5 conseils pour choisir le bon modèle d'IA pour votre entreprise

L'essor de l'IA générative (gen AI) a été largement porté par des modèles de langage de grande envergure (LLMs) très médiatisés comme GPT-4o d'Open AI, Gemini de Google et Claude d'Anthropic. Cependant, au milieu de l'engouement autour de ces géants, les petits modèles de langage (SLMs) gagnent discrètement du terrain. Certains experts de l'industrie suggèrent que les SLMs pourraient représenter l'avenir de l'IA générative.

Selon le cabinet de recherche Gartner, bien que les LLMs aient traditionnellement dominé le développement des modèles de langage, les SLMs offrent des solutions viables à des défis cruciaux tels que les contraintes budgétaires, la protection des données, les préoccupations liées à la confidentialité et l'atténuation des risques. Alors que les entreprises explorent le monde de l'IA générative, les dirigeants pourraient se retrouver à choisir entre ces deux types de modèles. Voici ce que cinq leaders d'entreprise ont à dire sur l'avenir des modèles d'IA.

1. Considérer les opportunités spécifiques à un domaine

Claire Thompson, directrice générale des données et de l'analyse chez le géant des services financiers L&G, estime que les modèles petits et grands trouveront leur place dans les opérations commerciales. Elle envisage un avenir où les LLMs pourraient être affinés pour des applications spécifiques, renforçant ainsi leur utilité.

« Je peux imaginer une situation où certains LLMs commenceraient à être entraînés sur des sujets spécifiques pour en extraire plus de détails, et je vois cela se produire de plus en plus », a-t-elle déclaré à ZDNET.

Bien qu'il y ait une demande claire pour des modèles spécifiques à un domaine, Thompson est sceptique quant à l'idée que les entreprises consacrent des ressources importantes au développement en interne.

« Je ne sais pas si vous construiriez le vôtre », a-t-elle dit. « Quand je parle de construire des modèles, il s'agit plus de tirer parti des modèles existants en interne et d'utiliser vos données dans un environnement sécurisé pour obtenir des résultats. »

Quelle que soit leur taille, Thompson voit l'avenir pencher vers des modèles spécifiques à un domaine.

« Je pense que nous commencerons à obtenir des modèles plus personnalisés », a-t-elle déclaré. « Vous pourriez voir, par exemple, comment vous pourriez personnaliser un modèle autour des informations médicales, des sujets climatiques et ESG, et des marchés d'actifs. Ce sont ces cas d'utilisation spécifiques où vous pourriez voir émerger des modèles plus sur mesure. »

2. Choisir le bon cheval pour la course

Nick Woods, directeur informatique du groupe MAG Airports, souligne que l'avenir de l'IA générative implique probablement un mélange de modèles grands et petits, adaptés à des besoins commerciaux spécifiques.

« Je ne pense pas qu'il y ait une taille unique », a-t-il dit. « Et je pense que le modèle que vous sélectionnez dépend du cas d'utilisation dans votre entreprise. »

Woods met en garde contre le fait de se lancer dans le développement de l'IA sans une stratégie claire.

« Non, c'est la dernière chose que nous devrions faire », a-t-il répondu lorsqu'on lui a demandé de lancer un programme d'IA.

Au lieu de cela, il estime que les dirigeants devraient se concentrer sur leurs objectifs plus larges de transformation d'entreprise et identifier les outils, y compris l'IA générative, qui peuvent aider à les atteindre.

« Ainsi, par exemple, nous pourrions vouloir exécuter un petit modèle spécifique en périphérie pour résoudre un cas d'utilisation particulier, comme repérer quand un pont d'embarquement s'est arrimé », a-t-il expliqué.

Pour des questions plus larges et complexes comme les schémas de trafic aérien mondial et les impacts météorologiques, différents modèles pourraient être nécessaires.

En essence, Woods estime que choisir le bon modèle revient à choisir le bon cheval pour la course.

