A la une
Me contacter

 

L’IA générative est une forme d’intelligence artificielle qui vise à générer des données, des images, des textes ou des sons automatiquement à la demande. Le symbole de cette IA est ChatGPT.

Ce « chatbot » (agent conversationnel), assistant virtuel, a offert d’emblée des fonctionnalités nouvelles et très utiles aux chercheurs et communicateurs du savoir :

-Fournir une rédaction organisée en réponse à une question (analyse de sujet, rédaction de livre, scénario de films, etc.).

-Rédiger une description de produit à la demande.

-Proposer des rédactions de lignes de code.

-Rédiger des emails.

-Composer une chanson, une vidéo, une publicité, etc.

 

Le succès foudroyant de ChatGPT, sa polyvalence, l’apparition d’imitateurs, les annonces de progrès en cours de préparation, l’intégration de cette IA dans les applications logicielles existantes, tous ces facteurs conduisent à penser que l’utilisation de l’IA générative va progresser à grande vitesse, créer de nouvelles utilisations dans les entreprises et sans doute, faire évoluer ou améliorer les anciennes utilisations, en particulier les anciens « chatbots » destinés à répondre aux clients.

Il est donc normal que les entreprises cherchent à savoir quelle approche adopter de cette nouvelle AI.

Pour préparer cette approche, McKinsey développe trois thèmes :

-Percevoir l’évolution de l’IA générative et les utilisations possibles.

-Etudier quatre types d’exemples d’utilisation de l’IA générative.

-Donner les éléments d’une stratégie d’IA générative.

 

  1. Percevoir l’évolution de l’IA générative et les utilisations possibles.

 

1.1. L’évolution de l’IA générative

Un écosystème est en train d’émerger pour soutenir la formation à l’IA générative et faciliter son utilisation.

Tous les composants de l’IA générative sont en développement.

Le matériel spécialisé fournit la puissance de calcul considérable nécessaire pour former les modèles.

Les plates-formes cloud offrent la possibilité d’exploiter ce matériel.

Les fournisseurs de modèles de machine learning (MLOps =Machine Learning Operations) et de technologie pour adapter un modèle de base et le déployer dans ses applications d’utilisateur final (Model Hub) se développent.

De nombreuses entreprises entrent sur le marché pour proposer des applications construites sur des modèles de base qui leur permettent d’effectuer une tâche spécifique, comme aider les clients d’une entreprise à résoudre des problèmes de service.

L’IA générative peut servir des utilisations diverses à des coûts divers mais non prohibitifs pour les entreprises qui veulent commencer « petit ».

Une grande partie de l’utilisation de l’IA générative dans une entreprise concernera les informaticiens.

Les systèmes de messagerie fourniront une option pour écrire les premières ébauches de messages.

Les applications de productivité créeront la première ébauche d’une présentation basée sur une description.

Le logiciel financier générera une description en prose des caractéristiques notables dans un rapport financier.

Les systèmes de gestion de la relation client suggéreront des moyens d’interagir avec les clients.

Ces fonctionnalités pourraient accélérer la productivité de chaque travailleur du savoir.

 

1.2. Les utilisations possibles 

L’IA générative peut être utilisée pour automatiser, augmenter et accélérer le travail, en remplissant plusieurs fonctions dans les entreprises, telles que la classification, l’édition, la synthèse, la réponse aux questions et la rédaction de nouveaux contenus.

La classification

Une saisie des descriptions de transactions et des documents concernant un client peut permettre d’identifier les transactions frauduleuses. Un classement des appels des clients selon le degré de satisfaction de l’appelant peut aider un responsable des ventes.

L’édition

On peut éditer et corriger un article pour qu’il corresponde aux attentes d’un client.

Le résumé ou la synthèse

Une vidéo peut résumer les faits saillants d’un évènement ou les points clés d’un discours.

La réponse aux questions

Les employés ou les clients d’une entreprise en recherche d’informations peuvent poser des questions techniques à

« l’expert virtuel » que représente l’application d’IA générative.

Les « brouillons »

Un développeur de logiciels, un musicien, un marketeur, peuvent obtenir un brouillon de programme, de musique ou de message publicitaire sur lequel travailler.

 

  1. Quatre exemples d’utilisation actuelle de l’IA générative.

Ils sont présentés dans l’ordre croissant des exigences en ressources humaines et financières.

 

2.1. Changer le travail du génie logiciel

On peut, ici, utiliser une solution d’IA générative prête à l’emploi pour améliorer la productivité des ingénieurs, en mettant en œuvre un produit de code basé sur l’IA qui s’intègre au logiciel que les ingénieurs utilisent pour coder.

Cela permet aux ingénieurs d’obtenir plusieurs variantes de blocs de code entre lesquels choisir et d’accroitre la productivité jusqu’à 50%.

L’IA générative ne peut pas remplacer le contrôle de qualité et de sécurité assurés par les ingénieurs mais elle peut accroitre sensiblement leur productivité.

Un tel outil est disponible et ne nécessite pas de développement interne important. Il est peu coûteux (les abonnements à frais fixes varient de 10 $ à 30 $ par utilisateur et par mois).

