IA Générative

L'IA est un terme général qui désigne toute machine capable d'apprendre et d'effectuer des tâches qui nécessiteraient normalement l'intelligence humaine. 

Contrairement aux techniques traditionnelles d'IA discriminante, qui améliorent la prise de décision en analysant les données, l'IA générative peut créer de nouveaux contenus, tels que du texte, des images, du son et de la vidéo, augmentant ainsi les capacités humaines. 

Pour ce faire, elle apprend des modèles à partir de données existantes, puis utilise ces connaissances pour générer des résultats nouveaux et uniques.

L'IA générative produit un contenu très réaliste et complexe qui imite la créativité humaine, ce qui en fait un outil précieux pour de nombreux secteurs. 

L'IA générative est généralement guidée par du texte ou de la parole, en utilisant le langage naturel, avant de pouvoir créer de nouveaux résultats et de faire apparaître des fenêtres d'invite dans de nombreuses applications (moteur de recherche, outils bureautiques, outils de créativité...).

Cliquez sur les images ci-dessous pour découvrir une brève histoire de l'IA menant à l'IA générative.

Productivité accrue

L'IA générative peut automatiser de nombreuses tâches qui sont actuellement effectuées par des humains, libérant ainsi du temps pour que les personnes puissent se concentrer sur des travaux plus créatifs et stratégiques.

Qualité améliorée

L'IA générative peut produire un contenu de haute qualité, plus cohérent et plus précis que le contenu généré par l'homme.

Innovation et Créativité

L'IA générative crée de nouvelles possibilités d'innovation. Par exemple, elle peut être utilisée pour créer de nouveaux produits et services, améliorer ceux qui existent déjà et automatiser des tâches.

Génération de texte 

Créez de nouveaux textes pour les articles de blog, les articles d'actualité, la propriété intellectuelle et même la fiction créative. Cela peut faire gagner beaucoup de temps lors de la rédaction de mémos et de présentations.

Génération d'image

Créez de nouvelles images en saisissant seulement quelques mots de texte. Cela peut s'avérer très efficace pour ajouter des illustrations, des icônes et d'autres aides visuelles à des documents, des sites numériques et des présentations.

Génération de vidéo 

Grâce à la conversion de texte en vidéo, ce processus permet de générer en quelques minutes des vidéos avec des avatars d'IA réalistes et des voix off, y compris des personnages, des objets et des arrière-plans réalistes.

Génération d'audio

Grâce à un processus d'apprentissage profond, l'IA générative créera de nouveaux contenus audio tels que de la musique, de la parole (par exemple, des voix off) ou tout autre type de contenu audio (par exemple, des effets audio).

Génération 3D 

La création d'actifs 3D prend énormément de temps. L'IA générative peut accélérer le processus en créant des modèles, des formes et des textures 3D réalistes, sur la base de modèles de données appris.

Codage 

Les utilisateurs ont montré une préférence pour l'utilisation de ChatGPT et Bard comme point de départ du codage pour générer un bloc de code basé sur une invite, pour aider à la résolution du code, et pour améliorer ou mettre à jour un bloc de code actuel.

Les technologies d'IA générative reposent sur des modèles "de base", conçus pour capturer les modèles statistiques et les relations sémantiques présents dans une quantité massive de données (le LLM GPT-3 utilisé pour construire le modèle de base du ChatGPT a été entraîné sur plus de 500 milliards de mots). 

Une fois qu'un modèle de base est formé, il peut être affiné pour des applications ou des tâches spécifiques. 

Lors de l'utilisation d'outils d'IA générative tels que ChatGPT, Bing, Bard, Midjouney, les utilisateurs posent des questions par l'intermédiaire d'un message-guide. Le modèle de base est utilisé pour analyser et comprendre l'entrée. Le modèle extrait les informations pertinentes de sa base de connaissances et génère une réponse basée sur la compréhension du contexte et les informations pertinentes extraites.

Le marché actuel de l'IA générative est en pleine expansion, avec l'apparition constante de nouveaux acteurs, applications et outils. 

Le marché devrait atteindre 100 milliards de dollars d'ici 2025.

Voici quelques-uns des facteurs clés qui, selon nous, soutiennent la croissance du marché : 

• L'augmentation de la disponibilité des données et de la puissance de calcul, y compris l'émergence de l'informatique quantique ; 
• La demande croissante de parcours individualisés pour les clients ; 
• Un besoin accru d'automatiser les tâches et les processus ; 
• L'importance croissante accordée à la croissance rapide, à l'innovation et aux prouesses créatives.

Les règles d'or d'une mise en œuvre réussie sont l'acculturation, l'expérimentation et l'adoption :

• L'acculturation consiste à éduquer l'organisation à ces technologies. Elle doit s'accompagner d'une phase de gestion du changement à long terme. Ces technologies remplaceront certains emplois mais en amélioreront considérablement d'autres, tels que les professions créatives et d'ingénierie, que les technologies précédentes ne pouvaient pas stimuler de la même manière. 

• L'expérimentation est obligatoire pour évaluer le potentiel de ces technologies dans l'écosystème d'une entreprise et pour prioriser les premiers cas d'utilisation. Alors que certaines entreprises ont interrompu toute activité en raison de craintes liées à la sécurité des données, les outils évoluent rapidement, notamment grâce à leur intégration dans les plates-formes hyperscalaires en nuage, afin de garantir une expérimentation en toute sécurité. 

