Votre projet d'IA générative va échouer

Votre projet d’IA générative est voué à l’échec. Mais rassurez-vous : vous n’auriez probablement pas dû utiliser l’IA pour résoudre votre problème commercial. Cela semble être un fait accepté par les spécialistes de la science des données, mais cette idée a mis du temps à atteindre les dirigeants d’entreprise. Par exemple, le spécialiste des données Noah Lorang a suggéré un jour : « Il existe un très petit sous-ensemble de problèmes commerciaux qui sont mieux résolus par l’apprentissage automatique ; la plupart d’entre eux nécessitent simplement de bonnes données et une compréhension de leur signification. »

Pourtant, 87 % des entreprises interrogées par Bain & Company affirment développer des applications d'IA générative. Pour certaines, c'est exactement la bonne approche. Pour beaucoup d'autres, ce n'est pas le cas.

Nous avons collectivement pris tellement d’avance avec l’IA générative que nous nous préparons à l’échec. Cet échec provient de diverses sources, notamment des problèmes de gouvernance ou de qualité des données, mais le principal problème à l’heure actuelle est celui des attentes. Les gens passent un après-midi à utiliser ChatGPT et s’attendent à ce qu’il soit capable de résoudre leurs problèmes de chaîne d’approvisionnement ou leurs questions d’assistance client. Ce ne sera pas le cas. Mais l’IA n’est pas le problème, c’est nous.

« Les attentes sont fixées uniquement en fonction des vibrations »

Shreya Shankar, ingénieure en apprentissage automatique chez Viaduct, estime que l’un des avantages et des inconvénients de genAI est qu’elle élimine apparemment le besoin de préparation des données, qui a longtemps été l’un des aspects les plus difficiles de l’apprentissage automatique. « Comme vous avez consacré si peu d’efforts à la préparation des données, il est très facile d’être agréablement surpris par les résultats initiaux », explique-t-elle, ce qui « propulse ensuite l’étape suivante de l’expérimentation, également connue sous le nom d’ingénierie rapide ».

Plutôt que de faire le travail difficile et sale de préparation des données, avec tous les tests et la reconversion nécessaires pour obtenir un modèle qui donne des résultats même vaguement utiles, les gens sautent directement au dessert, pour ainsi dire. Cela conduit à son tour à des attentes irréalistes : « L’IA générative et les LLM sont un peu plus intéressants dans ce sens. la plupart « Les gens n'ont aucune forme d'évaluation systématique avant de se lancer (pourquoi seraient-ils obligés de le faire s'ils n'avaient pas collecté un ensemble de données de formation ?), donc leurs attentes sont fixées uniquement sur la base de vibrations », explique Shankar.

Il s’avère que les vibrations ne constituent pas un bon ensemble de données pour des applications d’IA réussies.

La véritable clé du succès de l’apprentissage automatique est quelque chose qui manque en grande partie à l’IA générative : le réglage constant du modèle. « Dans l’ingénierie du ML et de l’IA », écrit Shankar, «les équipes attendent souvent trop de précision Les développeurs ne parviennent pas à s'adapter à leurs attentes concernant une application d'IA dès son lancement, et ne construisent souvent pas l'infrastructure nécessaire pour inspecter continuellement les données, incorporer de nouveaux tests et améliorer le système de bout en bout. En d'autres termes, c'est tout le travail effectué avant et après l'invite qui assure le succès. Pour les applications d'IA générative, en partie à cause de la rapidité de leur mise en route, une grande partie de cette discipline est perdue.

Les choses se compliquent également avec l’IA générative, car il n’y a pas de cohérence entre l’invite et la réponse. J’aime la façon dont Amol Ajgaonkar, directeur technique de l’innovation produit chez Insight, l’a exprimé. Parfois, nous pensons que nos interactions avec les LLM sont comme une conversation adulte avec un adulte. Ce n’est pas le cas, dit-il, mais plutôt : « C’est comme donner des instructions à mes enfants adolescents. Parfois, il faut se répéter pour que ça reste. » Pour compliquer encore les choses, « parfois l’IA écoute, et d’autres fois elle ne suit pas les instructions. C’est presque comme une langue différente. »

Apprendre à dialoguer avec des systèmes d'IA générative est à la fois un art et une science et nécessite une expérience considérable pour bien le faire. Malheureusement, beaucoup de personnes acquièrent trop de confiance grâce à leurs expériences occasionnelles avec ChatGPT et fixent des attentes bien plus élevées que ce que les outils peuvent offrir, ce qui conduit à des échecs décevants.

Posez le nouveau jouet brillant

De nombreuses personnes se lancent dans l’IA générative sans se demander au préalable s’il existe des moyens plus simples et plus efficaces d’atteindre leurs objectifs. Santiago Valdarrama, fondateur de Tideily, recommande de commencer par des heuristiques ou des règles simples. Il souligne deux avantages à cette approche : « Tout d’abord, vous en apprendrez beaucoup plus sur le problème que vous devez résoudre. Ensuite, vous disposerez d’une base de référence à laquelle vous pourrez comparer toute future solution d’apprentissage automatique. »

Comme dans le développement de logiciels, où le plus dur n’est pas de coder mais plutôt de déterminer quel code écrire, le plus difficile en IA est de déterminer comment ou si l’on doit appliquer l’IA. Lorsque des règles simples doivent céder le pas à des règles plus complexes, Valdarrama suggère de passer à un modèle simple. Notez l’accent mis en permanence sur la « simplicité ». Comme il le dit, « la simplicité l’emporte toujours » et devrait dicter les décisions jusqu’à ce que des modèles plus complexes soient absolument nécessaires.

Revenons donc à l'IA générative. Oui, genAI pourrait Soyez ce dont votre entreprise a besoin pour offrir de la valeur au client dans un scénario donné. Peut-être. Il est plus probable qu'une analyse solide et des approches basées sur des règles donneront les résultats souhaités. Pour ceux qui sont déterminés à utiliser la nouvelle chose brillante, eh bien, même dans ce cas, il est toujours préférable de commencer petit et simple et d'apprendre à utiliser l'IA générative avec succès.