Les nouveautés en matière d’intelligence artificielle présentées dans le Hype Cycle de Gartner 2023

Le Hype Cycle™ de Gartner 2023 consacré à l’intelligence artificielle (IA) identifie les innovations et les techniques qui offrent des avantages significatifs, parfois même de nature à transformer certains secteurs, tout en tenant compte des limites et des risques liés à la faillibilité de certains systèmes. Les stratégies relatives à l’IA doivent déterminer celles qui offrent les arguments les plus crédibles pour justifier un investissement.

Selon Afraz Jaffri, directeur analyste chez Gartner, « l’intelligence artificielle Hype Cycle comporte de nombreuses innovations qui méritent une attention particulière au cours de la période de deux à cinq ans précédant l’adoption par le grand public, notamment l’IA générative et la veille décisionnelle ». « En adoptant rapidement ces innovations, il est possible d’obtenir des avantages concurrentiels et de résoudre certains problèmes liés à l’utilisation de modèles d’IA dans les processus opérationnels ».

Télécharger maintenant : un guide pour la planification de votre stratégie en matière d’IA

L’IA générative est au cœur des débats portant sur l’IA, car elle a permis d’accroître la productivité des développeurs et des travailleurs du savoir de manière très concrète, grâce à des systèmes tels que ChatGPT. Cela a amené les entreprises et les industries à repenser leurs processus opérationnels et à redéfinir dans une certaine mesure le rôle des ressources humaines, ce qui a propulsé l’IA générative dans la catégorie des « attentes exagérées » du Hype Cycle.

Gartner distingue désormais deux tendances dans le développement d’IA génératives menant à des systèmes d’IA plus avancés :

• les innovations qui découleront de l’IA générative ;

• les innovations qui vont stimuler les progrès de l’IA générative.

En savoir plus : Guide des dirigeants sur l’IA générative

L’IA générative affecte les entreprises dans leurs activités de recherche et de création de contenu mais également pour ce qui est de la vérification de l’authenticité et du respect des règlementations. Cette technologie a la capacité d’automatiser les tâches accomplies par l’homme, mais également les expériences des employés et des clients.

Les technologies les plus importantes qui entrent dans cette catégorie sont les suivantes :

• L’intelligence artificielle générale (IAG) caractérise l’intelligence (encore théorique) d’une machine capable d’accomplir toutes les tâches intellectuelles qu’un être humain est en mesure d’accomplir.

• Le génie en intelligence artificielle (AI engineering) joue un rôle fondamental dans la mise en œuvre de solutions d’intelligence artificielle à grande échelle par les entreprises. Cette discipline permet de créer des systèmes cohérents de développement, de mise en œuvre et d’exploitation de l’IA au sein de l’entreprise.

• Les systèmes autonomes sont des systèmes physiques ou logiciels autogérés, exécutant des tâches limitées à un domaine et présentant trois caractéristiques fondamentales : autonomie, apprentissage et capacité à intervenir.

• Les services cloud d’intelligence artificielle (IA) fournissent des outils de génération de modèles d’IA, des API pour des services prêts à l’emploi et des logiciels intermédiaires associés qui permettent la création/formation, le déploiement et la diffusion de modèles de machine learning (ML) fonctionnant sur une infrastructure préétablie en tant que services cloud.

• L’IA composite désigne l’application combinée (ou la fusion) de différentes techniques d’IA pour améliorer l’efficacité de l’apprentissage afin d’élargir le niveau de représentation des connaissances. Elle permet de résoudre un plus large éventail de problèmes commerciaux de manière plus efficace.

• La vision par ordinateur ou computer vision est un ensemble de technologies qui impliquent la capture, le traitement et l’analyse d’images et de vidéos du monde réel pour permettre aux machines d’extraire des informations significatives et contextuelles du monde physique.

• L’IA centrée sur les données est une approche qui se concentre sur l’amélioration et l’enrichissement des données de formation de l’IA afin d’obtenir de meilleurs résultats. L’IA centrée sur les données porte également sur la qualité, la confidentialité et la modularité des données.

• L’intelligence artificielle embarquée (Edge AI) fait référence à l’utilisation de techniques d’IA intégrées dans des produits ne relevant pas de l’informatique, des terminaux IdO, des passerelles et des serveurs en périphérie du réseau. Elle englobe des applications grand public, commerciales et industrielles, telles que les véhicules autonomes, l’amélioration des capacités de diagnostic médical et l’analyse vidéo en continu.

• Les applications intelligentes ont recours à des techniques d’adaptation acquises pour répondre de manière autonome aux personnes et aux machines.

• L’opérationnalisation des modèles (ModelOps) est principalement axée sur la gouvernance de bout en bout et la gestion du cycle de vie des analyses avancées, de l’IA et des modèles décisionnels.

• Les systèmes d’IA opérationnels (OAISys) permettent l’orchestration, l’automatisation et le déploiement de l’IA prête à la production et de niveau entreprise, comprenant le ML (Machine learning), les réseaux neuronaux profonds (RNP) et l’IA générative.

