Étudier d'autres solutions, et pas simplement l’IA générative, avec le Hype Cycle pour l’intelligence artificielle 2024

D’ici la fin de l’année 2024, la valeur générée proviendra en grande partie de projets basés sur des techniques d’IA familières, autonomes ou combinées à l’IA générative, et dont les processus standardisés faciliteront leur mise en œuvre. Plutôt que de se concentrer uniquement sur l’IA générative, les responsables de l’IA devraient se tourner vers des techniques d’IA composites qui combinent des approches inspirées d’innovations à tous les stades du Hype Cycle.

Pour autant, l'IA générative pourrait encore constituer une technologie de transformation, accompagnée d’incidences commerciales qui peuvent être considérables, notamment sur la recherche et la création de contenu, la vérification de l’authenticité et la réglementation, l’automatisation du travail humain et l’expérience des clients et des employés. Toujours est-il que l'IA générative se heurte à certains facteurs de risque, en particulier à des préoccupations éthiques et sociétales, un nombre de pratiques exemplaires en matière de sécurité trop limité et à des utilisations malveillantes telles que les deep fakes (infox vidéo) et la désinformation. 

Le volume et l’ampleur des projets d’IA sont tels que les responsables de l'IA doivent élargir le champ d'action de l'IA pour dépasser le cadre des réflexions techniques. Les entreprises ont tout intérêt à accorder une attention particulière aux aspects liés à l'IA, tels que la gouvernance, la gestion des risques, la sécurité et les mesures d'atténuation de la dette technique.

La gouvernance des données (garantir que les données d’entraînement de l’IA d’une entreprise sont exactes, complètes, exemptes de biais et qu’elles reflètent son déploiement futur sans être trop limitées) est l’un des plus grands obstacles dans la course à l’adoption de l’IA composite. À cela se greffe une autre difficulté : à mesure que l’IA est intégrée dans les processus des entreprises, les organisations qui l’utilisent sont soumises à une surveillance réglementaire accrue, tout particulièrement pour ce qui est du respect des règles d'éthique professionnelle et des lois sur la confidentialité des données.

Même lorsqu'une entreprise déploie un modèle d'IA de manière sécurisée et se conforme à la réglementation, des problèmes d'évolutivité, de complexité technique et organisationnelle, d'acceptation et d'adoption par les utilisateurs ainsi que des difficultés imprévues peuvent entraver la mise en œuvre de l'IA à l'échelle de l'entreprise.

L’IA composite représente la prochaine phase de l’évolution de l’IA. Cette approche suppose de combiner des méthodes d’IA, telles que le machine learning, le traitement du langage naturel et les graphes de connaissances, pour créer des solutions plus adaptables et plus évolutives.

Cette approche permet aux entreprises de renforcer considérablement les résultats de leurs projets en matière d'intelligence artificielle, ce qui se traduit par des prédictions, des décisions et des automatisations plus précises, même dans des environnements complexes. L’IA composite est particulièrement performante quand on la compare aux formes d’IA isolées, car elle ne repose pas sur une seule technique, ce qui permet de répartir ses éventuels risques d’échec sur plusieurs techniques au lieu d’une seule afin de les atténuer.

Par exemple, l’intégration de systèmes basés sur des règles avec le machine learning permet aux entreprises de mieux gérer les données non structurées, améliorant ainsi leur capacité à tirer des conclusions de divers ensembles de données. En adoptant l’IA composite, les entreprises peuvent résoudre des problèmes qui étaient auparavant trop complexes pour être traités par des modèles d’IA à technique isolée.

Les deux technologies qui progressent le plus dans le Hype Cycle de cette année sont l’ingénierie de l’IA et les graphes de connaissances. 

L’ingénierie de l’IA joue un rôle fondamental dans la mise en œuvre de l’intelligence artificielle et de l’intelligence artificielle générative à grande échelle par les entreprises. La plupart des entreprises ne disposent pas des données, des analyses et des logiciels nécessaires pour mettre en production des projets d’IA à grande échelle, et encore moins pour exploiter un portefeuille de solutions d’IA à grande échelle. Les approches d’ingénierie de l’IA, telles que DataOps, ModelOps et DevOps, permettent de déployer facilement des modèles en production dans un environnement structuré et reproductible.

Les graphes de connaissances sont des représentations assimilables/lisibles par une machine des environnements physiques et numériques. Ils permettent de présenter les informations dans un format visuel intuitif, tout en restant capables de traduire des relations complexes. Plus important encore, ils fournissent une logique fiable et un raisonnement qui peut être justifié (par opposition aux capacités prédictives faillibles mais néanmoins impressionnantes de l'IA générative).