Transcription

• Speaker #0

  Bienvenue dans ce hors-série de la minutia. Aujourd'hui, je vous propose un format un peu différent, un épisode plus long pour prendre le temps de revenir sur les fondamentaux. Parce que lorsque l'on parle d'intelligence artificielle, on entend vite des mots barbares comme machine learning, LLM, prompt, rag, agent, poc ou encore hallucination. Et quand on ne travaille pas directement dans ce domaine, il peut être difficile de comprendre ce qui se cache derrière tous ces termes. Alors aujourd'hui, on va remettre un peu d'ordre dans tout ça. Qu'est-ce qu'un projet IA ? Quelles sont les principales technologies qui se cachent derrière ce terme ? Et surtout, quelles sont les définitions essentielles à connaître pour pouvoir suivre une discussion autour de l'intelligence artificielle sans se perdre dans le jargon ? Pas besoin d'être ingénieur ou data scientist. décoder les principaux termes avec des exemples concrets. Commençons par le début. Qu'est-ce qu'un projet IA ? Un projet d'intelligence artificielle, ce n'est pas simplement acheter un outil utilisant l'intelligence artificielle. Et ce n'est certainement pas non plus installer ChatGPT dans une entreprise. Un projet d'intelligence artificielle devrait avant tout partir d'un besoin métier. Par exemple, réduire le temps passé à rechercher une information. Aider un service à préparer certaines réponses, analyser un grand nombre de documents, anticiper une panne ou encore automatiser certaines tâches répétitives ou aider un collaborateur à prendre une décision. À partir de ce besoin, on va rechercher à déterminer si l'intelligence artificielle peut apporter une réponse pertinente. Un projet d'intelligence artificielle réunit donc plusieurs éléments. Un problème métier, des utilisateurs, des données, une technologie, une interaction dans l'existant et des résultats à mesurer. Et c'est un point important, la technologie n'est finalement qu'une partie du projet. Nous allons commencer par une première famille de mots-clés, IA, Machine Learning et Deep Learning. Commençons par le terme le plus large, l'intelligence artificielle. L'intelligence artificielle désigne un ensemble de technologies permettant à une machine d'effectuer certaines tâches que l'on associe généralement à des capacités humaines. Par exemple, reconnaître une image, classer des informations, faire une prédiction, comprendre un langage, générer du contenu ou aider à prendre une décision. Mais toutes les intelligences artificielles ne fonctionnent pas de la même manière. C'est là qu'intervient le machine learning. Le machine learning ou apprentissage automatique. C'est une branche de l'intelligence artificielle. L'idée est assez simple. Au lieu de programmer manuellement toutes les règles possibles, on utilise des données pour permettre à un modèle d'identifier des régularités. Il peut ensuite utiliser ce qu'il a appris pour faire une prédiction ou une classification. Prenons un exemple. On peut entraîner un système sur un grand nombre de transactions afin qu'il apprenne à identifier celles qui représentent des caractéristiques inhabituelles. et qui pourrait correspondre à une fraude. Autre terme que vous pouvez entendre, le deep learning ou apprentissage profond. Le deep learning est lui-même une famille du machine learning. Il repose notamment sur des réseaux de neurones comportant de nombreuses couches. C'est l'une des technologies qui a permis de grandes avancées ces dernières années dans la reconnaissance d'images, le traitement du langage ou encore l'intelligence artificielle générative. Et justement, qu'est-ce que l'IA générative ? L'IA générative désigne des modèles capables de produire du nouveau contenu. Ce contenu peut être du texte, une image, du son, une vidéo ou encore du code. ChatGPT est l'un des exemples les plus connus. Mais attention à une confusion fréquente. L'intelligence artificielle et l'intelligence artificielle générative ne veulent pas... pas à dire la même chose. Un système capable de prédire une panne ou de détecter une fraude utilise potentiellement de l'intelligence artificielle. Mais ce n'est pas pour autant une intelligence artificielle générative. L'IA générative n'est donc qu'une partie du domaine beaucoup plus large de l'intelligence artificielle. LLM, prompt