Qu'est-ce que l'IA générative et comment fonctionne-t-elle ?

L'intelligence artificielle (IA) générative a fait une percée spectaculaire à la fin de l'année 2022. Les particuliers et les entreprises ont alors été pris dans une frénésie de curiosité et d'interrogations quant à son potentiel.

Mais qu'est-ce que l'IA générative exactement ? Pour l'expliquer simplement, l'IA générative est une technologie qui prend un ensemble de données et l'utilise pour créer quelque chose de nouveau, comme de la poésie, une explication sur un sujet de physique, un e-mail à un client, une image ou de la musique.

Contrairement aux modèles d'IA traditionnels, l'IA générative « ne se contente pas de classer ou de prédire, mais crée son propre contenu [...] et elle le fait avec une maîtrise du langage comparable à celle des humains », a expliqué Silvio Savarese, directeur scientifique de Salesforce.

Bien entendu, la capacité à classer et à prédire les données avec précision est un élément essentiel de la réussite de l'IA générative : la qualité du résultat dépend des données avec lesquelles elle peut travailler.

Il existe plusieurs approches pour développer des modèles d'IA générative, mais l'une d'entre elles gagne considérablement en popularité. Il s'agit de l'utilisation de modèles de langage de grande taille (LLM) pré-entraînés pour créer de nouveaux contenus à partir de répliques textuelles. Aujourd'hui, l'IA générative aide déjà les personnes à créer tout ce qu'elles veulent, qu'il s'agisse d'un CV, d'un plan d'affaires, de lignes de code ou même d'art numérique.

À terme, Silvio Savarese prédit que ces outils d'IA « nous assisteront dans de nombreux aspects de notre vie et joueront le rôle de collaborateurs dotés de superpouvoirs ». À mesure que ces modèles deviennent plus sophistiqués, ils améliorent non seulement la productivité, mais aussi la créativité et l'innovation. Par exemple, dans les industries créatives, l'IA générative peut aider les artistes et les designers à explorer de nouvelles idées et de nouveaux concepts qu'ils n'auraient peut-être pas envisagés seuls. Dans le secteur technologique, les développeurs peuvent utiliser ces outils pour générer et tester le code plus efficacement, ce qui accélère le processus de développement et réduit le délai de mise sur le marché des nouveaux produits.

L'intégration de l'IA générative dans les applications quotidiennes devrait transformer la façon dont nous interagissons avec la technologie. Qu'il s'agisse de recommandations personnalisées dans l'e-commerce ou de contenu éducatif sur mesure, les applications potentielles sont vastes. Toutefois, cette intégration comporte également des défis, tels que la nécessité d'une solide gouvernance des données pour éviter les biais et garantir l'équité, et l'exigence d'une IA transparente et explicable pour instaurer la confiance chez les utilisateurs. À mesure que ces outils se répandent, il est essentiel de relever ces défis pour s'assurer que les avantages de l'IA générative se concrétisent sans compromettre les normes éthiques.

En approfondissant l'IA générative, deux types principaux de modèles d'apprentissage profond se distinguent : les réseaux antagonistes génératifs (GAN) et les transformateurs.

• Les GAN sont constitués de deux réseaux de neurones : un générateur et un discriminateur. Ces deux réseaux sont en concurrence. Le générateur crée une sortie sur la base d'une entrée et le discriminateur essaie de déterminer si la sortie est réelle ou fausse. Le générateur ajuste ensuite sa sortie en fonction du retour d'information du discriminateur, puis le cycle se poursuit jusqu'à ce que le discriminateur soit pris en défaut.
• Les modèles de transformateurs, comme ChatGPT (pour « Chat Generative Pretrained Transformer »), créent des sorties basées sur des données séquentielles (comme des phrases ou des paragraphes) plutôt que sur des points de données individuels. Cette approche permet au modèle de traiter efficacement le contexte. C'est pourquoi il est utilisé pour générer ou traduire du texte.

Si les GAN et les transformateurs comptent parmi les modèles d'IA générative les plus populaires, d'autres techniques telles que les VAE, les modèles autorégressifs et les modèles de diffusion sont également largement utilisées, chacune ayant ses propres atouts et applications.

