Face à la complexité de l'IA, les hébergeurs d'applications doivent relever le défi

Ecrit par David Szegedi, Field CTO France, Red Hat. Cette tribune revient sur les défis à relever pour les hébergeurs d'applications dans le contexte d'une IA complexe.

Plutôt que de la considérer comme une entité unique, il est plus exact de voir l'intelligence artificielle comme un ensemble de technologies variées et sophistiquées, avec une diversité d'applications et d'utilisateurs. En réalité, il serait plus juste de parler de "technologies d'intelligence artificielle" au pluriel. Pour naviguer dans cette complexité et satisfaire les besoins des entreprises désirant intégrer l'IA dans leurs applications, des outils appropriés sont nécessaires. Plus précisément un cadre en mesure de rassembler tous les différents cas d'utilisation dans une seule plateforme est indispensable.

Décoder l’univers complexe de l’IA

L'intelligence artificielle, omniprésente dans les discussions actuelles, se divise en deux grandes catégories : l'IA prédictive, présente depuis bien plus longtemps, qui analyse des données pour détecter des motifs récurrents ; et l'IA générative, aussi appelée "IA grand public" depuis l'apparition de ChatGPT il y a un peu plus d'un an, qui englobe des applications comme la création d'images et de vidéos ainsi que le développement de chatbots. La popularité croissante des cas d'utilisation génératifs a incité les éditeurs informatiques à s'intéresser de nouveau à cette technologie, afin de répondre aux nouveaux besoins. En effet, la valeur ajoutée de l'IA prédictive, qui s’illustre notamment dans l'amélioration des systèmes de détection de fraude pour une banque, peut être renforcée par les avancées de l'IA générative, par exemple en optimisant un chatbot pour les clients.

Le fait de piloter séparément ces deux types d'intelligence artificielle grâce à l’appui des plateformes intégrées est donc une décision stratégique essentielle pour les entreprises de tous secteurs souhaitant rester à la pointe de l'innovation. Il est également crucial de prendre en compte les aspects de sécurité et de traçabilité. L'IA ne se limite pas à une question technologique ; elle implique également des dimensions de gouvernance et de conformité. Il est nécessaire de comprendre comment une intelligence a été formée et de surveiller les biais potentiels qui pourraient surgir. Dans ce contexte, l'open source représente une option stratégique, offrant la transparence requise pour que les entreprises aient confiance dans la fiabilité des technologies sous-jacentes à leurs modèles d'IA. À ce jour, aucun des principaux acteurs de l'IA générative ne fournit cette transparence, et leurs systèmes restent des boîtes noires pour les utilisateurs.

La variété des usages de l’IA

Pour réduire le risque de biais ou d'erreurs, comme les hallucinations, l’intelligence artificielle nécessite de fonctionner sur des données « fraîches », autrement dit récentes. C'est pourquoi les modèles d'IA sont mis à jour fréquemment, parfois en l’espace de quelques mois, contrairement aux cycles de vie plus longs de plusieurs années que l'on voyait à l'époque des entrepôts de données et du Big Data. Cette mise à jour fréquente est nécessaire lorsque la modélisation mathématique atteint ses limites et que de nouvelles données doivent être intégrées. Par exemple, un modèle de conduite autonome formé pour un environnement urbain spécifique peut vite devenir obsolète en raison de changements rapides comme des travaux, de nouvelles signalétiques, ou des vitrines de magasins modifiées. Une voiture autonome pourrait donc se retrouver désorientée sans une mise à jour récente de son IA.

Le rythme accéléré de cette production laisse la majorité des utilisateurs quelque peu déboussolés, et ce indépendamment de leur niveau de connaissances. Par ailleurs, les besoins liés à la puissance de calcul et de données deviennent de plus en plus urgents pour que l'IA puisse se rapprocher de la finesse de l'intelligence humaine et évaluer chaque situation comme le ferait un humain.

La complexité de l'intelligence artificielle est particulièrement bien illustrée par la variété de ses applications. Historiquement, le secteur de la banque et des assurances a été le premier à adopter l'IA, en réponse à l'augmentation des volumes de paiements électroniques et pour renforcer la détection des fraudes. L'IA a permis d'échantillonner les données et de repérer rapidement des schémas de fraude. En outre, ce secteur a utilisé l'IA pour améliorer l'expérience client en simplifiant les processus et en accélérant les interactions, souvent avec l'aide de chatbots.

Dans le secteur de la santé, l'intelligence artificielle a considérablement amélioré l'interprétation des radiographies des patients, avant que le diagnostic final ne soit établi par un professionnel de santé. Cela a permis d'optimiser le parcours des patients en termes d'efficacité et de rapidité. De plus, cette accélération a également profité à la recherche et au développement de médicaments et de vaccins. Les avancées en génomique n'auraient pas atteint la rapidité actuelle des résultats sans l’aide de l’IA.  

Le secteur des transports met en œuvre deux cas d'utilisation majeurs de l'intelligence artificielle. Le premier concerne la conduite autonome, qui repose sur les avancées en matière de « sécurité fonctionnelle », autrement dit la capacité à détecter les risques autour des véhicules. Ce domaine est particulièrement crucial et intègre l'IA avec la technologie edge, en plaçant les systèmes embarqués directement dans les véhicules pour une réponse immédiate. Le second cas d'utilisation est l'automatisation des trains de fret qui pourrait éventuellement être étendue aux trains de passagers.

Élargir les cas d’utilisation des plateformes

Pour satisfaire les entreprises à la recherche d'applications modernes intégrant l'intelligence artificielle, il est essentiel que les plateformes d'hébergement soient capables de répondre à un large éventail de profils d'utilisateurs. Cela inclut les data scientists spécialisés en mathématiques, les MLops responsables de la gestion opérationnelle et du cycle de vie des modèles d'IA, ainsi que les développeurs.

Il est également essentiel de prendre en considération les contributions de l'IA générative, par exemple en créant du contenu à partir de prompts, afin de répondre aux besoins des utilisateurs impliqués dans les tâches d'administration ou de génération de contenu. En matière d'administration, l'IA peut être utilisée pour fournir des conseils aux utilisateurs en se basant sur les meilleures pratiques observées dans des configurations similaires. Pour ce qui est de la création de contenu, l'IA peut assister à la génération de code, en s'inspirant du patrimoine logiciel existant chez les éditeurs ou directement chez les clients.

Lorsqu'il s'agit de clients qui développent leurs propres applications, il est crucial de concevoir, déployer, et maintenir des modèles d'IA, notamment de Machine Learning, tout au long de leur cycle de vie. Toutefois, les plateformes capables de répondre efficacement à une diversité de profils utilisateurs sont encore rares sur le marché.

Le marché de l'intelligence artificielle n’a pas encore atteint une phase de maturité, comme en témoigne le manque de standardisation dans les déploiements actuels. Nous nous trouvons plutôt dans une phase de développement où il est crucial de collaborer avec les bons éditeurs pour construire une IA normalisée et structurée, ce qui augmentera considérablement sa valeur ajoutée. Pour y parvenir, il est indispensable de surmonter la complexité et la diversité des technologies liées à l'IA en adoptant un cadre adéquat.