En 2024, quels projets d'IA pour les entreprises ?

Si 2023 a permis aux entreprises d'entrevoir le potentiel général de l'IA, 2024 sera sans aucun doute l'année de la spécification des cas d'utilisation.

Un des grands enseignements de 2023 pour les entreprises est qu'il n'est pas facile de créer des LLM (grands modèles de langage) à partir de rien. Les entreprises qui s'engagent dans cette voie sont souvent découragées par la nécessité d'investir dans de nouvelles infrastructures et technologies, et par la difficulté à déterminer comment et quand donner la priorité à d'autres initiatives de l'entreprise. Les fournisseurs de services cloud, de services de colocation et les entreprises qui gèrent et traitent des données pour d'autres sont prêtes à les aider en mettant à disposition des supercalculateurs et des logiciels d'IA complets, facilitant la personnalisation des modèles pré-entraînés et leur déploiement pour les entreprises de tous les secteurs.

En 2024, les entreprises pourraient donc commencer à utiliser l'IA générative pour exploiter les nombreuses données non structurées dont elles disposent - y compris les chats, les vidéos et le code - en les mettant au service de la construction et de la personnalisation des LLM et au développement de l'IA générative afin de fournir des réponses plus spécifiques à certaines problématiques et trouver de nouvelles opportunités, comme par exemple détecter les anomalies dans les examens de santé ou découvrir les tendances émergentes dans le commerce de détail.

Conseillers d’achat alimentés par l’IA et lutte contre la criminalité dans le commerce de détail.

Les détaillants sont confrontés à la double exigence de connecter les clients aux produits qu'ils désirent tout en offrant des expériences d'achat omnicanales sophistiquées et personnalisées. Pour atteindre ces objectifs, les détaillants se préparent à introduire des conseillers d'achat alimentés par l'IA générative, qui suivront un entraînement méticuleux sur la marque, les produits et les données clients des détaillants afin de garantir un parcours d'achat personnalisé, guidé et adapté à la marque, qui imite l'expertise nuancée d'un assistant humain. Cette approche innovante permettra aux marques de se démarquer et de fidéliser leurs clients en leur apportant une aide personnalisée.

L’autre grand défi pour les détaillants est l’augmentation de la criminalité organisée, de plus en plus sophistiquée et coordonnée. La National Retail Federation (Fédération nationale du commerce de détail) a rapporté que les détaillants connaissent une hausse vertigineuse de 26,5 % de ces incidents depuis la recrudescence postpandémique des vols dans le commerce de détail. Pour améliorer la sécurité des clients et des employés dans les magasins, les détaillants commenceront à utiliser des logiciels de vision artificielle et de gestion des informations de sécurité physique. L'IA pourra ainsi détecter les armes et les comportements inhabituels, comme la saisie à grande échelle d'articles dans les rayons.

Réévaluation majeure des cas d'investissement pour la 5G dans les télécoms.

Après cinq ans d'existence de la 5G, la couverture et la capacité du réseau ont explosé, mais la croissance des revenus est faible et les coûts d'une infrastructure ont augmenté. La nouvelle année sera consacrée à la recherche agressive de nouvelles sources de revenus sur le spectre existant afin de découvrir de nouvelles applications monétisables et à la réduction globale des dépenses d'exploitation, les entreprises exploitant les outils d'IA pour accroître les performances, améliorer l'efficacité et éliminer les coûts. Le résultat de ces initiatives déterminera le montant des investissements des opérateurs dans la technologie 6G.

Les opérateurs télécoms utilisent déjà l'IA générative pour les chatbots et les assistants virtuels afin d'améliorer le service et l'assistance à la clientèle. Au cours de la nouvelle année, ils intensifieront leur utilisation de l'IA générative pour les améliorations opérationnelles dans des domaines tels que la planification et l'optimisation des réseaux, la détection des pannes et des fraudes, l'analyse prédictive et la maintenance, les opérations de cybersécurité et l'optimisation de l'énergie. Compte tenu de l'omniprésence de l'IA générative et de son caractère stratégique, de plus en plus de sociétés de télécommunications construiront des usines d'IA à usage interne et les déploieront en tant que plateforme de service pour les développeurs pour soutenir la croissance.

Simulation et maintenance prédictive dans le secteur de l’énergie.

Les entreprises du secteur de l'énergie se tourneront de plus en plus vers l'apprentissage automatique basé sur la physique (Physics-ML) pour accélérer les simulations, optimiser les processus industriels et améliorer la prise de décision. Le Physics-ML intègre des modèles traditionnels basés sur la physique avec des algorithmes avancés d'apprentissage automatique, offrant ainsi un outil puissant pour la simulation rapide et précise de phénomènes physiques complexes pour par exemple, dans le domaine de l'exploration et de la production d'énergie, rapidement modéliser les géologies souterraines afin de faciliter l'identification des sites d'exploration potentiels et l'évaluation des risques opérationnels et environnementaux. Dans les secteurs des énergies renouvelables, tels que l'éolien et le solaire, le Physics-ML jouera un rôle crucial dans la maintenance prédictive, permettant aux entreprises énergétiques de prévoir les défaillances des équipements et de programmer la maintenance de manière proactive afin de réduire les temps d'arrêt et les coûts.

Associés au Physics-ML, les LLM analyseront de nombreuses données historiques et des entrées de capteurs en temps réel provenant d'équipements énergétiques afin de prévoir les défaillances potentielles et les besoins de maintenance avant qu'elles ne se produisent. Cette approche proactive réduira les temps d'arrêt imprévus et prolongera la durée de vie des turbines, des générateurs, des panneaux solaires et d'autres infrastructures essentielles. Les LLM contribueront également à optimiser les calendriers de maintenance et l'affectation des ressources, en garantissant que les réparations et les inspections sont effectuées de manière efficace.

Assistants chirurgicaux et usines de découvertes de médicaments.

La combinaison des instruments, de l'imagerie, de la robotique et des données en temps réel sur les patients avec l'IA permettra de mieux former les chirurgiens, de personnaliser davantage les opérations et d'améliorer la sécurité grâce à un retour d'information et à des conseils en temps réel, même lors d'opérations à distance. Cela contribuera à combler le fossé des 150 millions d'opérations chirurgicales qui sont nécessaires mais qui ne peuvent pas avoir lieu, en particulier dans les pays à revenu faible ou intermédiaire.

Un nouveau processus de découverte de médicaments est en train d'émerger, dans lequel la génération de molécules par IA générative, la prédiction des propriétés, et la modélisation complexe permettront de réduire le temps de découverte et d’améliorer la qualité des candidats médicaments cliniquement viables. Ces usines de découverte de médicaments par l'IA utilisent des ensembles de données massives sur les soins de santé en utilisant des génomes entiers, des instruments à résolution atomique et une automatisation robotisée des laboratoires capable de fonctionner 24 heures sur 24 et 7 jours sur 7. Pour la première fois, les ordinateurs peuvent apprendre des schémas et des relations dans des ensembles de données énormes et complexes et générer, prédire et modéliser des relations biologiques complexes qui ne pouvaient être découvertes auparavant que par une observation expérimentale et une synthèse humaine qui prenaient du temps.

Au-delà du buzz et malgré quelques réticences, les entreprises de tous les secteurs semblent s’intéresser franchement à l’apport de l’IA et de l’IA générative pour leurs activités. De nombreux cas d’usage sont à l’étude et pourraient se concrétiser en 2024.