Pourquoi l’intelligence artificielle (IA) ne se résume pas à l’IA générative

Comment s’assurer de ne pas négliger des profits potentiels 

En tant que dirigeant possédant une formation technique, j’oublie parfois qu’une technologie telle que l’IA, et la marche de l’engouement qu’elle suscite peuvent être une expérience relativement nouvelle pour de nombreuses personnes. Alors que nous poursuivons nos conversations sur l’IA avec nos clients, les influenceurs du marché et dans le cadre de nos alliances, nous constatons que la discussion devient de plus en plus pragmatique.

Cependant, bien que les organisations aient commencé à peaufiner leur approche en matière d’IA, la compréhension fondamentale de ce qu’est l’IA — et de son potentiel — n’a pour ainsi dire pas évolué au-delà de l’IA générative. Par conséquent, la stratégie en matière d’IA se limite souvent à celle concernant l’IA générative. Il en résulte une augmentation des coûts et des lacunes liées aux fondements nécessaires à l’intégration des solutions d’IA, telles que les structures de gouvernance, la gestion des données, la gestion des risques, la cybersécurité, l’infrastructure en nuage et plus encore. Il peut également s’agir d’appliquer l’IA générative alors que d’autres approches d’IA pourraient être plus adaptées et plus rentables pour atteindre les résultats souhaités. 

Étant donné que la propriété, la sensibilisation et l’intérêt pour l’IA peuvent s’étendre à l’ensemble d’une organisation, les parties prenantes doivent avoir la même compréhension de base de l’IA. Dans le cas contraire, une grande partie de la valeur potentielle sera laissée de côté.

IA 101 : Comment expliquer l’IA d’une manière compréhensible pour tous

Voici quelques définitions et une illustration qui peuvent aider à mieux comprendre ce qu’est l’IA :

L’intelligence artificielle

L’intelligence artificielle est un système automatisé qui imite le raisonnement humain, perçoit son environnement, poursuit des objectifs, s’adapte aux rétroactions et aux changements, fournit de l’information et prend des mesures. Il s’agit d’une boîte à outils aux capacités diverses, allant de la vision artificielle, de la prédiction, de la prévision, de la découverte de modèles et de l’optimisation (permises par les techniques et modèles d’apprentissage machine) aux grands modèles de langage et aux modèles de base qui constituent le fondement de l’IA générative d’aujourd’hui.

L’apprentissage machine

L’apprentissage machine est un sous-ensemble de l’IA conçu pour progresser en intelligence à mesure que des données d’entraînement sont fournies, d’une manière qui imite le raisonnement humain par le biais de programmes. Il peut s’agir de modèles utilisés pour la prédiction ou la prise de décisions avancée. 

L’apprentissage profond

L’apprentissage profond est un sous-ensemble de l’apprentissage machine qui ajoute de nombreuses couches de neurones (profondes) pour apprendre des modèles à partir de données d’entraînement. L’apprentissage profond consiste à entraîner un ordinateur, au moyen de modèles de réseaux neuronaux, à apprendre à partir de larges ensembles de données, de la même manière que les humains acquièrent des connaissances. Par exemple, pour permettre à un ordinateur d’identifier différents animaux, il faut l’entraîner à reconnaître les différences entre des milliers d’images. L’ordinateur apprend des modèles et des abstractions de données, et non l’intégralité des données elles-mêmes. Lorsqu’une nouvelle image lui est présentée, l’ordinateur peut appliquer les connaissances acquises à partir des images d’entraînement pour définir des modèles indiquant l’animal que l’image représente.

L’IA générative 

L’IA générative est un terme générique qui désigne principalement un sous-ensemble de l’apprentissage profond, y compris des techniques d’apprentissage non profond et des algorithmes plus traditionnels. Elle utilise des modèles avancés (p. ex. des modèles de base tels que les grands modèles de langage ou les grands modèles multimodaux) pour générer ou manipuler du langage naturel, des images ou d’autres types de données. Les solutions d’IA générative peuvent aider les entreprises à créer des contenus attrayants, à fournir un service à la clientèle personnalisé, à générer de nouveaux codes logiciels ou à améliorer les flux de travaux grâce à la compréhension du langage naturel.

Le graphique suivant simplifie la représentation visuelle et montre que l’IA déborde du cadre de l’IA générative :

Pourquoi l’IA ne se résume pas à l’IA générative

Remarque : ce graphique est simplifié pour illustrer les relations, mais pas l’échelle relative des investissements ni toute autre mesure. Elle ne reflète pas les nuances telles que les techniques d’apprentissage non profond qui relèveraient de l’IA générative.