• Les auto-encodeurs variationnels (VAE) utilisent deux réseaux de neurones : un encodeur et un décodeur. L'encodeur comprime les données d'entrée dans un espace latent et le décodeur reconstruit les données à partir de cet espace latent. Les VAE sont particulièrement utiles pour générer de nouvelles données similaires aux données d'entraînement, mais avec des variations.
• Les modèles autorégressifs génèrent des sorties en prédisant l'élément suivant d'une séquence sur la base des éléments précédents. Cette approche est séquentielle et déterministe, ce qui la rend bien adaptée à des tâches telles que la génération de texte, la synthèse vocale et la génération d'images.
• Les modèles de diffusion fonctionnent en ajoutant progressivement du bruit aux données, puis en apprenant à inverser ce processus pour générer de nouvelles données. Cette méthode est efficace pour créer des images de haute qualité et d'autres types de données complexes, car elle permet de capturer des patterns et des détails sophistiqués.

Pour garantir la performance des modèles d'IA générative, plusieurs conditions essentielles doivent être remplies :

1. Des données d'entraînement de haute qualité : la qualité et la diversité des données d'entraînement sont cruciales. Des données de haute qualité et bien étiquetées aident le modèle à identifier les patterns sous-jacents et à générer des résultats plus précis et plus pertinents.
2. Des ressources de calcul : les modèles d'IA générative, en particulier les modèles d'apprentissage profond tels que les GAN et les transformateurs, nécessitent une puissance de calcul importante. L'accès à des GPU ou TPU puissants est essentiel pour entraîner ces modèles de manière efficace et efficiente.
3. Une architecture de modèle robuste : l'architecture du modèle doit être bien conçue pour gérer la complexité de la tâche. Il s'agit notamment de choisir le bon type de modèle (par exemple, GAN, transformateur, VAE) et d'ajuster les hyperparamètres de manière à optimiser les performances.
4. Des métriques d'évaluation : des métriques d'évaluation robustes sont nécessaires pour évaluer les performances des modèles génératifs. Des métriques telles que la Fréchet Inception Distance (FID) pour la génération d'images, et la perplexité pour la génération de texte, permettent de quantifier la qualité des résultats générés.
5. Un raffinement itératif : les modèles d'IA générative nécessitent souvent des tests, un retour d'information et un réglage fin continu afin d'améliorer leurs performances et de résoudre les problèmes qui surviennent au cours de l'entraînement.
6. Des considérations éthiques : il est essentiel de s'assurer que le contenu généré est éthique et qu'il ne perpétue pas de biais ni de contenus préjudiciables. Cela nécessite une sélection minutieuse des données d'entraînement et la mise en œuvre de lignes directrices et de garanties éthiques.

L'IA générative fait déjà parler d'elle dans divers secteurs. Plusieurs applications concrètes démontrent ses capacités :

• Génération de texte : les modèles d'IA générative, comme GPT-3 (pour « Generative Pre-trained Transformer 3 »), sont capables de produire des textes similaires à ceux rédigés par des humains, qu'il s'agisse d'articles, d'histoires, de contenus marketing ou de poèmes.
• Génération d'images : les modèles d'IA générative, comme DALL-E 2 et Stable Diffusion, sont capables de produire des images réalistes à partir d'indications textuelles, ce qui permet aux designers, aux artistes et aux créateurs de contenu de donner vie à leurs visions.
• Génération de contenu vocal : les modèles d'IA générative sont capables de produire des discours réalistes, ce qui permet de développer des assistants vocaux, des chatbots de service client et des contenus audio personnalisés.

L'IA générative offre un large éventail d'avantages qui peuvent transformer les entreprises et les secteurs d'activité :

• Automatisation des tâches manuelles : l'IA générative est la clé de l'automatisation des tâches répétitives et chronophages qui nécessitent actuellement du travail manuel. Grâce à elle, les entreprises peuvent rationaliser leurs opérations, réduire leurs coûts et redéployer leur capital humain vers des activités plus stratégiques et créatives.
• Création de nouveaux produits et designs : l'IA générative est capable de produire des produits, des designs et des concepts entièrement nouveaux. Cette innovation peut conduire à une amélioration de l'expérience client et à l'élaboration de nouvelles solutions répondant à des problèmes complexes.
• Amélioration des produits et designs existants : l'IA générative peut être exploitée pour améliorer vos offres actuelles en reconnaissant des patterns, en proposant des améliorations et en optimisant les performances.

