Dans quels contextes faut-il éviter d’utiliser l’IA générative ?

L’adoption de l’IA générative (GenAI) a connu un essor spectaculaire au cours de l’année écoulée, et elle est rapidement devenue l’une des techniques d’IA les plus déployées au sein des divisions opérationnelles et des entreprises, comme le montrent les enquêtes menées par Gartner. Et ce pour une bonne raison : L’IA générative promet à la fois des améliorations dans les tâches quotidiennes des entreprises et des avancées qui peuvent radicalement changer la donne sur le plan commercial. Mais l’IA générative est loin d’être une solution miracle.

• Commencez par déterminer si votre utilisation est susceptible de générer de la valeur pour l’entreprise et si elle est réalisable, quelle que soit la technique d’IA employée. Cette étape est importante car certaines applications ne sont pas adaptées à une utilisation de l’IA et ne méritent pas d’être prises en compte.

• Comparez votre application aux différents groupes d’application proposés. L’IA générative est :

  • Extrêmement pertinente : Génération de contenu, interfaces utilisateur conversationnelles, recherche de données

  • Relativement pertinente : Segmentation/classification, systèmes de recommandation, perception, automatisation intelligente, détection d’anomalies/surveillance

  • Pratiquement sans intérêt : Prédiction/prévision, planification, veille décisionnelle, systèmes autonomes

• L’IA générative peut également ne pas convenir à votre utilisation si les risques qui l’accompagnent sont inacceptables et ne peuvent pas être efficacement maîtrisés. Parmi ces risques figurent le manque de fiabilité des résultats, des problèmes de confidentialité des données, de propriété intellectuelle, les risques liés à la responsabilité, la cybersécurité et le respect des réglementations, qu’ils soient envisagés de manière isolée ou conjointement.

• Pour les domaines où l’IA générative est jugée moins pertinente, envisagez de faire appel à d’autres techniques d’IA.

• Les techniques d’IA bien établies et les plus courantes qu’il convient de prendre en considération incluent notamment l’apprentissage machine ou Machine Learning (ML) non génératif, l’optimisation, la simulation, les systèmes heuristiques/à base de règles et les graphes de connaissances. Les techniques émergentes, telles que l’IA causale, l’IA neuro-symbolique et l’IA des principes premiers, gagnent également à être étudiées.

• Il peut être judicieux pour une entreprise de tester une technique d’IA alternative moins complexe avant de mettre en œuvre l’IA générative ; ces techniques sont souvent moins risquées, moins coûteuses et plus faciles à appréhender.

• Les techniques d’IA se complètent et peuvent souvent être combinées de manière à accroître leur précision, leur transparence et leur efficacité, et ce tout en réduisant les coûts et la quantité de données nécessaires.

• Il peut être particulièrement avantageux de combiner les modèles d’IA générative avec d’autres techniques d’IA.

• Les différentes combinaisons possibles de techniques d’IA sont innombrables. Parmi les meilleures associations et les applications les plus courantes, citons :

  • Les modèles de ML non génératifs et l’IA générative pour la segmentation et la classification, la génération de données synthétiques et la vision par ordinateur

  • Les modèles d’optimisation/de recherche et les modèles d’IA générative pour la recherche en entreprise

  • Les modèles de simulation et d’IA générative pour accélérer les simulations

  • Les modèles de graphes et d’IA générative pour la gestion et la récupération assistée des informations

  • Les systèmes à base de règles et modèles d’IA générative pour les chatbots, les robots conseillers et la génération de langage naturel spécialisé