Guillaume Lanthier - Practice manager IA & Data - Smile
Les LLM (Larges Languages Models) représentent avant tout une technologie de transformation. Ils ne se bornent pas à améliorer une technologie existante, ni à satisfaire un besoin préexistant. En réalité, l'IA générative a la capacité non seulement d'enrichir les produits des entreprises et de susciter de nouveaux besoins, mais surtout de transformer fondamentalement la manière dont les individus travaillent en tant que collaborateurs et interagissent en tant que clients.
Réinventer les concepts de productivité et d'organisation
Dans un business process classique, l'approche consiste à identifier des points de douleur puis à proposer une solution correspondante. Toutefois, avec l'IA générative qui opère une transformation profonde, cette méthode traditionnelle est soumise à un examen minutieux. Les LLM ne sont pas un produit en soi, mais plutôt un moteur de transformation et d'innovation. L'IA générative représente un outil, une capacité, adaptable à une multitude de produits, services et applications en vue de les améliorer, de les personnaliser et de les rendre plus efficaces. Par exemple, elle peut être intégrée dans des chatbots pour rendre les interactions plus naturelles, dans des systèmes de recommandation pour fournir des suggestions plus pertinentes, ou dans des outils d'analyse de données pour générer des informations précises.
En somme, c'est une technologie qui exige une intégration et une adaptation précises aux contextes particuliers pour déployer son plein potentiel. En un sens, il n'y a pas de cas d'utilisation spécifiques prédéfinis, car pratiquement tous les aspects du travail et des organisations commerciales peuvent être impactés. De plus, lorsqu'il s'agit d'automatisation basée sur le contenu, les distinctions entre les secteurs d'activité perdent de leur pertinence. Cependant, il est crucial de noter que cette précision ne signifie pas que les LLM peuvent tout accomplir, que tous les clients sont identiques, ou que des ajustements ne sont pas nécessaires.
Bien au contraire. Les LLM généralistes démontrent leur remarquable capacité à ingérer et à générer tout type de contenu. Cependant, l'opportunité réside dans la personnalisation de ces modèles pour résoudre des problèmes pointus. Chaque fonction présente des besoins uniques propres à l’organisation dans laquelle elle évolue, allant de la création automatisée de rapports financiers à la génération de descriptions de produits pour les plateformes de commerce en ligne.
S’adapter à des attentes métiers et répondre à leurs usages
Si les LLMs d’OpenAI ou d’Anthropic sont d’une puissance extraordinaire, ce n’est pas pour autant qu’ils représentent la meilleure solution pour un cas d’usage précis. Il est en effet nécessaire d’adapter et de dimensionner le LLM au cas d’usage. Ainsi, les techniques d’adaptation de RAG (Retrival Augmented Generation) permettent de résoudre ce problème en entraînant le modèle sur des données lui conférant un contexte. On obtient alors un LLM plus efficace qu’un modèle généraliste tout en étant plus compact et plus frugal. Cette personnalisation permet aux modèles d'aborder des défis complexes tels que la détection de fraudes, la gestion de la relation client ou la lecture d’un contrat complexe. Un LLM fine-tuné pourra être combiné à un LLM généraliste pour répondre à différents cas d’usages.A titre d’exemple, le projet TheLLMa incarne une initiative avant-gardiste dans le domaine des Modèles de Langage à Grande Échelle (LLM) dédiés spécifiquement à l'écosystème industriel français.
Au final, il y a de fortes chances que des initiatives similaires se multiplient au cours des mois et des années à venir. Une transformation réussie par le biais de l'IA dépendra de la capacité des organisations à identifier et à utiliser des modèles généralistes et fine-tuné mais aussi à s’appuyer sur des chaînes de valeur associées.
Réinventer les concepts de productivité et d'organisation
Dans un business process classique, l'approche consiste à identifier des points de douleur puis à proposer une solution correspondante. Toutefois, avec l'IA générative qui opère une transformation profonde, cette méthode traditionnelle est soumise à un examen minutieux. Les LLM ne sont pas un produit en soi, mais plutôt un moteur de transformation et d'innovation. L'IA générative représente un outil, une capacité, adaptable à une multitude de produits, services et applications en vue de les améliorer, de les personnaliser et de les rendre plus efficaces. Par exemple, elle peut être intégrée dans des chatbots pour rendre les interactions plus naturelles, dans des systèmes de recommandation pour fournir des suggestions plus pertinentes, ou dans des outils d'analyse de données pour générer des informations précises.
En somme, c'est une technologie qui exige une intégration et une adaptation précises aux contextes particuliers pour déployer son plein potentiel. En un sens, il n'y a pas de cas d'utilisation spécifiques prédéfinis, car pratiquement tous les aspects du travail et des organisations commerciales peuvent être impactés. De plus, lorsqu'il s'agit d'automatisation basée sur le contenu, les distinctions entre les secteurs d'activité perdent de leur pertinence. Cependant, il est crucial de noter que cette précision ne signifie pas que les LLM peuvent tout accomplir, que tous les clients sont identiques, ou que des ajustements ne sont pas nécessaires.
Bien au contraire. Les LLM généralistes démontrent leur remarquable capacité à ingérer et à générer tout type de contenu. Cependant, l'opportunité réside dans la personnalisation de ces modèles pour résoudre des problèmes pointus. Chaque fonction présente des besoins uniques propres à l’organisation dans laquelle elle évolue, allant de la création automatisée de rapports financiers à la génération de descriptions de produits pour les plateformes de commerce en ligne.
S’adapter à des attentes métiers et répondre à leurs usages
Si les LLMs d’OpenAI ou d’Anthropic sont d’une puissance extraordinaire, ce n’est pas pour autant qu’ils représentent la meilleure solution pour un cas d’usage précis. Il est en effet nécessaire d’adapter et de dimensionner le LLM au cas d’usage. Ainsi, les techniques d’adaptation de RAG (Retrival Augmented Generation) permettent de résoudre ce problème en entraînant le modèle sur des données lui conférant un contexte. On obtient alors un LLM plus efficace qu’un modèle généraliste tout en étant plus compact et plus frugal. Cette personnalisation permet aux modèles d'aborder des défis complexes tels que la détection de fraudes, la gestion de la relation client ou la lecture d’un contrat complexe. Un LLM fine-tuné pourra être combiné à un LLM généraliste pour répondre à différents cas d’usages.A titre d’exemple, le projet TheLLMa incarne une initiative avant-gardiste dans le domaine des Modèles de Langage à Grande Échelle (LLM) dédiés spécifiquement à l'écosystème industriel français.
Au final, il y a de fortes chances que des initiatives similaires se multiplient au cours des mois et des années à venir. Une transformation réussie par le biais de l'IA dépendra de la capacité des organisations à identifier et à utiliser des modèles généralistes et fine-tuné mais aussi à s’appuyer sur des chaînes de valeur associées.