L'IA générative révolutionne le mode de fonctionnement des entreprises dans divers secteurs en favorisant l'innovation, l'efficacité et de nouvelles sources de revenus. Dans l'industrie pharmaceutique, l'IA générative est utilisée pour accélérer la découverte de médicaments. En générant et en simulant de nouvelles structures moléculaires, ces modèles permettent d'identifier des médicaments potentiels plus rapidement et de manière plus rentable. Cela fait gagner du temps et réduit les quantités de ressources que nécessitent les processus traditionnels de mise au point de médicaments.

Dans le secteur de la vente au détail, l'IA générative est en train de transformer l'expérience client. Les marques utilisent ces modèles pour créer des recommandations de produits personnalisées, des essais virtuels et même générer de nouveaux designs pour leurs produits. Par exemple, les marques de mode peuvent utiliser l'IA générative pour concevoir des articles vestimentaires uniques qui répondent aux préférences individuelles des clients, afin d'améliorer l'expérience d'achat et de fidéliser la clientèle.

L'industrie du divertissement connaît également des changements importants grâce à l'IA générative. Les sociétés de production cinématographique et vidéo utilisent ces modèles pour générer des effets spéciaux réalistes, créer des personnages virtuels et même composer de la musique. Cela permet non seulement de réduire les coûts et de bénéficier d'une plus grande liberté de création, mais aussi de raccourcir les délais de production.

Dans le secteur financier, l'IA générative est utilisée pour synthétiser des données financières afin d'entraîner et de tester des algorithmes de trading. Elle permet d'identifier plus précisément les tendances et les risques potentiels du marché, et donc de prendre de meilleures décisions d'investissement. En outre, l'IA générative peut être utilisée pour générer des scénarios financiers réalistes pour les tests de résistance et la gestion des risques, ce qui améliore la résilience des institutions financières.

L'industrie automobile est un autre domaine où l'IA générative a un impact significatif. Les constructeurs automobiles utilisent ces modèles pour concevoir et tester de nouveaux composants et de nouvelles caractéristiques pour leurs véhicules. En générant des simulations réalistes, ils peuvent accélérer le processus de développement et réduire le besoin de prototypes physiques, ce qui permet d'économiser du temps et des ressources.

Dans le secteur technologique, l'IA générative est à l'origine de progrès dans les domaines du traitement du langage naturel et de l'IA conversationnelle. Les entreprises utilisent ces modèles pour développer des chatbots et des assistants virtuels plus sophistiqués, capables de comprendre les demandes des clients et d'y répondre plus efficacement. Cela permet d'améliorer le service client et de renforcer l'engagement des utilisateurs.

Dans l'ensemble, l'IA générative n'est pas seulement une avancée technologique, mais une force de transformation qui remodèle les pratiques commerciales et ouvre de nouvelles possibilités dans tous les secteurs d'activité. En exploitant la puissance de l'IA générative, les entreprises peuvent garder une longueur d'avance, innover plus rapidement et offrir une valeur ajoutée supérieure à leurs clients.

Une variété d'outils et de plates-formes rendent l'IA générative plus accessible et plus puissante. Les entreprises et les développeurs peuvent donc exploiter ses capacités pour un large éventail d'applications.

