Derrière ChatGPT : l’avenir de l’IA générative pour les entreprises

Les sociétés de capital-risque ont investi plus de 1,7 milliard de dollars dans des solutions d’IA générative au cours des trois dernières années, la recherche de médicaments assistée par l’IA et la programmation de logiciels basés sur l’IA ayant reçu le plus de financement. 

« Les premiers modèles de base comme ChatGPT se concentrent sur la capacité de l’IA générative à enrichir les tâches créatives, mais d’ici 2025, nous prévoyons que plus de 30 % (il n’y a aujourd’hui aucun exemple de telles applications) des nouveaux médicaments et matériaux seront systématiquement découverts à l’aide de techniques d’IA générative », déclare Brian Burke, vice-président de la recherche en matière d’innovation technologique chez Gartner. « Il ne s’agit là que de la première des nombreuses applications potentielles dans l’industrie. »

Télécharger maintenant : radar des incidences des technologies émergentes de Gartner pour 2023

L’IA générative peut analyser toutes les possibilités de conception d’un objet afin de trouver le modèle qui convient le mieux. Elle permet non seulement d’améliorer et d’accélérer la conception dans de nombreux domaines, mais aussi « d’inventer » de nouveaux types de conceptions ou de nouveaux objets que les concepteurs humains n’auraient autrement peut-être pas identifiés.

Les secteurs du marketing et des médias perçoivent d’ores et déjà les incidences de l’IA générative. Gartner prévoit que :

• d’ici 2025, 30 % des messages marketing émanant des grandes entreprises seront générés par des machines automatisées, contre moins de 2 % en 2022.

• D’ici 2030, un film à grand succès sortira dont 90 % du contenu aura été généré par l’IA (du scénario aux contenus vidéo), alors que ce pourcentage est nul en 2022.

Néanmoins, les innovations en matière d’IA connaissent un essor général, ce qui a donné lieu à de nombreux exemples d’utilisation de l’IA générative dans divers secteurs, dont les cinq suivants.

Une étude réalisée en 2010 a mis en évidence que le coût moyen du développement d’un médicament depuis sa phase de recherche jusqu’à sa mise sur le marché s’élevait à environ 1,8 milliard de dollars, dont un tiers était consacré à la recherche. L’IA générative a déjà été utilisée pour concevoir des médicaments destinés à diverses utilisations en l’espace de quelques mois, ce qui offre aux entreprises pharmaceutiques d’importantes possibilités de réduire à la fois les coûts et les délais de la mise au point de médicaments.

L’IA générative exerce également une influence sur les secteurs de l’automobile, de l’aérospatiale, de la défense, de la médecine, de l’électronique et de l’énergie, en permettant de composer des matériaux entièrement nouveaux, dotés de propriétés physiques spécifiques. Le processus que l’on dénomme ingénierie inversée définit les propriétés requises et recherche des matériaux susceptibles de posséder ces propriétés, plutôt que de s’en remettre uniquement au hasard pour identifier un matériau qui les possède. On peut ainsi découvrir, par exemple, des matériaux présentant une meilleure conductivité ou une plus grande attraction magnétique que ceux actuellement utilisés dans les secteurs de l’énergie et des transports, ou encore des matériaux qui doivent être résistants à la corrosion.

L’IA générative peut utiliser l’apprentissage par renforcement (une technique d’apprentissage automatique ou de machine learning) pour optimiser l’emplacement des composants dans la conception des puces semi-conductrices (définition du plan de masse ou floorplanning), ce qui permet de raccourcir ainsi la durée du cycle de vie du développement des produits, celle-ci passant de plusieurs semaines lorsque l’on fait appel à des experts humains à quelques heures lorsque l’on utilise l’IA générative.

L’IA générative permet de générer des données synthétiques, c’est-à-dire une catégorie de données dont la génération ne résulte pas d’observations directes du monde réel. Cela permet de préserver la confidentialité des sources de données utilisées pour former le modèle. Il est ainsi possible de générer artificiellement des données médicales à des fins de recherche et d’analyse sans révéler l’identité des patients dont les dossiers médicaux ont été utilisés pour garantir la confidentialité.

