IA générative au sein des entreprises: exemples d’application et bonnes pratiques

L’IA générative est une technologie en plein essor qui permet aux entreprises d’accroître leur efficacité et de développer de nouvelles applications. Mais comment les entreprises peuvent-elles utiliser cette technologie de manière judicieuse? Et où se situent les défis et les limites? Cet article vous aidera à vous situer à l’aide d’exemples et d’expériences issues de la pratique.

C’est la question qui préoccupe actuellement toutes les entreprises: comment puis-je utiliser l’intelligence artificielle générative de manière judicieuse? Que m’apportent ces modèles linguistiques? Ce n’est pas comme si le monde des affaires n’avait pas d’expérience avec l’IA. Mais jusqu’à présent, son utilisation se limitait à l’intelligence artificielle «classique» avec des modèles auto-entraînés sur la base de données internes.

L’architecture Transformer développée à l’origine par Google à la base des grands modèles linguistiques (Large Language Models, LLM) fait passer l’IA au niveau supérieur, celui de l’ère de l’IA générative (également appelée AI générative ou GenAI). Ces modèles se concentrent sur la compréhension et la création de textes, de langage, d’images et de plus en plus de contenus multimédias. La grande différence entre les LLM comme GPT d’Open AI, Google Gemini ou Claude d’Anthropic et l’IA classique: ils sont déjà formés et peuvent être facilement utilisés comme service «prêts à l’emploi».

Simple? Ce n’est malheureusement pas aussi simple. Il faut se une préparation adéquate et surtout avoir une idée de l’utilisation de l’IA générative. Dans les grandes lignes, on peut distinguer trois domaines d’intervention qui peuvent être assimilés à des niveaux de difficulté ou de complexité croissants:

1. Intégrer les services d’IA dans les postes de travail: il s’agit ici d’intégrer et d’utiliser des services prêts à l’emploi tels que ChatGPT, Copilot pour Microsoft 365 ou le générateur d’images Midjourney.
2. Intégrer les LLM existants dans ses propres applications: dans ce cadre, une entreprise complète un modèle existant à partir du cloud avec ses propres données afin de développer ses propres applications, telles qu’un chatbot «intelligent» dans le service à la clientèle.
3. Exercer et exploiter des modèles avec ses propres données: pour ce faire, une entreprise utilise les compétences de base des LLM, à savoir le traitement de texte et de langage, afin de développer ses propres applications et, le cas échéant, de les exploiter elle-même. Pour ce faire, les modèles sont en outre entraînés avec leurs propres données spécifiques au thème.

Cet article traite des opportunités, des défis et des limites de l’IA générative et présente des exemples d’application.

Niveau 1: Utiliser les services d’IA au sein de l’entreprise

Permettre aux collaborateurs d’accéder à l’IA générative afin qu’ils puissent travailler plus efficacement. C’est la raison principale pour laquelle les services d’IA sont utilisés au sein de l’entreprise. Ce champ de l’«IA as a Service» est dominé par la Big Tech: Open AI avec GPT, Microsoft avec Copilot pour M365 et Google avec Gemini.

«Le seuil d’accès est relativement bas. Les licences nécessitent un certain investissement et les exigences de conformité doivent être respectées. Mais je peux utiliser les services sans connaissances approfondies en informatique», explique Tim Giger, Consulting Leader Data & AI chez Swisscom. Les offres s’intègrent ensuite dans l’environnement existant des applications bureautiques et l’élargissent.

Niveau 2: intégrer les LLM existants dans ses propres applications

Ce niveau consiste à se détacher des assistants IA sur le lieu de travail au profit de l’intégration des fonctionnalités IA dans des applications propres. Des modèles existants pré-entraînés sont utilisés et sont proposés sous forme de services cloud. L’utilisation typique consiste à traiter le texte et le langage avec un LLM contrôlé via l’API (interface de programmation). «Ici, les entreprises recourent généralement aux services d’un hyperscaler comme Azure, AWS ou Google Cloud», explique Tim Giger. «Ces modèles Foundation (modèles de base) peuvent par exemple être complétés par des données propres à la génération augmentée de récupération (RAG).»

Pour les utilisateurs de telles applications, la composante IA n’est pas directement visible. L’utilisation s’effectue via une plateforme de l’entreprise, telle que son site Internet ou l’intranet. Ces applications basées sur l’IA peuvent s’adresser aussi bien aux collaborateurs qu’aux clients.

La charge de travail est plus importante qu’avec un assistant IA intégré au poste de travail. «J’ai besoin d’un certain savoir-faire pour relier ces modèles à mon application», explique Tim Giger. «Mais je n’ai pas besoin de connaissances approfondies sur la formation et l’utilisation des modèles eux-mêmes.»