et token, trois mots que l'on entend partout. Commençons par LLM. LLM signifie Large Language Model ou Grand Modèle de Langue en français. Il s'agit d'un modèle entraîné sur de très grandes quantités de textes afin d'apprendre les relations entre les mots, les phrases et les concepts. Il peut ensuite produire du texte, résumer un document, traduire, répondre à une question ou encore Générer du code. ChatGPT par exemple s'appuie sur des LLM. Mais il faut faire une distinction importante. Le LLM est en quelque sorte le moteur. L'application que vous utilisez autour peut comporter beaucoup d'autres éléments. Une interface, des règles de sécurité, des connexions à différentes données ou encore des outils permettant de réaliser certaines actions. Autre mot incontournable. Le prompt est l'instruction que l'on donne au modèle. Cela peut être une simple question, mais un prompt peut aussi contenir un contexte, un objectif, des contraintes, le rôle que l'on souhaite donner à l'intelligence artificielle ou encore le format de réponse attendu. Je vous donne un exemple. Analyse ce contexte rendu et fais-moi ressortir les décisions. prises, les actions à mener et les personnes responsables. Plus l'instruction sera claire et adaptée aux besoins, plus on augmente généralement les chances d'obtenir une réponse utile. Et enfin, le troisième terme, les tokens. Un modèle ne lit pas exactement un texte comme nous. Il le découpe en petites unités que l'on appelle des tokens. Un token peut correspondre à un mot ou à une partie de mots ou encore à un signe de ponctuation. Pourquoi est-ce important ? Parce que ces modèles ont une fenêtre de contexte. Cette fenêtre correspond à la quantité d'informations que le modèle peut prendre en compte au cours d'un échange ou d'une analyse. Dans certains projets, la manière de sélectionner ou d'organiser les informations envoyées au modèle devient donc un véritable sujet. RAG et Fine Tuning, comment utiliser les connaissances de l'entreprise ? Parlons maintenant du RAG. RAG signifie Retrieval Augmented Generation. Derrière ce terme assez technique se cache une idée relativement simple. Au lieu de demander au modèle de répondre uniquement avec ce qu'il connaît déjà, on va lui permettre d'aller chercher des informations dans des documents ou dans une base de connaissances définie. Par exemple, une entreprise... met en place un assistant RH. Un collaborateur lui demande combien de jours de télétravail puis-je prendre ? Le système va d'abord rechercher les informations pertinentes dans les documents RH de l'entreprise. Puis, il va transmettre les informations au modèle afin qu'il puisse construire sa réponse. Le RAG permet donc de rapprocher l'intelligence artificielle des informations propres à l'entreprise. Et surtout, il permet de mettre à disposition du modèle des informations qu'il n'avait pas. pas nécessairement dans son entraînement initial. Cela nous amène à un autre terme, le fine tuning. Le fine tuning, ou ajustement fin, consiste à adapter davantage un modèle existant à l'aide d'exemples spécifiques. RAG et fine tuning ne sont donc pas la même chose. Pour simplifier, le RAG fournit un modèle d'information à consulter, le fine tuning cherche davantage à modifier ou spécialiser son comportement à partir d'exemples supplémentaires. Et contrairement à ce que l'on pourrait penser, tous les projets IA n'ont pas besoin de fine-tuning. Dans beaucoup de situations, il est plus pertinent de commencer par des solutions plus simples. Et un agent IA, c'est quoi ? Le terme agent IA revient de plus en plus souvent. Un agent va généralement plus loin qu'un simple échange de questions-réponses. On lui donne un objectif. et selon les outils et les autorisations qui lui sont accordés, il peut réaliser différentes étapes pour atteindre son objectif. Il pourrait par exemple chercher une information, consulter une application, analyser un document, préparer un compte-rendu ou encore déclencher une action dans un système. Prenant un exemple simple, on pourrait imaginer un agent chargé de préparer une réunion. Il pourrait récupérer certains documents. identifier les dernières décisions prises, préparer une synthèse ou proposer un ordre du jour. Mais attention, le mot agent ne signifie pas qu'on donne une autonomie totale à l'IA. Dans