Avant l'émergence de l'IA générative en tant que tendance majeure de l'industrie, l'IA prédictive préparait déjà le terrain en réalisant des prévisions sur des événements futurs à partir de données existantes. Imaginez tirer parti des forces des deux technologies : c'est la vision de Pecan AI.
Fondée il y a huit ans, Pecan AI a mis en place une plateforme d'analytique prédictive pour les entreprises et a levé 116 millions de dollars de fonds, dont un notable tour de 66 millions de dollars en février 2022.
Présentation de Predictive GenAI
Aujourd'hui, Pecan AI lance Predictive GenAI, un nouvel outil qui fusionne les capacités avancées de l'IA générative avec l'apprentissage automatique prédictif. "Alors que nous étions concentrés sur des solutions classiques d'apprentissage automatique, la révolution de l'IA générative s'est déployée dans l'industrie," a noté Zohar Bronfman, PDG et co-fondateur de Pecan AI. "Cependant, l'IA générative a du mal à effectuer des prévisions précises."
L'IA générative excelle dans diverses tâches, comme la synthèse de contenu et le développement de chatbots, mais elle n'est pas conçue pour faire des prédictions. En revanche, l'apprentissage automatique prédictif peut être difficile à utiliser pour les non-experts. Predictive GenAI de Pecan AI combine ces technologies de manière efficace, permettant aux data scientists de créer facilement des modèles prédictifs.
Rendre l'IA Prédictive Accessible aux Entreprises
Pecan AI vise à simplifier l'adoption de l'apprentissage automatique et de l'IA pour les entreprises. Traditionnellement, les data scientists ont été les principaux utilisateurs des outils d'analytique prédictive. Bronfman a souligné que Pecan AI est conçu pour démocratiser les capacités de l'IA, permettant aux professionnels d'affaires de tirer parti d'insights prédictifs sans nécessiter une expertise technique approfondie.
Caractéristiques Clés de Predictive GenAI
1. Chat Prédictif : Cette fonctionnalité permet aux utilisateurs d'interagir avec une interface de type chatbot, leur offrant la possibilité de poser des questions en langage naturel liées à des enjeux commerciaux spécifiques. Elle guide intuitivement les utilisateurs vers les cadres prédictifs les plus pertinents.
2. Carnet Prédictif : Basé sur SQL et utilisant l'IA générative, ce carnet fait partie intégrante de la création de modèles prédictifs. Il automatise la transformation des données brutes de l'entreprise en ensembles de données exploitables pour l'IA grâce à des cellules générées qui s'occupent des requêtes, de la structuration et de l'assemblage des données. Les utilisateurs peuvent choisir d'exécuter ces cellules automatiquement ou d'apporter des ajustements en utilisant SQL pour une implication plus poussée.
Défis de l'IA Prédictive dans les Modèles Génératifs
Les utilisateurs peuvent constater que, bien que l'IA générative soit efficace dans diverses tâches, elle est moins performante en matière de prédictions. Selon Bronfman, cela s'explique par le fait que les ensembles de données sur lesquels l'IA générative s'appuie lors de l'entraînement ne correspondent pas au format structuré nécessaire à la modélisation prédictive.
Un ensemble de données prédictif doit avoir des entités bien définies en lignes et des caractéristiques claires en colonnes, avec une étiquette cible. Cependant, obtenir des données dans ce format nécessite souvent une ingénierie des données extensive—une tâche généralement effectuée par des data scientists expérimentés. Bronfman a également souligné les limites de l'utilisation de bases de données vectorielles pour la modélisation prédictive. Bien que les intégrations vectorielles puissent soutenir des fonctions prédictives de base, elles fonctionnent souvent avec un ensemble réduit de caractéristiques et nécessitent des modèles simples ou un travail considérable d'ingénierie des caractéristiques par des data scientists pour préparer adéquatement les données.
Innovations dans la Préparation des Données
Bien que l'interface conversationnelle de Predictive GenAI soit sa fonctionnalité la plus visible, Pecan AI s'attache également à innover dans la préparation automatique des données et l'ingénierie des caractéristiques. Parmi les avancées, une solution d'automatisation vise à atténuer les fuites de données—un problème courant qui peut fausser la précision des modèles. Les fuites de données font référence à l'utilisation de données d'entraînement qui devraient rester masquées lors des prévisions, ce qui peut être difficile à identifier sans expertise.
"Détecter les fuites n'est pas facile, surtout pour les non-experts," a expliqué Bronfman. "Nous proposons des méthodes automatisées pour les identifier et les résoudre."
En améliorant l'accessibilité et la précision, Pecan AI est prête à transformer la manière dont les entreprises exploitent l'analytique prédictive, ouvrant la voie à une prise de décision plus éclairée dans le paysage en constante évolution de l'IA.
Classement