Niveau 3: s’entraîner à des modèles avec ses propres données et les exploiter soi-même

La principale différence entre le niveau 3 et le niveau 2 est qu’il s’agit ici d’entrainer un modèle linguistique avec des données propres à l’entreprise ou au secteur pour une tâche spécifique. L’exploitation se fait aussi souvent de manière autonome. L’objectif est de développer une application dans un but spécifique. Une telle application se distingue donc de celles du niveau 2 qui misent sur un modèle linguistique «généraliste».

La procédure et la charge de travail correspondent à celles des modèles d’apprentissage automatique ou d’apprentissage profond. «Pour cela, j’ai besoin d’une expertise spécifique, par exemple en programmation Python. Et je dois comprendre comment les modèles fonctionnent et comment je peux sécuriser les contenus de départ et les résultats», explique Tim Giger.

À ce niveau, l’entreprise s’occupe elle-même du cycle de vie complet, de la formation à l’exploitation des modèles et des applications. La plupart du temps, on a recours à des services cloud spécialisés des hyperscaler, tels qu’Amazon Sagemaker ou Azure Machine Learning, associés à des modèles open source tels que Llama de Meta ou Mixtral de Mistral AI. «Cette approche nécessite beaucoup d’efforts de développement et est très spécialisée dans son exécution», déclare Tim Giger. «Nous ne voyons actuellement que peu de Use Case en Suisse.»

Défis liés à l’utilisation de l’IA générative

Même si des LLM pré-entraînés simplifient l’utilisation par rapport à l’IA classique, leur utilisation ne va pas de soi. Certains défis se profilent notamment au niveau des données. Voici les principaux obstacles et embûches que les entreprises doivent prendre en compte lors de l’utilisation de l’IA générative:

• Qualité des données insuffisante: un chatbot pour les clients, une base de connaissances pour les collaborateurs ou le bouton copilote dans les applications Microsoft: vous bénéficiez tous (ainsi que les utilisateurs) de l’utilisation des données de l’entreprise. Elles ne doivent pas nécessairement être structurées, mais elles doivent être correctes. Des données obsolètes ou qui ne sont plus valables faussent les résultats des modèles d’IA. «Il est judicieux d’organiser au préalable les données et la structure des dossiers», recommande Tim Giger. Cela évite également que l’IA accède accidentellement à des informations confidentielles.
• Les résultats sont repris sans avoir été vérifiés: dans la mesure du possible, les hallucinations d’un chatbot ne devraient pas parvenir jusqu’aux utilisateurs. Dans le cas d’applications reposant sur l’IA, la sortie (et, dans l’idéal, la saisie) doit être vérifiée et filtrée au préalable afin d’éviter autant que possible les résultats indésirables. Mais les collaborateurs doivent également remettre en question ou vérifier de manière critique les résultats de Copilot ou de ChatGPT. Des mesures de sensibilisation sont recommandées à cet effet. Dans le cas contraire, les collaborateurs seront plus enclins à reprendre le résultat d’une IA sans l’avoir vérifié.
• Gouvernance AI: le taux d’erreur autorisé ou la quantité d’hallucinations encore acceptables est également une question de gouvernance. Elle régit la tolérance aux erreurs afin de clarifier les questions de responsabilité et les éventuelles conséquences juridiques découlant de fausses déclarations. Ou, comme le résume Tim Giger: «Si le taux d’erreur doit être maintenu au minimum, ce cas d’application n’est peut-être pas approprié pour l’IA générative.»
• Absence de benchmarks et de traçabilité: avec l’IA générative, il n’est pas possible de définir ou d’atteindre une précision statistique des résultats, comme «juste à 80 %». Et la traçabilité du résultat est difficile, car il varie pour un même contenu de départ. Par conséquent, il n’existe pas de benchmarks standardisés pour une utilisation commerciale permettant de mesurer la qualité des résultats et de sélectionner un LLM approprié. Cette incertitude doit être prise en compte dans le calcul des applications d’IA.

Où en est l’utilisation de l’IA générative aujourd’hui?

Malgré l’évolution rapide de la technologie des grands modèles linguistiques, la position actuelle des entreprises est assez facile à identifier. «Aujourd’hui, le plus grand avantage est un cas d’efficacité. Les entreprises utilisent l’IA générative pour travailler plus efficacement», estime Tim Giger à propos de la situation. De nombreuses entreprises se trouvent au niveau 1 en utilisant des services d’IA ou en planifiant leur introduction.

Selon Kai Duttle, outre les postes de travail numériques, c’est surtout le service clientèle qui profite actuellement de l’IA générative: «Il s’agit ici de chatbots et de langage. C’est le domaine dans lequel l’IA générative est la plus aboutie et apporte le plus d’avantages.»

Intelligence artificielle dans l’entreprise: «Les décideurs commerciaux ne peuvent plus y échapper»

L’intelligence artificielle offre aux entreprises un énorme potentiel pour accroître leur efficacité, développer des produits plus innovants et prendre de meilleures décisions stratégiques. Et ainsi…