Étant donné que l’outil est purement un logiciel en tant que service (SaaS) prêt à l’emploi, les coûts supplémentaires de calcul et de stockage sont minimes ou inexistants.

 

2.2. Aider les gestionnaires des relations avec le client

Les entreprises peuvent décider de créer leurs propres applications d’IA générative, en tirant parti des modèles de base (via des API) ou des modèles ouverts. Cela sera plus coûteux que l’acquisition de l’outil précédent mais donnera un outil plus conforme aux besoins spécifiques de l’entreprise.

Une grande banque d’affaires a souhaité utiliser l’IA générative pour améliorer la productivité des gestionnaires des relations avec les clients qui consacrent beaucoup de temps à l’examen de documents volumineux et peinent à offrir des services adaptés aux besoins particuliers du client.

La banque a décidé de construire une solution d’IA générative basée sur un modèle de base complété par une API.

La solution numérise les documents et peut rapidement fournir des réponses synthétisées aux questions posées par les managers des relations clients.

Les gestionnaires de la relation avec le client sont également formés pour poser des questions de manière à fournir les réponses les plus précises (appelée ingénierie rapide), et des processus sont mis en place pour rationaliser la validation des extrants et des sources d’information de l’outil.

Dans ce cas, l’IA générative peut accélérer, pour le manager, le processus d’analyse de la relation avec le client (de quelques jours à quelques heures), améliorer la satisfaction au travail et potentiellement capturer des informations qui auraient pu être négligées.

Le coût de développement provient principalement de la construction et des intégrations de l’interface utilisateur, qui nécessitent du temps de la part d’un scientifique des données, d’un ingénieur en apprentissage automatique ou d’un ingénieur de données, d’un concepteur et d’un développeur front-end.

Les dépenses courantes comprennent la maintenance des logiciels et le coût d’utilisation des API. Les coûts dépendent du choix du modèle et des frais du fournisseur tiers, de la taille de l’équipe et du délai nécessaire pour obtenir un produit minimum viable.

 

2.3. Libérer les représentants du support client pour des activités à plus forte valeur ajoutée

Dans le secteur où le service client rapide est un facteur de différenciation concurrentiel, une entreprise utilise un modèle de base optimisé pour les conversations et l’affine sur ses propres chats de réponses spécifiques aux clients

Les représentants du support client de cette société traitent des centaines de demandes entrantes par jour. Les temps de réponse étaient parfois trop élevés, ce qui causait l’insatisfaction des utilisateurs. La société a décidé d’introduire un « chatbot » de service client d’IA générative pour traiter la plupart des demandes des clients. L’objectif était de donner une réponse rapide aux attentes du client et sur un ton adéquat.

Une surveillance continue est nécessaire pour vérifier la performance du système dans plusieurs dimensions, y compris la satisfaction de la clientèle.

Lors de la première étape de la mise en œuvre, le « chatbot » a été testé en interne par les employés.

Une fois que la technologie a été suffisamment testée, la deuxième vague a commencé et le modèle a été déplacé vers des réponses au client sous surveillance d’un représentant.

Dans ce cas, l’IA générative a permis aux représentants du service de se concentrer sur les demandes complexes et de plus grande valeur, d’améliorer l’efficacité, la satisfaction au travail et les normes de service ainsi que la satisfaction des clients.

Le « chatbot » a accès à toutes les données internes sur le client et peut « se souvenir » des conversations antérieures (y compris les appels téléphoniques), ce qui représente un changement radical par rapport aux chatbots clients actuels.

Ce cas d’utilisation nécessitait des investissements matériels dans les logiciels, l’infrastructure cloud et les talents technologiques, ainsi que des degrés plus élevés de coordination interne en matière de risques et d’opérations.

En général, le réglage fin des modèles de base coûte deux à trois fois plus cher que la construction d’une ou plusieurs couches logicielles sur une API.

Les coûts liés au talent et aux tiers pour le cloud computing (en cas de mise au point d’un modèle auto-hébergé) ou pour l’API (en cas de réglage fin via une API tierce) expliquent l’augmentation des coûts.

Pour mettre en œuvre la solution, l’entreprise avait besoin de l’aide d’experts DataOps et MLOps, ainsi que d’autres fonctions telles que la gestion des produits, la conception, le juridique et les spécialistes du service client.

2.4. Accélérer la découverte de médicaments

Les cas d’utilisation de l’IA générative les plus complexes et les plus personnalisés émergent lorsqu’aucun modèle de base approprié n’est disponible et que l’entreprise doit en créer un à partir de zéro.

Cette situation peut survenir dans des secteurs spécialisés ou lorsque l’on travaille avec des ensembles de données qui sont significativement différentes des données utilisées pour former les modèles de base existants, comme le démontre l’exemple pharmaceutique suivant.

La formation d’un modèle de base à partir de zéro présente des défis techniques, d’ingénierie et de ressources considérables mais le rendement devrait l’emporter sur les coûts.