une entreprise, il faut définir précisément ce que l'agent peut faire, quelles données il peut consulter, quelles actions il peut déclencher et surtout, quelles étapes nécessitent une validation humaine. Parlons maintenant des hallucinations. Une hallucination en intelligence artificielle générative correspond à une réponse qui peut sembler parfaitement crédible, mais qui contient pourtant une information fausse ou inventée. Et c'est un point fondamental à comprendre. Un modèle génératif ne peut pas être considéré comme une source systématiquement fiable. Selon le cas d'usage, il faudra donc mettre en place différents mécanismes. Utiliser des sources de référence. Demandez un système de citer ses sources, contrôler les réponses ou conserver une validation humaine. Et plus l'enjeu est important, plus ces contrôles deviennent essentiels. POC, pilote et MVP, trois termes, projets à distinguer. Passons maintenant au vocabulaire que l'on retrouve souvent dans la gestion d'un projet IA. D'abord le POC. POC signifie Proof of Data. off-concept ou preuve de concept en français. L'objectif du POC est généralement de répondre à une question. Est-ce que notre idée peut fonctionner techniquement ? On travaille donc sur un périmètre volontairement limité. Mais attention, un POC réussi n'est pas encore un projet prêt à être déployé dans une entreprise. Il faudra ensuite regarder l'intégration, la sécurité, le coût, la qualité, la robustesse. la capacité à fonctionner à une plus grande échelle et bien sûr, l'adoption par les utilisateurs. On peut ensuite passer à un pilot. Le pilot permet de tester une solution dans des conditions beaucoup plus proches du réel avec de véritables utilisateurs. Enfin, vous entendrez également parler du MVP. MVP signifie Minimum Viable Product. Il s'agit d'une première version du produit, volontairement limitée, mais suffisamment fonctionnelle pour apporter de la valeur aux utilisateurs et recueillir leur retour. L'idée n'est donc pas de construire tout de suite une solution parfaite. Il s'agit plutôt de commencer petit, tester, mesurer, apprendre et enfin améliorer. Et enfin, comment savoir si un projet ? fonctionne vraiment ? Parce qu'un projet d'intelligence artificielle n'est pas réussi simplement parce que la technologie fonctionne. Il faut pouvoir mesurer sa valeur. Par exemple, combien de temps est réellement gagné ? Est-ce que le nombre d'erreurs diminue ? Est-ce que la qualité augmente ? Les délais sont-ils réduits ? Les utilisateurs utilisent-ils réellement la solution ? Les clients ou les collaborateurs bénéficient-ils d'une meilleure expérience ? Et Quel est le coût global du projet par rapport aux bénéfices obtenus ? On retrouve ici la notion de ROI, le retour sur investissement. Mais selon le projet, la valeur peut également être qualitative. Une meilleure expérience utilisateur, une réduction des tâches répétitives ou une meilleure qualité de service peuvent aussi représenter des bénéfices importants. Alors, que faut-il retenir de tout cela ? Quand vous entendez parler de projet IA, ne commencez pas forcément par vous demander quel modèle allons-nous utiliser, ou quel outil faut-il acheter, ou faut-il mettre en place un agent. Commencez plutôt par cinq questions beaucoup plus simples. Quel problème voulons-nous résoudre ? Pour quel utilisateur ? Avec quelles données ? Comment allons-nous mesurer la réussite ? Et enfin, quels risques devons-nous maîtriser ? Parce qu'un projet IA n'est pas simplement un projet technologique. C'est avant tout un projet de transformation qui utilise l'intelligence artificielle pour répondre à un besoin concret. Et comme pour n'importe quel projet de transformation, la technologie seule ne suffit pas. Il faut également des données, des processus, des règles, de la sécurité, de l'accompagnement. et surtout des utilisateurs qui trouvent réellement une valeur dans la solution. J'espère que ce hors-série vous aura permis d'y voir un peu plus clair derrière tous ces termes. Et nous reviendrons prochainement dans la Minute IA sur plusieurs d'entre eux avec des épisodes dédiés. Notamment les LLM, le RAG, les agents IA ou encore la différence entre POC, pilote et MVP. C'était la Minute IA par Sandrine Tougne pour NRS Consulting. L'IA au service de l'humain et de votre transformation.