Pour présenter ce concept de façon plus concrète, voici quelques exemples de nos collaborations avec des clients en matière d’IA :  

Exemples d’IA traditionnelle – Ces projets font appel à des techniques et à des outils d’IA bien établis. Ils utilisent souvent des méthodes statistiques et des algorithmes d’apprentissage machine pour analyser les données, prédire les résultats, fournir des recommandations ou automatiser les interactions. Voici quelques exemples :

• Un modèle prédictif pour estimer le risque d’accident pour une compagnie d’assurance;
• Un modèle d’apprentissage machine pour fournir des renseignements plus précis sur la prévision de la demande afin de soutenir les décisions relatives à la chaîne d’approvisionnement;
• Un système d’apprentissage profond pour analyser les images médicales et faciliter les diagnostics;
• Un système d’IA multimodèle qui combine la vision artificielle et les données des capteurs pour optimiser les processus de production manufacturière et le contrôle de la qualité.

Exemples d’IA générative – Alors que l’IA traditionnelle classe, prédit, optimise et prévoit, l’IA générative crée de nouveaux actifs ou du contenu original. Voici quelques exemples :

• Un outil de génération de contenu pour une entreprise de marketing qui utilise un modèle de base pour produire des textes publicitaires créatifs fondés sur des requêtes brèves;
• Un module d’extension dans l’environnement de développement intégré d’un développeur pour générer un nouveau code;
• Une solution de génération de perspectives qui permet aux utilisateurs professionnels d’accéder à des modèles cachés dans de vastes ensembles de données.

Prévention des occasions ratées en matière d’IA et de l’augmentation des coûts

Que se passe-t-il lorsqu’une organisation n’applique l’IA générative que pour résoudre un défi d’affaires? 

Examinons un problème de fabrication typique, tel que la détection de dysfonctionnements dans les équipements : 
Si vous savez par expérience quels types de dysfonctionnements affectent les équipements et comment les repérer, il est préférable d’entraîner un modèle d’apprentissage machine à cette fin. Son élaboration pourrait prendre quelques semaines ou quelques mois, mais la solution serait conçue en fonction de vos besoins, offrant une précision et une qualité de la plus grande exactitude et des coûts d’exploitation réduits au fil du temps. Si vous décidiez plutôt de mettre en œuvre une solution d’IA générative, celle-ci serait certes opérationnelle beaucoup plus rapidement, mais les coûts d’exploitation pourraient être nettement plus élevés à long terme. 

En effet, les modèles d’IA générative disposent davantage de paramètres d’entraînement (jusqu’à 200 milliards) que les modèles d’IA traditionnels (jusqu’à 200 millions). Les modèles d’IA traditionnels peuvent fonctionner sur un processeur graphique grand public pour moins de 1 000 dollars américains. Utilisés à l’origine pour les jeux en 3D, les processeurs graphiques sont aujourd’hui la norme pour les applications d’IA en raison de leur capacité à gérer le traitement parallèle nécessaire à l’entraînement des modèles d’IA. Les processeurs graphiques peuvent être utilisés pour l’entraînement de petits modèles, mais ne sont pas bien adaptés aux plus grands modèles. Par contre, en ce qui concerne les coûts d’inférence, un modèle d’IA générative peut nécessiter un processeur graphique de qualité professionnelle dont le coût s’élève à environ 1 400 dollars américains par mois. Le prix d’achat d’une carte peut varier de 20 000 à 40 000 dollars américains. Un modèle Llama comprenant 90 milliards de paramètres pourrait coûter deux à quatre fois ces montants en coûts matériels. 

En quoi une solution d’IA générative peut-elle être utile dans cet exemple?

• S’il est nécessaire de trouver une solution rapide, le recours à l’IA générative peut servir de mesure provisoire ou permettre de démontrer la valeur de l’IA. Vous pouvez alors construire le modèle d’apprentissage machine en parallèle ou par la suite. 
• Si vous devez trouver des dysfonctionnements que vous n’avez pas encore détectés ou si vous ignorez leur origine et que vous souhaitez détecter, par exemple, des anomalies structurelles. Ces données peuvent également être utilisées pour un futur modèle d’apprentissage machine spécialement conçu à cet effet et moins coûteux. 
• Si vous avez besoin d’un plus grand niveau de précision pour des tâches linguistiques particulières, comme le traitement du langage naturel, une solution d’IA générative plus élevée en matière d’estimation des coûts peut s’avérer nécessaire.
• Si vous avez besoin d’accélérer vos processus de développement de logiciels, il vous faut une solution de développement fondée sur l’IA générative.
• Si vous avez des contraintes supplémentaires, telles qu’un accès limité aux talents. 