Les chercheurs en découverte de médicaments d’une société pharmaceutique ont dû décider quelles expériences exécuter sur la base d’images de microscopie. Ils disposaient d’un ensemble de données (millions d’images), contenant une mine d’informations visuelles sur les caractéristiques cellulaires pertinentes pour la découverte de médicaments mais difficiles à interpréter pour un humain. Les images ont été utilisées pour évaluer des solutions thérapeutiques potentielles.

La société a décidé de créer un outil qui aide les scientifiques à comprendre la relation entre la chimie des médicaments et les résultats de la microscopie enregistrés, afin d’accélérer les efforts de R&D.

Comme de tels modèles multimodaux en sont encore à leurs balbutiements, l’entreprise a décidé de créer le sien. Pour construire le modèle, les membres de l’équipe ont utilisé à la fois des images du monde réel utilisées pour former des modèles fondamentaux et leur grand ensemble de données d’images internes.

Le modèle entraîné a ajouté de la valeur en prédisant quels médicaments pourraient conduire à des résultats favorables et en améliorant la capacité d’identifier avec précision les caractéristiques cellulaires pertinentes pour la découverte de médicaments. Cela peut conduire à des processus de découverte de médicaments plus efficients et efficaces, non seulement en améliorant le délai de rentabilisation, mais aussi en réduisant le nombre d’analyses inexactes, trompeuses ou échouées.

En général, la création d’un modèle à partir de zéro coûte dix à vingt fois plus cher que la construction d’un logiciel autour d’une API de modèle. Des équipes plus importantes (y compris, par exemple, des experts en apprentissage automatique de niveau doctorat) et des dépenses de calcul et de stockage plus élevées expliquent les différences de coût. Le coût de la création d’un modèle de base varie considérablement en fonction du niveau de performance souhaité et de la complexité de la modélisation. Ces facteurs influencent la taille requise de l’ensemble de données, la composition de l’équipe et les ressources de calcul. Dans ce cas d’utilisation, l’équipe d’ingénierie et les dépenses courantes liées au cloud représentaient la majorité des coûts.

La société a constaté que des mises à jour majeures de son infrastructure et de ses processus technologiques seraient nécessaires. En outre, un travail de traitement des données important a été nécessaire pour la collecte, l’intégration (s’assurer que les fichiers de différents ensembles de données sont dans le même format et la même résolution) et le nettoyage (filtrage des données de mauvaise qualité, suppression des doublons et assurance que la distribution est conforme à l’utilisation prévue). Étant donné que le modèle de fondation a été formé à partir de zéro, des tests rigoureux du modèle final ont été nécessaires pour s’assurer que le résultat était précis et sûr.

 

  1. Eléments d’ne stratégies de mise en œuvre de l’IA générative.

Comme dans beaucoup de domaine de gestion, les choix peuvent se ramener à deux grands types qu’on résumera dans les deux formules suivantes :

– « Faire d’abord petit plutôt que grand »

– « Faire seul ou en collaboration avec un réseau »

 

3.1. Faire d’abord petit ou d’emblée grand 

On peut choisir de mettre en œuvre soit une expérience réduite, cloisonnée, soit un modèle de base à usages multiples.

De nombreuses organisations ont commencé à explorer les possibilités de l’IA par le biais d’expériences cloisonnées. Les raisons d’un tel choix peuvent être diverses : facilité de déploiement du modèle de base de l’IA générative, faibles capacités humaines et techniques, création d’une expérience « phare » à vocation pédagogique et démonstratrice, etc.

Mais l’IA générative est un outil puissant pour transformer le fonctionnement d’une entreprise et si ce choix est fait il nécessite une approche plus délibérée et coordonnée compte tenu de la capacité des modèles de base à étayer plusieurs cas d’utilisation au sein d’une entreprise.

Par exemple, un modèle de base complété et affiné par l’entreprise pourrait servir plusieurs types d’utilisation ; générer des campagnes de marketing personnalisées, des descriptions de produits, des actions de développement commercial, etc.

À cette phase du choix, il importe que la direction crée un groupe interfonctionnel de managers pour identifier et hiérarchiser les types d’utilisation les plus nécessaires ou les plus rentables.

 

3.2. Faire seul ou en collaboration avec un réseau

Il est possible que de grandes entreprises dotés des capacités nécessaires « fassent seule » l’outil adapté à leurs besoins.

Mais les entreprises n’ont pas besoin de créer elles-mêmes toutes les applications ou tous les modèles de base ; elles peuvent s’associer à des fournisseurs et à des experts en IA générative pour agir plus rapidement.

Par exemple, elles peuvent faire équipe avec des fournisseurs de modèles pour les adapter à leur activité ou s’associer à des fournisseurs d’infrastructure qui offrent des capacités de support technique.

 

 

(Source : https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/what-every-ceo-should-know-about-generative-ai)

Autres articles de ce blog portant sur le même thème :

https://outilspourdiriger.fr/les-intelligences-artificielles/

https://outilspourdiriger.fr/lapprentissage-automatique-supervise-ia/

https://outilspourdiriger.fr/les-applications-cognitives-1/

 

Aucune reproduction ne peut être faite de cet article sans l’autorisation expresse de l’auteur.  A. Uzan. 2/07/2023.