« Je pense que vous verrez de nombreux petits modèles déployés à l'échelle en périphérie pour des cas d'utilisation particuliers », a-t-il dit. « C'est presque inévitable. Cependant, je pense toujours que vous verrez certains grands modèles prévaloir. »

3. Considérer le contexte

Gabriela Vogel, analyste senior dans la pratique du leadership exécutif des entreprises numériques chez Gartner, met en lumière l'intérêt croissant des directeurs informatiques pour les petits modèles spécifiques à un domaine.

« Les clients avec lesquels je parle essaient de trouver et de créer des modèles appliqués à un contexte spécifique », a-t-elle dit. « Ce ne sont pas nécessairement des modèles généraux de grande envergure, mais des modèles spécifiquement liés à de petites bases de données pour une application particulière. »

Vogel note que les entreprises passent de plus en plus des phases exploratoires au déploiement de services d'IA générative utilisant des SLMs.

« Ils font ce changement parce qu'ils ont beaucoup testé », a-t-elle dit. « Ils ont vu ce qui fonctionne et ce qui ne fonctionne pas avec les grands modèles, et ensuite ils essaient d'être plus spécifiques et d'appliquer cette approche. C'est ce que j'ai personnellement observé avec mes clients. »

4. Opter pour des modèles petits pour réduire les hallucinations

Ollie Wildeman, qui dirige la satisfaction client chez Big Bus Tours, estime que le choix entre les SLMs et les LLMs dépend du cas d'utilisation spécifique, de nombreuses entreprises optant probablement pour des modèles plus petits.

Big Bus Tours utilise la suite de service client Freshworks, qui inclut des chatbots alimentés par l'IA et la gestion de tickets, ainsi qu'un assistant virtuel de Satisfi Labs qui gère les demandes de base des clients.

« La technologie d'IA de Satisfi ne prend des données que des entreprises spécifiques avec lesquelles ils travaillent », a expliqué Wildeman. « La technologie de l'entreprise n'est pas connectée à des IA à grande échelle, comme ChatGPT ou d'autres outils – ils le font eux-mêmes. »

Cette approche ciblée, selon Wildeman, offre des avantages commerciaux significatifs, garantissant une utilisation responsable des données et réduisant le risque d'« hallucinations » de l'IA.

« De cette manière, vos données sont plus sécurisées parce que vous savez d'où elles viennent et quels processus ils utilisent », a-t-il dit. « De plus, vous obtenez moins d'hallucinations parce que vous savez que le modèle que vous utilisez est conçu pour le type d'entreprise dans lequel vous êtes. »

Wildeman conclut que les modèles petits et spécifiques à un domaine joueront un rôle crucial dans les stratégies d'IA des entreprises.

« Je pense que pour les entreprises, le choix du modèle sera plus spécifique, alors que probablement pour l'utilisateur général, ces grands modèles gratuits que vous voyez partout seront populaires. »

5. Se concentrer sur vos données de première main

Rahul Todkar, responsable des données et de l'IA chez Tripadvisor, estime que le modèle idéal pour une entreprise ne concerne pas uniquement la taille, mais la personnalisation.

Les professionnels peuvent expérimenter avec des modèles grands et petits, mais Todkar voit l'avenir dans des modèles conçus sur mesure et personnalisés.

« Prenons l'exemple de Mistral 7B, qui est un modèle relativement petit dans le contexte des autres LLMs, mais il excelle remarquablement lorsqu'on regarde des tâches spécifiques », a-t-il dit. « Donc, pour moi, l'avenir concerne les modèles personnalisables. »

Todkar souligne l'importance de tirer parti efficacement des données de première main d'une entreprise.

« Ce n'est pas la taille de l'entraînement ou les fonctionnalités du modèle qui comptent, mais plutôt il s'agit de prendre ce modèle et de l'appliquer dans votre contexte avec vos données de première main », a-t-il dit. « C'est à ce moment-là que vous allez au-delà des modèles prêts à l'emploi et que vous pouvez utiliser les insights de vos données. Donc, la réponse se situe quelque part au milieu. »