Je n'ai aucun doute que le monde est entré dans l'ère de l'intelligence artificielle, sa sous-catégorie, l'AI générative (GenAI), ayant un impact dans presque tous les secteurs. La question de savoir comment tirer le meilleur parti de la GenAI de manière sûre, sécurisée et évolutive domine presque toutes les discussions que j'ai avec nos clients d'entreprise.

Selon l’enquête CEO Gartner 2024, l'AI est désormais reconnue comme la technologie différenciante pour la réalisation des stratégies d'entreprise, y compris la génération de revenus et les opérations, avec 24 % qui priorisent cette technologie contre seulement 4 % en 2023.

L’essor de la GenAI

Depuis l'arrivée en force de la GenAI à la fin de 2022, avec la sortie de ChatGPT par OpenAI, les dirigeants — dont beaucoup n’avaient jamais entendu parler de cette technologie auparavant — ont rapidement adopté cette technologie et augmenté leurs investissements dans ce domaine.

Selon l’étude de Gartner sur la GenAI dans les services technologiques, le TCAC sur cinq ans pour l’AI devrait croître de 17 % entre 2023-2027, et une grande partie de cette croissance se fera au détriment des dépenses dans d’autres catégories informatiques. 

Les organisations cherchent à remplacer leurs stratégies et plans TI actuels par des stratégies « AI First », tout en prévoyant de déployer la technologie de la même façon que les innovations précédentes, avec un mélange d’achat et de développement de modèles, services et solutions GenAI.

Avec l’émergence de toute nouvelle technologie ayant un tel impact, il est important de comprendre les tendances qui façonnent le marché. Dans cet article, je vais présenter trois tendances clés qui propulsent la GenAI au premier plan pour offrir un avantage concurrentiel aux entreprises.

1. GenAI spécifique à une industrie ou à un domaine

Tout comme nous l’avons vu avec l’essor du cloud sectoriel, les modèles GenAI seront de plus en plus développés pour des secteurs d'activités et des fonctions d'affaires spécifiques.

Selon Gartner, cela concernera plus de 50 % des modèles GenAI d’ici 2027 — alors qu’on était à environ 1 % en 2023. Cette tendance est motivée par le besoin d’applications AI plus précises et contextuelles dans divers secteurs.

Différents secteurs d’activités ont des besoins distincts et, comme pour le cloud, les modèles et services GenAI standardisés ou généraux ne peuvent pas répondre aux exigences spécialisées de chaque secteur. C’est particulièrement vrai pour les secteurs réglementés qui font face à des exigences strictes de gouvernance, de risque et de conformité — les modèles GenAI spécifiques à un secteur ou domaine aideront les organisations à respecter les règlements et normes de conformité, tout en assurant la sécurité des données et le respect de l’éthique.

La GenAI adaptée à des secteurs ou domaines spécifiques s’appuie sur des ensembles de données plus petits ou des petits modèles de langage (SLM) qui nécessitent souvent moins de puissance de calcul que les modèles généralistes, comme ChatGPT d’OpenAI ou Gemini de Google. Cette approche leur permet de mieux comprendre le langage ou les subtilités propres au secteur ou au domaine, menant ainsi à de meilleurs résultats.

Par exemple, dans le secteur de la santé, Google Research a développé un grand modèle de langage (LLM) appelé Med-PaLM. Ce LLM est conçu pour fournir des réponses de haute qualité à des questions médicales. La deuxième version, Med-PaLM 2, est l’un des modèles de recherche qui propulsent MedLM, une famille de modèles fondamentaux créés pour le secteur de la santé. Med-PaLM 2 a atteint un taux de précision de 85,4 % pour les questions s’apparentant à l’examen d’obtention de licence médicale américain (USMLE), dépassant GPT-42. Il s’agit du premier modèle de langage à réaliser une performance de niveau expert sur des questions de type USMLE avec plus de 85 % de précision. 

Dans le secteur du commerce de détail, RetailGPT crée une nouvelle ère d’achats et de restauration « phygitaux » grâce à la puissance de la GenAI. Au moyen d’une application, RetailGPT offre aux clients une expérience personnalisée et conversationnelle inégalée, tout en permettant aux détaillants de mieux comprendre et engager leurs clients grâce aux données.

Ces nouveaux cas d’utilisation touchent presque tous les secteurs et le déploiement stratégique de la GenAI peut non seulement améliorer les offres existantes, mais aussi ouvrir la porte à de nouveaux produits, services, sources de revenus et innovations futures.

2. Une stratégie de données unifiée

Pour entraîner tout modèle d’AI, il faut des données et c’est un élément fondamental.

Des données de haute qualité et en grande quantité sont essentielles pour générer des résultats percutants pouvant servir à créer des produits et services utiles. Ainsi, aujourd’hui, les organisations accordent la priorité à l’acquisition et à la gestion des données.

