Applications d’IA générative : passer de l’expérimentation à la production

James HendergartDirecteur principal de la recherche technique | F5

Des promesses, toujours des promesses. Les applications basées sur l’IA générative promettent d’accroître la productivité humaine et, par conséquent, les bénéfices des entreprises. Pour de nombreux cas d’usage, le passage de l’expérimentation à la production reste aussi frénétique que périlleux, à l’image du jeu vidéo de Konami sorti en 1981, « Frogger ». La grenouille doit rentrer chez elle, d’abord en traversant une rue très fréquentée, puis une rivière au courant rapide. Elle ne peut pas rester immobile, mais elle ne peut pas non plus toujours bondir en avant en raison du danger inhérent.

Les entreprises sont la grenouille. La rue et la rivière représentent les flots vertigineux de technologies d’IA qui défilent. Les espaces sûrs (les portions dégagées de la rue et les rondins flottants) sont les projets développés en interne et les offres des fournisseurs. Les voitures, les camions, les tortues et les eaux libres représentent les risques éthiques et juridiques de l’IA générative, ainsi que ceux liés à la confidentialité et à l’exactitude. Le foyer se trouve sur l’autre rive, là où les bénéfices des entreprises s’envolent une fois les applications d’IA générative mises en production.

Mettre l’IA générative en production, c’est comme jouer à Frogger

L’essor fulgurant de l’IA générative crée un sentiment d’urgence fébrile au sein des entreprises. Mais la rapidité avec laquelle les modèles progressent peut paralyser certaines organisations : le terrain évolue si vite sous leurs pieds qu’elles ne parviennent plus à trouver leurs repères face à des changements constants et rapides. Le secret pour adopter l’IA générative, c’est comme lorsqu’on lance une partie de Frogger : il faut se jeter à l’eau !

En partant des cas d’usage fondamentaux de l’IA générative, les entreprises peuvent commencer à expérimenter dès qu’elles ont déterminé ceux qui leur semblent les plus intéressants. Qu’elles développent une application intégrant l’IA, testent des solutions tierces ou combinent les deux approches, ces premiers essais permettront de préciser les besoins réels de l’entreprise. À ce stade précoce, la clé du succès consiste à s’engager sur une version minimale de l’application qui réponde aux exigences de sécurité et d’efficacité nécessaires à sa mise en production. Celle-ci devient alors le socle de l’organisation. À partir de là, les entreprises peuvent aller de l’avant, déterminer quelles avancées des modèles sont pertinentes et décider s’il est plus judicieux de développer leur propre solution ou d’en acheter une.

Deux écueils ralentiront inévitablement toute organisation cherchant à adopter l’IA générative : l’entraînement de modèles en interne et les référentiels de données privées. Le rythme d’évolution des modèles fondamentaux se mesure désormais en semaines et en mois, tandis que leurs versions dérivées sont mises à jour quotidiennement. Il suffit de consulter le suivi des modèles de HuggingFace pour s’en convaincre. La page que je viens d’afficher en rédigeant cet article est presque entièrement remplie de modèles mis à jour il y a moins d’une minute. Il faut faire défiler la page au-delà de la partie visible à l’écran pour trouver un modèle datant de plus de deux minutes !

Si les données nécessaires pour répondre à une question posée à l’IA sont accessibles au public, il existe probablement déjà un large choix de modèles de fondation utilisables via une API. En revanche, si les données ne sont pas publiques, il faut décider s’il convient de les transmettre lors de l’inférence ou de créer ou d’acquérir un modèle et de le déployer dans un environnement privé. Payer pour accéder à un modèle est assurément plus rapide et très probablement moins coûteux que de créer ou d’acquérir sous licence, d’héberger et de maintenir son propre modèle en interne. Quel est le superpouvoir de votre entreprise ? S’il ne consiste pas à créer ou à maintenir de grands modèles de langage (LLM), vous devriez probablement acheter une solution plutôt que de la développer et de l’héberger vous-même.

Et pour les données privées, les fenêtres de contexte et les options de personnalisation des LLM ont évolué si rapidement que les garanties de sécurité et de conformité de niveau entreprise, comparables à celles déjà admises pour le cloud computing, répondent aux exigences de la plupart des entreprises. De fait, le message aucun entraînement sur vos données a été parfaitement entendu par les fournisseurs de modèles en 2023. Prenons ChatGPT Enterprise comme exemple : cette solution affiche une conformité SOC 2 Type 2, une authentification unique SAML, le chiffrement des données au repos et en transit, ainsi que des espaces de travail dédiés prenant en charge la conservation des données et la vérification des domaines — pas mal, non ? Pour 92 % des entreprises du Fortune 500, cela semble en tout cas largement suffisant.

Les organisations qui croient aux promesses de l’IA générative ne doivent pas se laisser paralyser par les dangers inhérents à cette technologie ni par les progrès quotidiens des grands modèles de langage (LLM). Elles peuvent réussir en se lançant en toute connaissance de cause. Le cycle initial d’expérimentation permet de gagner en confiance et de déterminer quelles tâches tirent le meilleur parti d’une utilisation sûre et éthique. Celles-ci doivent ensuite être déployées en production dans toute l’organisation, afin d’accorder un répit aux équipes chargées de l’évaluation et de la mise en œuvre, tout en laissant à l’organisation le temps de mesurer les gains de productivité, de hiérarchiser les prochaines tâches et de déterminer s’il est plus judicieux de développer ses propres LLM ou d’acheter un accès à des modèles existants.

À propos de l’auteur

James HendergartDirecteur principal de la recherche technique | F5

Autres articles de James Hendergart