• Agentforce (Salesforce) Agentforce est une application IA autonome et proactive qui fournit une aide continue et spécialisée aux collaborateurs ou aux clients. Vous pouvez le doter des informations nécessaires sur votre entreprise. Ainsi, il sera en mesure de mener à bien les tâches spécifiques à son rôle.
• ChatGPT (OpenAI) : ChatGPT est une application alimentée par le LLM GPT-4 d'OpenAI. Il excelle dans la génération de textes semblables à ceux des humains, ce qui le rend idéal pour la création de chatbots, les interactions avec les clients et la création de contenu. Sa capacité à comprendre le contexte et à générer des réponses cohérentes en a fait un choix populaire pour les entreprises qui cherchent à améliorer leurs stratégies de communication et d'engagement.
• Gemini (Google) : Gemini est un modèle d'IA multimodale de Google qui est conçu pour gérer un large éventail de tâches. Il peut générer du texte, des images et même des contenus audio, ce qui en fait un outil polyvalent pour la création de contenu et les applications multimédias. Ses fonctionnalités avancées permettent aux entreprises de créer sur plusieurs fronts des expériences riches, interactives et génératrices d'engagement chez les utilisateurs.
• Claude (Anthropic) : Claude est un modèle d'IA développé par Anthropic qui est spécialement conçu pour mener des conversations amicales et sécurisées. Il a été créé en mettant l'accent sur les considérations éthiques et la sécurité des utilisateurs, ce qui en fait un excellent choix pour les applications où la confiance et la fiabilité sont primordiales. Claude peut être mis au service des services client, des plates-formes éducatives et des assistants personnels. Son utilisation garantit des interactions à la fois utiles et respectueuses.
• Perplexity AI : Perplexity AI est un moteur de recherche alimenté par l'IA qui va au-delà des résultats de recherche traditionnels. Il fournit des réponses directes aux questions des utilisateurs et inclut des citations pour vérifier l'exactitude des informations. Il s'agit donc d'un outil précieux pour les chercheurs, les étudiants et les professionnels qui ont besoin d'informations rapides et fiables. Sa capacité à générer des réponses détaillées et précises améliore l'expérience de l'utilisateur et lui permet de gagner du temps.
• DALL-E 3 et Midjourney : il s'agit de modèles avancés de génération d'images qui peuvent créer des images de haute qualité à partir de répliques textuelles. DALL-E 2, développé par OpenAI, et Midjourney sont largement utilisés dans les domaines du design graphique et du marketing, ainsi que dans les industries créatives. Ils permettent aux designers de générer rapidement des contenus visuels. Cela fait gagner du temps, réduit la quantité de travail manuel et favorise la créativité.
• Stable Diffusion : Stable Diffusion est un modèle de génération d'images open source qui a gagné en popularité en raison de son accessibilité et de sa flexibilité. Il permet aux développeurs et aux créateurs de générer des images de haute qualité et de l'art sans avoir recours à des ressources informatiques importantes. La nature open source de Stable Diffusion favorise la formation d'une communauté basée sur l'innovation : les utilisateurs apportent leur contribution et développent eux-mêmes les fonctionnalités du modèle.
• Amazon Bedrock (AWS) : Amazon Bedrock est une plate-forme complète fournie par AWS qui donne accès à un large éventail de modèles de base. Il simplifie le processus d'intégration de l'IA générative dans les applications, ce qui permet aux entreprises d'exploiter plus facilement ces outils puissants. Avec des services comme Amazon Bedrock, les entreprises peuvent intégrer rapidement et efficacement des capacités d'IA générative dans leurs flux de travail, ce qui favorise l'innovation et ouvre la porte à de nouveaux cas d'usage.
• Amazon Q (AWS) : Amazon Q est un assistant IA qui fait partie des outils de développement fournis par AWS. Il aide les développeurs à intégrer l'IA générative dans leurs applications, rationalise le processus de développement et réduit la courbe d'apprentissage. Les outils de développement d'Amazon Q offrent une interface conviviale et une documentation solide, ce qui permet aux développeurs d'exploiter plus facilement la puissance de l'IA générative et de créer des applications sophistiquées.

En tirant parti de ces outils et plates-formes, les entreprises peuvent exploiter le vaste potentiel de l'IA générative, stimuler l'innovation, gagner en efficacité et créer de nouvelles opportunités de croissance et d'engagement.

Selon Paula Goldman, directrice de l'Environnement éthique et humain chez Salesforce, et Kathy Baxter, architecte principale des pratiques d'IA éthique de Salesforce, le potentiel de l'IA générative est énorme, mais il « n'est pas sans risques ».

Dans un article rédigé conjointement, les deux autrices soulignent qu'il « n'est pas suffisant de fournir les capacités technologiques de l'IA générative. Nous devons donner la priorité à l'innovation responsable afin d'orienter la manière dont cette technologie transformatrice peut et doit être utilisée. Nous devons également veiller à ce que nos collaborateurs, nos partenaires et nos clients disposent des outils nécessaires pour développer et utiliser ces technologies en toute sécurité, avec précision et de manière éthique. »

Lors d'un entretien avec Silicon, Paula Goldman a déclaré : « L'exactitude est l'élément le plus important lorsque l'on met en œuvre l'IA dans un contexte commercial, car il faut s'assurer que les recommandations formulées par l'IA, qu'il s'agisse d'une suggestion, d'une réponse à un client ou d'un e-mail commercial, ne contiennent pas d'inexactitudes. » L'exactitude et la fiabilité des données sont des éléments fondamentaux de toute application IA. Cependant, l'entraînement de modèles d'IA générative est très gourmand. Il nécessite souvent de grandes quantités de données méticuleusement sélectionnées, ce qui peut constituer un obstacle pour certaines applications.