Compte tenu de la conjoncture économique difficile dans de nombreux pays du G20, l’étude La voix de nos clients CGI montre que les entreprises manufacturières prévoient de se diversifier sur de nouveaux marchés avec de nouvelles gammes de produits. La réduction de la durée des cycles de développement des produits représente donc un avantage concurrentiel. L’utilisation de l’IA générative pour atteindre ces objectifs peut s’avérer avantageuse en raison de sa rapidité, de sa flexibilité et de sa capacité à traiter des données complexes et non structurées. Ainsi, le potentiel d’innovation rapide et les courts délais de mise sur le marché peuvent, dans certains cas, en faire une solution rentable à long terme, en particulier lorsque l’adaptabilité et la conception de pointe sont essentielles.

Intégration du meilleur de chaque monde 

Heureusement, il n’est pas toujours nécessaire de choisir entre l’un et l’autre. Il existe des moyens de combiner les meilleures technologies pour obtenir une qualité, des capacités et des résultats supérieurs à moindre coût. 

Par exemple, les solutions de surveillance traditionnelles (c.-à-d. les simples capteurs de télémétrie et d’Internet des objets [IoT]) sont incapables de détecter de nombreux éléments, et il existe plusieurs scénarios dans lesquels l’inspection physique et humaine des actifs se révèle impossible ou dans lesquels la surveillance par vidéo ou par caméra produit des données qui ne peuvent pas être interprétées de manière utile. 

Nos experts en IA en Australie ont développé la solution CGI Machine Vision pour relever ce défi d’affaires. Elle utilise l’IA des réseaux neuronaux profonds et l’informatique en périphérie pour extraire les données des capteurs. L’IA traite les données saisies par des caméras, des drones et d’autres appareils sur le site de collecte, et seules les données pertinentes sont transmises aux opérations. La composante d’informatique en périphérie élimine les retards de transmission et les problèmes de bande passante.  

Que signifie cette capacité dans notre exemple de fabrication? Supposons que vous disposiez d’un capteur de drone ou d’une caméra qui surveille vos équipements grâce à cette couche supplémentaire. Dans ce cas, vous pouvez lancer des commandes à l’aide de l’interface d’IA générative et exécuter des actions en fonction de la détection de problèmes précis. Par exemple, la détérioration marquée peut être détectée et relayée en temps réel, ce qui peut déclencher une action automatique (création d’un rapport, envoi d’un signal, etc.). Le modèle d’IA générative apprend également en cours de route afin d’améliorer davantage cette réponse.

Cet exemple peut s’étendre à un écosystème multimodèle dans lequel une couche d’IA générative peut être ajoutée afin de permettre aux utilisateurs d’interagir avec les données à l’aide d’un langage naturel. Cette approche du triplet numérique utilise l’IA pour élargir le modèle du jumeau numérique, ou pour accroître un investissement existant dans les données et les renseignements documentés afin d’aider les organisations à consulter l’information. Cette mesure permet d’explorer les liens entre les données afin de prendre des décisions plus personnalisées, fondées sur des données probantes et transparentes. Elle permet également à l’utilisateur d’obtenir des conseils d’experts sur différents scénarios et des recommandations par le biais du texte, de la voix ou de la radio grâce au langage naturel, afin d’accroître la convivialité et le rendement du capital investi dans l’IA. 

Quelle direction devons-nous prendre? 

Il est essentiel de comprendre que l’IA ne se limite pas à l’IA générative pour mettre en œuvre des solutions efficaces à vos plus grands défis; il ne s’agit pas d’avoir recours à l’IA pour le plaisir de l’IA ni de faire des preuves de concept à l’infini au sein de votre entreprise. L’IA générative à elle seule, sans les bases et le contexte adéquats, ne permet pas d’obtenir des résultats tangibles. Une compréhension de base de l’IA évite de simplement en parler et permet plutôt de comprendre comment elle peut générer de la valeur et produire des résultats d’affaires.

Si vous souhaitez aller à l’essentiel et découvrir comment accélérer la création de valeur à moindre coût, visitez notre page sur l’intelligence artificielle pour en savoir plus ou communiquez avec moi, ou avec les experts qui ont contribué à ce billet de blogue (voir ci-dessous), afin de poursuivre cette discussion.