Si vous me décriviez vos symptômes en tant que dirigeant d'entreprise et que je les saisissais dans ChatGPT, vous attendriez-vous à ce que je génère et prescrive un plan de traitement sans consulter d'abord un médecin ? Que diriez-vous si je vous offrais un arrangement : les meilleurs data scientists au monde rejoindraient votre organisation, mais tous vos experts métier devraient aller chez votre concurrent, vous laissant avec des données mais sans experts pour les contextualiser ?
Dans le paysage actuel dominé par l'IA, de nombreuses voix se font entendre sur les opportunités, les risques et les meilleures pratiques pour intégrer l'IA générative, notamment les modèles linguistiques comme GPT-4 ou Bard. Chaque jour, nous assistons à des annonces de nouveaux modèles open-source, de percées en recherche et de lancements de produits.
Au cœur de cette évolution rapide, l'accent est mis sur les capacités des modèles linguistiques. Cependant, le langage n'est efficace que lorsqu'il est associé à la connaissance et à la compréhension. Par exemple, si quelqu'un mémorise tous les mots liés à la chimie sans avoir les bases nécessaires, ce langage mémorisé demeurera inefficace.
Obtenir la Recette Parfaite
Les modèles linguistiques peuvent induire en erreur car ils génèrent du contenu sans réelle compréhension. Par exemple, s’ils sont chargés de créer une nouvelle recette, ils peuvent analyser des recettes antérieures pour en tirer des corrélations, mais manquent de la connaissance intrinsèque des goûts. Cela peut aboutir à des combinaisons étranges, comme mélanger de l'huile d'olive, du ketchup et des pêches — des mélanges improbables à cause de leur absence dans les ensembles de données antérieurs, pas parce que le modèle possède une réelle expertise culinaire.
Ainsi, une recette bien élaborée par un modèle linguistique est statistiquement dérivée grâce aux contributions d’experts culinaires. La clé des modèles linguistiques efficaces réside dans l’intégration de l’expertise.
L’Expertise Combine Langage, Connaissance et Compréhension
L'expression "corrélation ne signifie pas causalité" résonne chez les professionnels des données, soulignant le risque de lier à tort deux phénomènes non liés. Bien que les machines excelent dans l'identification de corrélations et de motifs, une véritable expertise est essentielle pour discerner la causalité et orienter la prise de décision.
Dans notre parcours d'apprentissage, le langage n'est qu'un point de départ. En grandissant, les enfants développent leur langage tandis que leurs accompagnateurs leur transmettent des connaissances sur leur environnement. Ils finissent par saisir les concepts de cause à effet, établissant des liens entre des actions, comme sauter dans un lac, et leurs résultats. À l'âge adulte, nous intégrons des structures complexes d'expertise qui entremêlent langage, connaissance et compréhension.
Recréer la Structure de l’Expertise
Explorer un sujet sans connaissance ni compréhension ne signifie pas posséder une expertise. Par exemple, je sais qu'une voiture a une transmission et un moteur avec des pistons, mais pour comprendre leur fonctionnement et être capable de les réparer, il me faudrait de l'expérience pratique — un domaine où je manque d'expertise.
Dans un contexte machine, les modèles linguistiques sans connaissance associée ne devraient pas prendre de décisions. Laisser un modèle linguistique opérer indépendamment revient à donner une boîte à outils à quelqu'un qui ne sait que prédire le mot suivant en rapport avec les voitures.
Exploiter les Modèles Linguistiques en Recréant l’Expertise
Pour utiliser efficacement les modèles linguistiques, nous devons partir de l'expertise et rétroconcevoir le processus. L'apprentissage automatique (ML) et l'enseignement automatique mettent l'accent sur la traduction de l'expertise humaine en formats lisibles par machine, permettant aux machines d'informer ou de prendre des décisions de manière autonome, enrichissant ainsi la capacité humaine à prendre des décisions nuancées.
Une idée reçue sur l'IA et le ML est que les données sont l'élément le plus critique. En réalité, c'est l'expertise qui occupe cette position. Si un modèle manque de l'orientation d'un expert, quelles informations précieuses peut-il tirer des données ?
En identifiant les motifs que les experts reconnaissent comme bénéfiques, nous pouvons traduire ces connaissances en langage machine pour une prise de décision autonome. Ainsi, le processus débute par l'expertise et se travaille à l'envers. Par exemple, un opérateur de machine peut reconnaître certains sons indiquant des ajustements nécessaires. En dotant les machines de capteurs, cette expertise peut être traduite en langage machine, libérant ainsi l'opérateur pour d'autres tâches.
Identifier l’Expertise Critique
Lors de la construction de solutions d'IA, les organisations doivent déterminer quelle expertise est la plus cruciale et évaluer le risque lié à la perte de ce savoir par rapport aux bénéfices potentiels de l'automatisation des décisions associées.
Y a-t-il un employé essentiel à un processus particulier ? Les tâches routinières peuvent-elles être déléguées à des systèmes autonomes pour offrir plus de temps aux employés ? Après cette évaluation, les organisations peuvent discuter de la manière de traduire des expertises à haut risque ou à fort potentiel en langage machine.
Heureusement, les bases des systèmes experts sont souvent déjà établies. Les modèles linguistiques peuvent tirer parti de l'expertise existante programmée en eux.
Exploration vers Opérations
Dans la prochaine décennie, le paysage du marché évoluera en fonction des investissements des organisations dans l'IA. Pour un exemple de mise en garde, considérons Netflix, qui a introduit le streaming en 2007, entraînant la faillite de Blockbuster trois ans plus tard, malgré les premières initiatives de Blockbuster dans ce domaine.
Lorsque des concurrents lancent des applications d'IA avancées, il peut être trop tard pour d'autres pour s'adapter, compte tenu du temps et des compétences nécessaires pour élaborer des solutions robustes.
D'ici 2030, les entreprises qui choisiront de réagir plutôt que d'innover pourraient se retrouver obsolètes, à l'instar de Blockbuster.
Au lieu d'attendre que d'autres les rattrapent, les dirigeants d'entreprise devraient explorer de manière proactive les positions uniques qu'ils peuvent créer sur le marché, amenant ainsi leurs concurrents à se démener pour trouver des solutions.
À l'ère de la transformation autonome, les organisations qui privilégient le transfert de l'expertise opérationnelle vers les machines et qui envisagent les dynamiques de marché futures renforceront leur position sur le marché.
Classement