• L'adoption implique la mise en œuvre de cas d'utilisation de base et de grande valeur à plus grande échelle, accompagnée d'une gestion du changement et d'une transformation. Elle nécessite la mise en place d'un modèle opérationnel agile pour une livraison efficace, capable de s'adapter à l'évolution rapide des technologies de l'IA. La perturbation des activités, qui apporte un avantage concurrentiel, comprendra l'exploitation du large éventail de tâches que l'IA générative peut traiter, alors que les technologies d'IA précédentes étaient axées sur des cas d'utilisation spécifiques. Si ces nouvelles technologies offrent de nombreuses possibilités de création de valeur, leur adoption durable nécessitera d'évaluer et d'atténuer les risques associés.

La diffusion progressive, étendue et inévitable des technologies d'IA générative aura un impact profond sur l'organisation des entreprises. 

Quel que soit le degré d'adoption au sein de l'entreprise, ces technologies apparaîtront de manière intrinsèque, puisqu'elles seront nativement embarquées dans les outils de collaboration, les outils bureautiques, les moteurs de recherche, les logiciels spécialisés, etc. entraînant une automatisation de tâches aujourd'hui réalisées par les employés, ainsi qu'une " augmentation " d'autres activités. 

Les entreprises qui déploient ces technologies à plus grande échelle seront impactées de manière plus disruptive, pour créer plus de valeur et d'avantages concurrentiels. 

A condition de définir, prioriser et évaluer les cas d'usage qu'elles souhaitent déployer, les entreprises mettront à jour leur planification stratégique des effectifs pour prendre en compte les nouveaux métiers directement liés à l'IA (ingénieurs ML, ingénieurs prompteurs, etc.), mais prendront également en compte les impacts sur le reste des équipes pour anticiper la disparition de certains métiers, le besoin de formation ou de recrutement d'autres.

A ce jour, il existe peu de retours d'expérience sur la manière dont les entreprises se sont organisées face au déploiement généralisé de l'IA générative et des technologies disruptives. Cependant, on peut supposer que :

• les méthodologies agiles resteront les plus appropriées en termes de développement de logiciels, compte tenu de la vitesse d'évolution des technologies d'IA générative, qui rendent les performances des générations précédentes obsolètes en quelques semaines ;

• les modèles d'IA générative étant beaucoup plus larges que les modèles d'IA traditionnelle, l'approche "un cas d'utilisation / un modèle" qui a prévalu avec l'IA discriminante pourrait créer un risque de "cloisonnement", limitant la portée et la perturbation de l'IA générative. Quel type d'organisation faut-il mettre en place pour éviter cet écueil ? Faut-il impliquer davantage de métiers/départements lors de la conception d'un cas d'usage, ou faut-il aller jusqu'à centraliser la construction et l'exploitation des modèles de fondation dans une seule équipe dédiée, au service des différents métiers et outils de l'entreprise ?

Potentiels risques

Pour éviter de répéter les erreurs du passé, les risques liés à l'IA générative sont de plus en plus connus. Voici quelques-uns des risques les plus courants :

• Fuites de données : des données propriétaires peuvent fuir l'entreprise si elles sont utilisées pour entraîner des modèles d'IA générative.

• Désinformation : comme l'IA générative tire ses données de sources existantes, nous devons freiner la propagation des "fake news" et d'autres formes de désinformation.

• Biais : l'IA générative peut perpétuer les biais des données sur lesquelles elle est entraînée.

• Deepfakes : la combinaison de la traduction universelle et de l'IA générative dans les domaines de la vidéo et de l'audio constitue une menace sérieuse d'utilisation abusive pour générer des "deepfakes".

• Déplacement d'emplois : l'automatisation de nombreux emplois pourrait entraîner un déplacement d'emplois dans plusieurs secteurs.

• Hallucinations de l'IA : manque de fiabilité des informations.

• Utilisation de l'IA générative pour les cyberattaques de nouvelle génération.

• IA "fantôme" : l'IA générative pourrait être interdite dans certaines entreprises ou certains départements, mais les employés pourraient utiliser des outils externes, disponibles en un seul clic, ce qui créerait un risque de fuite de données, mais aussi un risque pour le processus de prise de décision.

Questions ouvertes 

• Responsabilité : si des tiers utilisent des services d'IA générative, qui est responsable en dernier ressort lorsque ces services sont utilisés abusivement pour porter atteinte à la vie privée des consommateurs ? 

• Propriété intellectuelle : qui détient en dernier ressort la propriété intellectuelle liée à la production créative à laquelle l'IA générative a participé ? 

• Octroi de licences : faut-il mettre en place un système d'octroi de licences similaire à celui du secteur bancaire pour désigner ceux qui peuvent fournir des services d'IA générative et qui doivent se conformer à des normes rigoureuses ? En outre, ce système devrait-il être organisé à l'échelle mondiale ? 

• Discrimination algorithmique : comment empêcher les biais de se glisser dans les apprentissages de l'IA ?

Conformité interne

Plusieurs grandes entreprises interdisent ou limitent l'utilisation par leurs employés d'outils d'IA générative tels que ChatGPT. 

Au-delà de l'alignement sur les lois et réglementations applicables, il convient de prendre en compte les éléments suivants :

• Publier des lignes directrices exigeant des employés qu'ils vérifient l'exactitude, la pertinence et l'utilité de tout résultat généré par l'IA générative avant de l'accepter. 

• Interdire l'utilisation de l'IA générative pour les données sensibles ou confidentielles ou l'utilisation d'une version privée de l'outil qui ne partage pas les données avec des parties externes.

Travailler avec des experts en la matière, des auditeurs et des technologues pour garantir la fiabilité et la qualité des données et des résultats générés par l'IA générative.

Cadre réglementaire

Les activités d'IA générative s'inscrivent dans un cadre réglementaire disparate : bien qu'aucun texte juridique spécifique ne régisse son utilisation, les principes généraux existants de plusieurs réglementations restent applicables à l'utilisation de l'IA générative.