L’IA générative permet aux différents acteurs des secteurs de la production, de l’automobile, de l’aérospatiale et de la défense de concevoir des pièces optimisées en fonction d’objectifs et de contraintes spécifiques, notamment en ce qui concerne les performances, les matériaux et les méthodes de production. Ainsi, les constructeurs automobiles peuvent utiliser la conception générative pour innover et concevoir des modèles plus légers, contribuant ainsi à leurs objectifs visant à rendre les voitures plus économes en carburant.

La plupart des systèmes d’intelligence artificielle actuels se composent de fonctions de classification, autrement dit, ils peuvent être entrainés à faire la distinction entre des images de chiens et de chats. Les systèmes d’IA générative peuvent être entrainés à générer une image d’un chien ou d’un chat non présent dans le monde réel. Cette capacité de création de ces technologies change la donne.

L’IA générative permet aux systèmes de générer des créations à forte valeur ajoutée, tels que des vidéos, des récits, des données de formation et même des dessins et des schémas. 

Par exemple, Generative Pre-trained Transformer (GPT) est une technologie de langage naturel qui fait appel au deep learning pour produire des textes semblables à ceux d’un être humain. La troisième génération (GPT-3), qui prédit dans une phrase les prochains mots les plus probables sur la base de son apprentissage automatique, peut écrire des histoires, des chansons et de la poésie, et même du code informatique. Elle permet à ChatGPT de faire les devoirs de votre adolescent en quelques secondes.

En plus de ces contenus textuels, les générateurs d’images numériques, tels que DALL·E 2, Stable Diffusion et Midjourney, peuvent générer des images à partir d’un texte. 

L’IA générative fait appel à un certain nombre de techniques, mais ce sont les modèles de fondation qui ont le plus récemment occupé le devant de la scène. 

Les modèles de fondation sont formés sur des sources de données générales de façon autonome et peuvent ensuite être adaptés pour résoudre de nouveaux problèmes. Ces modèles de fondation sont principalement basés sur des architectures de type transformeurs (modèles auto-attentif), qui incarnent un type d’architecture de réseau neuronal profond qui calcule une représentation numérique des données de formation. 

Les architectures de type transformeurs assimilent le contexte et, par conséquent, sa signification, en suivant les relations entre les données séquentielles. Les modèles de transformeurs appliquent un ensemble évolutif de techniques mathématiques, appelé modèle attentif ou auto-attentif, pour détecter comment les éléments de données les plus éloignés d’une série s’influencent mutuellement et dépendent les uns des autres.

Avant de vous lancer tête baissée, n’oubliez pas que l’IA générative n’est pas uniquement source de débouchés potentiels pour les entreprises ; les menaces sont elles aussi bien réelles : notamment le risque de deepfakes, de problèmes de droits d’auteur et d’autres utilisations malveillantes de la technologie de l’IA générative pouvant cibler votre entreprise.

Collaborez avec les responsables de la sécurité et de la gestion des risques pour minimiser de manière proactive les risques pour votre réputation, les contrefaçons, les fraudes et les risques politiques que les utilisations malveillantes de l’IA générative présentent tant pour les particuliers que pour les entreprises et les gouvernements. 

Envisagez également de mettre en œuvre des lignes directrices sur l’utilisation responsable de l’IA générative par le biais d’une liste de fournisseurs et de services approuvés, en privilégiant ceux qui s’efforcent d’assurer la transparence des ensembles de données utilisés pour la formation et l’utilisation appropriée des modèles ou qui proposent leurs modèles en open source.

Brian Burke est vice-président de la recherche en matière d’innovation technologique et cumule 25 ans d’expérience dans les domaines de l’innovation technologique et de l’architecture d’entreprise. Ses recherches portent principalement sur l’identification de tendances technologiques émergentes et stratégiques. Il est l’auteur principal des rapports des principales tendances technologiques stratégiques et Hype Cycle des technologies émergentes. Il est également l’auteur de l’ouvrage paru en 2014, « Gamify: How Gamification Motivates People to Do Extraordinary Things »."