Cependant, il s’agit d’un défi de taille pour de nombreuses raisons, notamment la segmentation des données, des équipes AI et TI différentes, une qualité de données incohérente, des lois sur la confidentialité des données de plus en plus strictes qui complexifient la situation, un manque de grands ensembles de données diversifiés pour entraîner les modèles et la présence de biais dans les données, lesquels sont ensuite intégrés aux modèles d’AI. Cela mène à des résultats biaisés et potentiellement à des décisions injustes, telles que se voir refuser une hypothèque en raison de la couleur de sa peau.

Ces types de défis signifient que les organisations peuvent subir des coûts plus élevés et des limites de modèles lors de l’entraînement des modèles AI.

Pour surmonter ces problèmes, les organisations devraient se concentrer sur la création d’une stratégie de données unifiée, liée à l’AI, à l’infrastructure et, surtout, aux résultats d’affaires. Cela devrait inclure une approche hybride de l’acquisition et de la gestion des données, combinant des données synthétiques et réelles, tout en pratiquant une évaluation continue avec supervision humaine pour relever les défis liés à la qualité, la variété, la réglementation stricte et les biais des données. 

3. Une AI responsable et sécurisée 

Avec l’adoption accélérée de la GenAI, l’AI responsable et sécurisée est devenue primordiale.

L’AI responsable consiste à s’assurer que les systèmes AI sont conçus et déployés de façon éthique.

La principale raison pour laquelle il faut prioriser l’AI responsable est de réduire les biais. La réduction des biais est fondamentale pour offrir des solutions GenAI qui ont une véritable pertinence et applicabilité sur le marché.

En fin de compte, les biais proviennent de trois sources : les algorithmes, les données et les humains. Les biais dus aux algorithmes d’AI ont chuté exponentiellement lors de la dernière décennie. Aujourd’hui, les algorithmes sont généralement fiables et la principale source de biais dans l’AI provient des données et des humains.

En ce qui concerne les données, les biais existent à cause d’un manque de qualité et de diversité, ainsi que d’ensembles de données souvent incomplets utilisés pour entraîner l’algorithme. Du côté des humains, il existe une méfiance inhérente envers l’AI, que ce soit à cause des menaces signalées sur les moyens de subsistance ou en raison de l’AI qui hallucine certaines informations.

Tandis que l’AI responsable vise à développer un environnement AI éthique et exempt de biais, l’AI sécurisée se réfère aux mesures protégeant l’infrastructure AI et les données qui alimentent ces systèmes contre les cyberattaques.

Le traitement d’un volume accru de données pour entraîner les algorithmes entraîne une surface d’attaque plus large et augmente le risque de brèches et de fuites de données. Les acteurs malveillants utilisent également la GenAI pour créer des cyberattaques plus intelligentes et plus difficiles à contrer.

Surmonter ces divers obstacles et mettre en œuvre une AI responsable et sécurisée requiert que les organisations développent un cadre donnant la priorité à des aspects comme l’explicabilité, l’équité, la transparence, la confidentialité et la sécurité. 

De nombreux fournisseurs de services TI ont créé des cadres pour aider les entreprises à adopter des pratiques AI responsables et sécurisées. HCLTech ne fait pas exception. Notre plateforme HCLTech AI Force vise à aider les organisations à adopter une AI responsable en intégrant des mesures robustes de sécurité et de gouvernance pour favoriser l’innovation sûre et sécurisée à grande échelle. 

Définir le marché de la GenAI

Si le marché de la GenAI en est encore à ses débuts, les répercussions pour l’avenir des affaires et de la société sont importantes.

La GenAI et l’AI sont désormais des priorités stratégiques pour les organisations, et selon l’enquête CEO Gartner 2024, 59 % des chefs de direction estiment que l’AI est la technologie qui aura le plus d’impact dans leur secteur.

La technologie suivra-t-elle le même parcours qu’autres technologies émergentes; après l’engouement, le creux de la désillusion ? Cela reste à voir.

Ce qui est clair, c’est que pour survivre et prospérer, les organisations devront identifier des cas d’utilisation tangibles, perfectionner et requalifier leurs employés, en se concentrant sur des disciplines comme l’ingénierie de requêtes, et adapter leur structure organisationnelle pour s’ajuster à un nouveau monde où la GenAI augmente le travail, l’ingéniosité et la prise de décision humaine.

Pour y parvenir, les entreprises tournées vers l’avenir auront besoin d’un partenaire GenAI qui comprend leurs besoins d’affaires uniques et qui possède un historique de livraison de solutions AI sécuritaires, évolutives et performantes, ainsi qu’une suite complète de services propulsés par la GenAI.

Vijay Guntur s’est entretenu avec Nicholas Ismail, chef mondial du journalisme de marque chez HCLTech