L'IA aura besoin de données…

Fidèle à sa ligne établie depuis quelques années, Gartner prédit que, à l'avenir, les entreprises emploieront majoritairement des modèles d'intelligence artificielle spécialisés plutôt que les grand modèles de langage qui ont le vent en poupe aujourd'hui. Encore faudra-t-il que, au préalable, elles mettent en place les fondations nécessaires…

Le raisonnement tenu par les analystes est parfaitement logique. Les outils génériques disponibles actuellement sur le marché sont performants dans des domaines communs – notamment ceux qui captent l'attention du grand public – mais ils montrent rapidement leurs limites quand ils sont exploités dans un contexte professionnel où les expertises sont primordiales. Or ces baisses de pertinence se traduisent par une fréquence croissante des hallucinations, repoussoir absolu pour les institutions financières.

Le remède consiste à intégrer les connaissances du champ d'application envisagé afin de transformer le robot omniscient (mais de manière superficielle) en un assistant hautement qualifié dans un métier déterminé. Plusieurs méthodes permettent déjà de réaliser cet exercice d'affinage sur les solutions existantes, entre « RAG » (pour « Retrieval-Augmented Generation » ou « Génération Augmentée de Récupération ») et autres techniques de mise au point affutée lors de la création des modèles.

Au-delà des seuls gains de qualité et de justesse, les approches personnalisées apportent d'autres bénéfices substantiels. La réduction de leur périmètre de compétences s'accompagne d'exigences plus modestes en termes de puissance de calcul, induisant une meilleure maîtrise des coûts d'exploitation et de leur impact environnemental, ainsi que la faculté de les déployer sur les terminaux des utilisateurs (les téléphones des clients…). La maintenance est également plus facile à assurer.

En revanche, la conception de tels modèles est loin d'être triviale. Pour les grands groupes historiques, en particulier, la première difficulté résidera dans la mise à disposition des données indispensables à leur entraînement. On retrouvera là le même obstacle qui handicapaient les générations précédentes de scientifiques des données et autres analystes de l'information. Avant d'envisager de les mettre au service de l'IA, il faut les identifier, les trier, les rendre accessibles, les préparer, les organiser… Naturellement, ces chantiers requièrent de recruter des équipes expérimentées.

C'est le défi sous-jacent, confirmé par les déboires des années récentes, qui me fait douter de la prédiction de Gartner, au moins pour les entreprises possédant un système d'information complexe et stratifié. De nombreuses initiatives ont été lancées par le passé dans le but d'extraire les données stratégiques de leurs silos étanches et d'en faire la matière première d'une nouvelle ligne d'activité. Malheureusement, les résultats sont, au mieux, mitigés et probablement insuffisants pour un usage avec l'intelligence artificielle. Les analystes du cabinet évoquent l'hypothèse d'un futur marché ouvert des modèles spécialisés : ses gagnants seront ceux qui seront sortis de cette impasse.