IA et IA GEN : origines, évolution, et impact au sein des entreprises

Introduction

L’intelliGénce artificielle est un concept vaste et en constante évolution. Allant de la reconnaissance vocale aux assistants virtuels, en passant par les systèmes de recommandation et les véhicules autonomes. De nos jours, on peut dire que l’IA est devenue une force incontournable avec des applications diverses et variées.

L’IA générative (IA Gén) se distingue de l’IA (classique ou discriminative) par sa capacité à créer de nouveaux contenus sous différents formats : textes, images, sons et vidéos. Dans cet article, nous allons revenir sur l’histoire de l’IA, son évolution et ses premiers concepts. Puis nous allons parler de l’IA Gén, de ses principaux modèles et de ses applications.

Histoire de l’intelligence artificielle

Les premières origines et concepts de l’IA provenaient de l’idée d’automatiser des tâches répétitives. Les travaux précurseurs incluent ceux d’Alan Turing, l’un des pionniers de l’IA. Dans son papier « Computing Machinery and Intelligence » écrit et publié en 1950, il pose la question suivante : « les machines peuvent-elles penser ? ». Il introduit alors le test connu aujourd’hui par « le test de Turing » visant à déterminer si une machine peut imiter la pensée humaine sans qu’un observateur s’en rende compte.

L’IA a depuis connu des hauts et des bas. Après ces premiers succès, l’IA a vite connu des limitations, notamment à cause des attentes initiales jugées trop optimistes. Les financements étaient également insuffisants, ce qui a conduit à l’abandon de nombreux projets de recherche. 

L’évolution de l’informatique d’une manière générale a permis des avancées significatives, les ordinateurs devenant de plus en plus performants avec des capacités de calcul et de stockages plus importantes. On a alors connu l’arrivée des systèmes experts, marquant un tournant important dans l’histoire de l’IA. 

Depuis les années 2000, l’IA a connu des progrès spectaculaires. Le Deep Learning (sous discipline du Machine Learning), basé sur les réseaux de neurones, a révolutionné le domaine. Ces progrès ont été rendus possibles grâce à l’amélioration continue des capacités des infrastructure, mais aussi grâce à la disponibilité des données Big Data. Ces données massives ont en effet permis à l’entrainement des modèles complexes.

Concepts fondamentaux de l’IA

1. Machine Learning

Le Machine Learning (ML) est une sous-catégorie de l’IA. Elle consiste à apprendre à partir d’un jeu de données, et à prendre par la suite des décisions tout en améliorant ses performances au fil du temps. La particularité du ML repose dans son lien direct au Big Data : plus le modèle est entrainé sur des données massives, plus il devient performant. 

2. Apprentissage supervisé et non supervisé

Il existe deux types d’apprentissage :

a. Apprentissage supervisé

On parle d’un apprentissage supervisé lorsque les données sur lesquelles le modèle est entrainé sont étiquetées : chaque donnée en entrée est associée à un résultat et à une sortie connue. Ainsi le modèle, en utilisant un set d’entrainement, saura prédire la sortie. On y compte deux principales applications : la régression et la classification. 

• Régression : Concerne les prédictions des valeurs continues. On peut citer des exemples comme la prédiction du prix d’une voiture d’occasion en fonction des données historiques des dernières années. (prix de la même voiture, et/ou du même constructeur, et/ou d’une voiture dans le même segment …etc).

• Classification :  Concerne cette fois-ci la prédiction des données catégorielles. Par exemple, le fait de classer des emails Spam et non Spam.

b. Apprentissage non supervisé

Dans ce cas de figure, les données ne sont pas étiquetées. Le modèle va donc essayer de regrouper ou de classifier des données dans des ensembles à bases de critères définis. Cette approche est utilisée dans le Clustering et dans la réduction des dimensions dans un jeu de données. Le but ? Les simplifier tout en rendant le calcul moins complexe. 

3. Deep Learning

Le Deep Learning est une spécialité du Machine Learning basée sur de nombreuses couches de réseaux de neurones artificielles afin de fonctionner comme le cerveau humain. Ses modèles peuvent recueillir des données depuis plusieurs sources et les analyser en temps réel sans l’intervention d’un opérateur humain. On les retrouve dans la reconnaissance d’objets et pouvons  distinguer deux principaux types de réseaux :

• CNN pour Convolutional Neural Network (ou encore Computer Vision) : utilisé pour la reconnaissance d’images et dans la détection des objets.

• RNN pour Recurrent Neutral Network : utilisé dans le traitement du langage naturel.

IA générative

L’IA Gén quant à elle est autonome dans la création du contenu sous différents formats : images, vidéos, textes, et sons. Les modèles de l’IA Gén sont entrainés sur de grandes quantités de données.

Les entreprises peuvent utiliser l’IA Gén pour divers besoins. On peut imaginer un Chatbot entrainé au sein d’une organisation sur une documentation d’un métier spécifique, offrant ainsi une aide précieuse aux collaborateurs dans leur recherche d’informations.