Le sentiment d'autorité qui se dégage des réponses de ChatGPT est en soi une chose à laquelle il faut faire attention. Silvio Savarese avertit que cela peut conduire à ce qu'il appelle un « échec par excès de confiance ». « Le ton posé et souvent professionnel employé par ces modèles les rend d'autant plus impressionnants lorsqu'ils répondent correctement aux questions et répliques. Mais cela rend également leurs échecs très dangereux », explique Silvio Saverese. « Même les experts sont régulièrement pris au dépourvu par leur pouvoir de persuasion. » Il est donc essentiel de contrôler les réponses des modèles d'IA générative. Cela nécessite des mesures de surveillance minutieuse et d'intervention.

Si l'on transpose l'utilisation d'outils tels que ChatGPT à l'échelle d'une entreprise, on comprend aisément à quel point les enjeux peuvent devenir importants. Mais les responsables informatiques sont sur leurs gardes : près de six personnes sur dix (59 %) estiment que les résultats de l'IA générative sont inexacts. Cela souligne l'importance d'aborder la question des « hallucinations », où les modèles d'IA générative, en particulier les modèles de langage de grande taille (LLM), peuvent parfois produire des résultats qui sont factuellement inexacts ou absurdes. Cela rend la vérification minutieuse des faits d'autant plus importante.

Par ailleurs, il est également primordial de savoir comment utiliser l'IA générative de manière éthique, inclusive et responsable. La nature de l'IA générative soulève des questions éthiques liées aux droits d'auteur, à la protection de la vie privée et à la diffusion de fausses informations. Elle nécessite donc un développement et un déploiement responsables. Les biais et l'équité sont également des thèmes cruciaux, car les modèles d'IA générative peuvent perpétuer et amplifier les biais présents dans les données d'entraînement, ce qui conduit alors à des résultats inéquitables ou discriminatoires.

C'est pourquoi Salesforce développe des capacités d'IA approuvée avec des garde-fous et des conseils intégrés pour aider à détecter les problèmes potentiels avant qu'ils ne surviennent. Si le monde veut exploiter le potentiel de l'IA générative, il doit avoir de bonnes raisons de faire confiance à ces modèles à tous les niveaux.

L'IA responsable est également synonyme d'IA durable. L'IA consomme beaucoup plus d'énergie que les charges de travail traditionnelles. 71 % des responsables informatiques reconnaissent que l'IA générative augmente leur empreinte carbone en raison d'une plus grande consommation d'énergie des systèmes informatiques. En effet, les ressources informatiques nécessaires pour entraîner et faire fonctionner des modèles d'IA générative peuvent représenter un défi pour certaines organisations.

Malgré la nécessité d'explorer l'IA générative de manière inclusive et réfléchie, cette technologie recèle un vaste potentiel pour l'avenir de la gestion de la relation client.

L'avenir de l'IA générative est passionnant et prometteur. Nous repoussons constamment les limites de ce qui est possible avec de nouvelles architectures de modèles, de nouvelles techniques d'entraînement et de nouvelles applications. Nous pensons que l'IA générative aura un impact transformateur dans de nombreux secteurs et qu'elle changera la façon dont nous créons, innovons et interagissons avec la technologie.

Les impacts sociétaux et économiques de l'IA générative seront probablement profonds et soulèveront des questions importantes sur l'avenir du travail, de la créativité et de l'information. Le développement et le déploiement responsables de l'IA seront essentiels pour garantir que l'IA générative soit utilisée à bon escient et que ses avantages soient largement partagés.

En outre, la qualité et la gestion des données resteront des éléments essentiels. Pour maximiser l'efficacité des initiatives d'IA générative, il sera essentiel de veiller à ce que les données soient exactes, mises à jour, accessibles et complètes. Les entreprises auront tout intérêt à s'assurer que leurs données sont harmonisées pour garantir des résultats précis.