• L’ingénierie de requêtes (rédactique) est la discipline qui consiste à fournir des saisies, sous forme de texte ou d’images, à des modèles d’IA générative afin d’optimiser mais également de restreindre l’ensemble des réponses que le modèle peut produire. 

• Les robots intelligents sont des machines dotées d’IA, souvent mobiles, conçues pour exécuter de manière autonome une ou plusieurs tâches physiques.

• Les données synthétiques sont une catégorie de données générées artificiellement plutôt qu’obtenues à partir d’observations directes du monde réel.

Écoutez dès maintenant : Le Hype Cycle sur l’IA de 2023 : De nouvelles technologies au service de l’innovation

« Les recherches sur l’IA générative s’accélèrent, grâce à la popularité de modèles tels que Stable Diffusion, midjourney, ChatGPT et les modèles de langage complexes. Les entreprises et utilisateurs finaux dans la plupart des secteurs se livrent à une expérimentation active de l’IA générative », déclare Svetlana Sicular, Vice-présidente analyste chez Gartner. 

« Les sociétés spécialisées dans les technologies forment des groupes chargés de l’IA générative pour privilégier la fourniture d’applications et d’outils basés sur l’IA générative. De nombreuses startups ont vu le jour en 2023 et innovent dans le domaine de l’IA générative, et nous nous attendons à ce que ce phénomène continue à prendre de l’ampleur. Certains gouvernements ont commencé à évaluer les incidences de l’IA générative et se préparent à adopter des règlementations. »

Les technologies les plus importantes qui entrent dans cette catégorie sont les suivantes :

• La simulation par IA est l’application combinée des technologies de l’IA et de la simulation pour développer conjointement des agents assistés de l’IA et des environnements simulés dans lesquels ceux-ci peuvent être formés, testés et parfois déployés.

• La gestion de la confiance, des risques et de la sécurité en matière d’IA (AI TRiSM ou AI trust, risk and security management) garantit la gouvernance du modèle d’IA, sa fiabilité, son équité, sa robustesse, son efficacité et la protection des données.

• L’intelligence artificielle causale ou Causal AI identifie et utilise les relations de cause à effet afin de transcender les modèles prédictifs basés sur la corrélation et d’évoluer vers des systèmes d’IA capables de prescrire des actions plus efficacement et d’agir de manière plus autonome.

• L’étiquetage et l’annotation des données (DL&A ou Data labeling and annotation) sont des processus au cours desquels les données sont classées, segmentées, annotées et enrichies et permettent ainsi d’améliorer les projets dans le domaine de l’analyse et de l’intelligence artificielle.

• L’IA fondée sur des principes premiers (FPAI) (ou IA fondée sur la physique) incorpore des principes physiques et analogiques, des principes directeurs et des connaissances spécialisées dans les modèles d’IA. La FPAI renforce l’ingénierie de l’IA en intégrant l’ingénierie de systèmes complexes et de systèmes reposant sur des modèles.

• Les modèles de fondation sont des modèles comportant un grand nombre de paramètres et qui ont été formés sur de nombreux ensembles de données en mode autosupervisé.

• Les graphes de connaissances sont des représentations assimilables/lisibles par une machine des environnements physiques et numériques. Elles comprennent des entités (personnes, entreprises, actifs numériques) et leurs relations, qui se conforment à un modèle de données sous forme de graphe.

• Les systèmes multiagents (SMA) désignent un type de système d’intelligence artificielle composé de plusieurs agents indépendants (mais pouvant interagir), chacun étant capable de percevoir son environnement et de réaliser certaines actions. Les agents peuvent être des modèles d’IA, des programmes logiciels, des robots et d’autres entités informatiques.

• L’IA neurosymbolique est une forme d’IA composite qui combine des méthodes du machine learning (apprentissage automatique) et des systèmes de représentation symboliques pour créer des modèles d’IA plus robustes et plus fiables. Cette approche a pour objectif de fournir une infrastructure de raisonnement permettant de résoudre plus efficacement un large éventail de problèmes commerciaux.

• L’intelligence artificielle responsable est un terme générique qui recouvre les différents éléments permettant de faire des choix commerciaux et éthiques appropriés lors de l’adoption de l’IA. Cette approche fait référence aux responsabilités et pratiques des entreprises qui viennent par là garantir un développement et une exploitation de l’IA positifs, responsables et éthiques.

Afraz Jaffri est directeur analyste chez Gartner et se consacre à l’analyse, la science des données et l’IA. Il est chargé de conseiller les responsables des données et analyses pour qu’ils puissent tirer le meilleur parti de leurs investissements dans les plateformes modernes de science des données, de machine learning et d’analyse.

Svetlana Sicular est vice-présidente analyste chez Gartner et étudie plus particulièrement la convergence entre les données et l’IA. Elle a la conviction qu’un humain associé à une IA est plus intelligent que ces deux entités envisagées de manière isolée. Elle souhaite avant tout aider les entreprises à opérer leur transformation numérique en exploitant l’IA pour mettre en œuvre des idées commerciales novatrices.