtout le manque de transparence du processus peut entraîner des problèmes de fiabilité, en particulier dans la santé ou la finance. Et lorsque des erreurs se produisent, il est difficile de déterminer qui est responsable, les développeurs de l’IA, les utilisateurs ou l’IA elle-même.
Malgré leurs capacités, les systèmes d’IA générative manquent souvent de raisonnement de bon sens, d’une capacité humaine de base de faire des jugements pratiques sur les situations de tous les jours.
L’IA peut générer des réponses ou un contenu à l’apparence plausible qui, après un examen plus approfondi, s’avère absurde ou peu pratique.
La mise en œuvre de l’IA générative dans l’entreprise comporte divers obstacles : le défi technique que représente l’intégration de l’IA dans les systèmes informatiques existants, la nécessité d’un investissement important dans la technologie et la formation, et l’obligation permanente de mettre à jour et d’entretenir les systèmes d’IA pour s’adapter aux nouvelles données ou à l’évolution des conditions.
Pour réduire les dommages potentiels et garantir un déploiement éthique de l’IA, il est crucial d’adhérer à des lignes directrices telles que celles établies par les grandes entreprises technologiques, notamment Microsoft.
Ces lignes directrices mettent l’accent sur l’équité, la fiabilité, la confidentialité, l’inclusivité, la responsabilité et la transparence.
Les organisations doivent s’engager à tester et auditer rigoureusement les systèmes d’IA pour identifier et corriger les biais, protéger la confidentialité des données et s’assurer que les systèmes d’IA fonctionnent comme prévu sans enfreindre les normes éthiques.
Le bénéfice du potentiel des technologies de l’IA ne doit pas faire oublier le respect des valeurs humaines et des normes sociales.
- Les fondements techniques de l’IA génératrice.
Mieux comprendre et exploiter l‘IA générative exige de connaitre, même sommairement, ses fondements techniques.
3.1. Les apprentissages de l’IA générative
Les produits de l’IA générative résultent principalement de deux types d’apprentissage ; l’apprentissage supervisé et l’apprentissage non supervisé ou automatique
Dans l’apprentissage supervisé, les modèles sont entraînés à réaliser le lien entre données d’entrée et les données de sorties souhaitées ; par exemple, à générer des résumés de texte en « apprenant » à partir d’un ensemble d’articles associés à leurs résumés respectifs.
Dans l’apprentissage non supervisé, le logiciel découvre des modèles et des relations parmi les données choisies, ce qui lui permet de créer du contenu sans modèle et des applications plus adaptatives.
3.2. Les réseaux de neurones
En fait, ce sont les réseaux de neurones qui sont au cœur de l’IA. L’apprentissage « profond » (Deep learning) est une branche de l’apprentissage automatique qui utilise des réseaux de neurones artificiels à plusieurs couches, appelés réseaux de neurones profonds. Ces réseaux sont capables « d’apprendre » à partir de grandes quantités de données non structurées, ce qu’ils réalisent grâce à une structure inspirée du cerveau humain.
Les réseaux neuronaux sont particulièrement importants dans des domaines tels que la vision artificielle, la reconnaissance vocale et le traitement automatique des langues où ils peuvent reconnaître des modèles et des nuances complexes mieux que les algorithmes traditionnels.
Les réseaux antagonistes génératifs (GAN) sont une classe d’algorithmes d’IA, caractérisés par leur structure composée d’un générateur et d’un discriminateur. Lors de l’entraînement, le générateur produit des données et le discriminateur apprend à mieux distinguer les données réelles des données générées. Les applications de ces réseaux sont la génération d’images, la création de vidéos et la synthèse vocale.
3.3. Les transformateurs.
Les modèles de langage tels que GPT-3 utilisent des architectures de transformateurs, qui s’appuient sur des mécanismes « d’attention personnelle » pour traiter des séquences de données telles que des phrases de manière à prendre en compte le contexte fourni par d’autres parties de la séquence. Cela est essentiel pour générer un texte cohérent et adapté au contexte.
Ces modèles sont pré-entraînés sur une grande variété de textes Internet et ajustés pour des applications spécifiques, ce qui leur permet de créer des articles, des blogs et d’autres supports écrits de haute qualité.
La personnalisation de la « sortie » prend appui sur la collecte des données disponibles sur l’utilisateurs (sites Web, applications et réseaux sociaux) et des logiciels spécialisés extraient des informations qui alimentent un moteur de personnalisation qui génère des recommandations, du contenu et des communications personnalisés.
Les transformateurs jouent un rôle important dans l’apprentissage automatique, en particulier dans le traitement automatique des langues NLP. Les transformateurs utilisent un mécanisme connu sous le nom « d’auto-attention » pour peser l’importance de chaque mot dans une phrase, quelle que soit sa position.
Cette conception a joué un rôle fondamental dans le développement de modèles permettant d’obtenir des résultats : notamment en traduction automatique, résumé de texte, analyse des sentiments, mages et musique.
3.4. Transformateurs génératifs pré entraînés
Les transformateurs génératifs pré entraînés (GPT) sont des modèles pour la compréhension et la génération de langage naturel.
Ces modèles sont d’abord pré entraînés sur une gamme variée de textes Internet afin de développer une large compréhension de la structure et du contexte du langage. Le pré-entraînement implique un apprentissage non supervisé, où le modèle prédit le mot suivant dans une phrase sans corrections étiquetées par l’homme. Cela permet aux modèles GPT de générer des séquences de texte cohérentes et adaptées au contexte, sur la base des invites qui leur sont données. Une fois pré-entraînés, les modèles GPT peuvent être affinés sur des tâches spécifiques telles que la traduction, la réponse aux questions et le résumé, ce qui améliore leur applicabilité dans divers domaines.
Leur capacité à générer des textes semblables à ceux des humains et à effectuer des tâches linguistiques a des implications dans des domaines tels que l’écriture assistée par l’IA, les agents conversationnels et la création de contenu automatisée. Chaque version de GPT a été plus grande, plus complexe et plus productive.
3.5. Le traitement du langage naturel (NLP).
C’est une discipline qui porte sur la compréhension, la manipulation et la génération du langage naturel par les machines. Il permet aux ordinateurs de comprendre le langage humain. L’objectif du NLP est de lire, déchiffrer, comprendre et donner un sens aux langues humaines d’une manière qui soit utile. Le NLP est utilisé dans une variété d’applications, telles que les « chatbots » automatisés, les services de traduction, le filtrage des courriels et les systèmes de positionnement global (GPS) à commande vocale.
Source : https://www.coursera.org/learn/business-analysis-fundamentals/home/module/1
Pour aller plus loin :
https://outilspourdiriger.fr/lia-generative-selon-mckinsey/
https://outilspourdiriger.fr/lia-generative-pour-le-drh-selon-mckinsey/
https://outilspourdiriger.fr/lapprentissage-automatique-supervise-ia/
https://outilspourdiriger.fr/lia-dans-la-relation-client-selon-capgemini/
Aucune reproduction ne peut être faite de cet article sans l’autorisation expresse de l’auteur. A. Uzan. 17/11/2024