Intelligence artificielle : de l'alchimie à la science

Vincent Barbelin, CTO chez Dell Technologies, revient sur les facteurs essentiels à la réussite d'une IA générative efficace.

Actuellement, 0.33 zettabytes de données sont générés chaque jour. Autrement dit, les entreprises sont confrontées à une surabondance de données qui rend difficile leur utilisation optimale. Or, les données sont la matière première de l’intelligence artificielle.

Tout modèle de langage (LLM) efficient utilise des données précises pour produire un résultat cohérent. De la même manière qu’un chimiste transforme une solution basique en un précipité, les organisations doivent transformer des données brutes en informations, soit des données interprétables par une intelligence artificielle. Mais comment y parvenir ?

La donnée, nerf de la guerre pour l’exploitation de l’IA

La qualité et la fiabilité des informations sont deux facteurs clés dans l’analyse de données assistée par l’IA. Comme dans toute expérience chimique, il faut doser les solutions avec beaucoup de précision et stériliser le matériel avec précaution. Les entreprises doivent faire de même en préparant leurs données avant qu’elles ne soient traitées par les algorithmes, en créant des échantillons représentatifs et en contrôlant tout point de divergence éventuelle.

Aujourd’hui, seulement une organisation sur trois rapporte pouvoir transformer simultanément des données en information. Tout comme l’adage dit « mauvaise information, mauvaise conclusion », l’IA suit la même logique. Un mauvais set de données génèrera des biais ou des hallucinations, et par conséquent des résultats faussés. La puissance d’une IA ou d’une IA générative est ainsi fortement corrélée à la qualité des données qu’elle exploite.

Même si aujourd’hui, plus de 50% des données d’entreprises se situent  sur du « Edge », le principal défi pour les organisations réside dans leur hébergement, souvent sur-site. Migrer les données d’une localisation à une autre est vite coûteux et risqué. La meilleure solution consiste donc à traiter les données le plus près possible du point où elles ont été créées. L’entraînement et l’exécution de modèles d’IA sur-site est plus bénéfique pour le traitement, l’analyse, la conformité et la gestion de la propriété intellectuelle des données. L’inférence des LLM sur-site est en effet 75% plus rentable que dans le cloud public. Les entreprises seront donc gagnantes si elles exploitent un LLM sur-site.

Les écosystèmes ouverts, éléments clés pour optimiser le traitement des LLM.

Dans le domaine de l’IA générative, les écosystèmes ouverts permettent aux modèles d’opérer en partageant des données et des services qui créent de la valeur. Pour pouvoir s’adapter à l’évolution continue d’un LLM, les workloads d’IA ou d’IA générative demandent une infrastructure et des logiciels très flexibles.

Les open LLM enrichissent l’écosystème informatique, qui à son tour permet aux entreprises d’accélérer les innovations. Cette collaboration dans un environnement ouvert déclenche ainsi de nouvelles opportunités et réduit le coût du développement de l’IA. L’ouverture que cela implique assure une compétition saine, un partage des choix et des connaissances approfondies. Elle place en outre l’IA sous le prisme de l’éthique car les LLM sont examinés en permanence, ce qui incite les laboratoires de recherche à protéger les données et surtout, à réduire les biais des algorithmes. Une fois neutralisés, ces algorithmes, couplés à l’IA, peuvent ainsi donner naissance à une formule chimique robuste visant à transformer la donnée en information.

Les algorithmes d’IA, une formule chimique qui requiert de la rigueur.

Les algorithmes d’IA prédisent en effet des tendances, des comportements d’achat et des dynamiques de marché. Ces informations fonctionnent comme une formule chimique, aidant les entreprises à la prise de décision stratégique.  L’IA n’a en ce sens rien de magique mais elle constitue une pratique qui requiert de la discipline. 

Les data scientistes et les ingénieurs suivent ainsi des méthodologies précises pour libérer tout le potentiel des données et révéler une innovation sous-jacente. 

Ici pas de pierre philosophale, leur laboratoire troque les fioles et les béchers contre des stations de travail, des données, des serveurs et des disques durs. Ce sont des outils de valeur pour obtenir des résultats représentatifs et cohérents.

Transformer les données en informations exploitables est une pratique cruciale et rigoureuse, comparable à l'alchimie. La qualité des données est le pilier fondamental pour le succès de l'intelligence artificielle, déterminant la précision et la fiabilité des résultats obtenus. Alors que les entreprises doivent souvent relever le défi de traiter et d'héberger leurs données efficacement, l'adoption de modèles linguistiques sur site se révèle être une solution rentable et sécurisée. De plus, les écosystèmes ouverts favorisent l'innovation et la collaboration, tout en renforçant l'éthique et la transparence dans l'usage de l'IA. Pour libérer tout le potentiel de l’IA, les data scientistes et ingénieurs doivent procéder avec autant de précision que pour une expérience scientifique, exploitant un ensemble d'outils technologiques avancés, afin de transformer les données brutes en informations stratégiques précieuses.