1. Principaux modèles d’IA génératives

Nous allons nous intéresser à trois modèles :

a. GAN (Réseaux antagonistes génératifs)

Ce modèle est composé de deux réseaux de neurones, un générateur et un discriminateur. Le premier crée de nouvelles fausses données accompagnées d’un bruit aléatoire, tandis que le deuxième essaie à chaque itération de faire la distinction entre les données réelles et celles créées par le générateur.

Ce processus est répété plusieurs fois, jusqu’à ce que le générateur produise des données si réalistes que le discriminateur ne sait plus les différencier des données réelles. C’est pendant l’entrainement du modèle que les deux réseaux améliorent continuellement leurs performances.

Les GAN sont très utilisés dans la génération des images et de vidéos.

b. Modèles de diffusion

Ces modèles ont montré des résultats impressionnants. Sur plusieurs itérations ils rajoutent progressivement des bruits, aléatoires et contrôlés, aux données en entrée. Dans un deuxième temps le processus est inversé, ce qui supprime et nettoie, itération par itération, le bruit afin d’aboutir à un échantillon de données structuré et semblable à l’original.

c. Transformers (Transformateur génératif pré-entraîné)

Ces modèles apprennent des relations qui existent entres d’énormes quantités de données (documents et textes). Ils ne sont pas entrainés dans l’objectif de répondre à une seule tâche spécifique. Ces modèles vont plutôt interpréter les données en entrée (prompts) puis prédire un résultat en sortie. La force de ces modèles réside dans leur capacité à prendre en compte le coté contextuel du prompt, leur permettant de générer des réponses cohérentes.

GPT est un bon exemple.

2. Les IA Gén les plus connues

• Copilot studio de Microsoft :  avec lequel il est possible de créer desChatbots personnalisés.
• GitHub Copilot : assistant à la programmation et dans la génération du code. Il a été développé par GitHub et OpenIA.
• Midjourney et DALL-E : à partir de descriptions textuelles, ces IA vont pouvoir générer des produits visuels.
• Gamma App : génère des présentations avec des visuels d’une qualité impressionnante.
• Jasper et Copy IA : IA pour la création du texte. Orientées marketing et destinées aux créateurs de contenus.

3. Pourquoi les entreprises doivent-elles s’intéresser à l’IA ?

De nombreuses entreprises, notamment celles avec une approche Data Driven, ont déjà tiré avantage de l’IA (classique). L’IA discriminative par exemple a été utilisé pour les prises de décision basées sur les données, leur permettant d’en tirer profit depuis plusieurs années maintenant. 

Avec l’émergence et le développement rapide de l’IA Gén, de plus en plus d’organisations de secteurs variés ont commencé à l’adopter. Ce Boom est un phénomène récent offrant de nouvelles formes d’opportunités, incitant les entreprises à repenser leur modèle et à explorer davantage de monde de l’IA.

En plus de cette assistance dans la prise des décisions, nous pouvons citer de multiples avantages : 

a. Efficacité opérationnelle

Avec une assistance permanente de l’IA, les collaborateurs pourront consacrer davantage de temps à des activités à forte valeur ajoutée. Fini les tâches quoitidienes et chronophage : l’IA Gén permet un gain de temps considérable, améliorant la productivité globale de l’entreprise

b. Développement de nouveaux produits

L’IA Gén peut assister grandement les équipes de recherche et développement. Elle peut par exemple être utilisée dans la conception mais aussi l’optimisation de l’existant ! Avec l’analyse rapide des données à l’échelle du Big Data, l’IA Gén permettra d’atteindre les objectifs dans de meilleurs délais. * 

c. Être Pionnier

Plus simplement, les entreprises intégrant l’IA Gén dans leurs processus peuvent réagir plus rapidement aux différents changements. Elle peuvent alors anticiper les besoins clients et leur offrir des solutions adaptées en devançant la concurrence.

d. Personnalisation de l’expérience client

Pour améliorer l’engagement et la satisfaction client, l’IA Gén est une vraie solution, notamment sur les systèmes de recommandation.

e. Réduction des coûts

Avec l’IA Gén il est possible de prédire des dysfonctionnements ou pannes et d’agir en anticipant les besoins de maintenance. La gestion des coûts et budgets alloués est aussi facilitée.

f. Chabots et assistants virtuels

Au lieu d’avoir recours à un centre d’appel pour des questions récurrentes que les client se posent, un assistant virtuel répondra largement à ce besoin.

g. Gestion des ressources humaines

On peut imaginer également une assistance IA dans l’analyse des CV et la recherche de profils en effectuant un Matching avec la culture de l’entreprise et les besoins des postes. Mais aussi la possibilité d’identifier les collaborateurs investis et de mieux les accompagner.

Et Pour finir …

Nombreux sont les avantages de l’IA. L’IA Gén évolue très vite et révolutionne déjà le monde du travail en offrant de nouvelles opportunités tout en réduisant les coûts. Aux entreprises de faire leur choix, l’adopter et rester compétitives, ou de rester en retrait et voir le monde avancer sans elles !