4 tendances de l’IA : tout est question d’échelle en 2022 (jusqu’à présent)

La chaleur de juillet est à nos portes, ce qui signifie également que nous étions exactement à mi-chemin de 2023. Il semble donc que le moment soit venu de faire une pause et de se demander : quelles sont les plus grandes tendances de l’IA jusqu’à présent à la mi-2022 ?

La tendance colossale de l’IA que toutes les autres tendances de l’IA servent est l’échelle accrue de l’intelligence artificielle dans les organisations, a déclaré Whit Andrews, vice-président et analyste distingué chez Gartner Research. Autrement dit, de plus en plus d’entreprises entrent dans une ère où l’IA est un aspect de chaque nouveau projet.

Si vous voulez penser à une nouvelle chose, la nouvelle chose qui sera la plus attrayante sera quelque chose que vous pourrez faire avec une IA à grande échelle, a déclaré Andrews. Les compétences humaines sont présentes, les outils sont moins chers et il est maintenant plus facile d’accéder à des données qui pourraient être pertinentes pour ce que vous essayez d’accomplir.

Selon Sameer Maskey, fondateur et PDG de Fusemachines et professeur associé adjoint à l’Université de Columbia, le passage à la mise à l’échelle de l’IA est rendu possible par plus de données, en donnant la priorité à la stratégie de données et à une puissance de calcul moins chère.

Nous étions également au point où de nombreuses entreprises voient maintenant la valeur de l’IA, a-t-il déclaré. Et ils veulent le faire à grande échelle, a déclaré Maskey.

De plus, Julian Sanchez, directeur des technologies émergentes chez John Deere, souligne que le problème avec l’IA, c’est qu’elle ressemble à de la magie. Il y a un saut naturel, a-t-il expliqué, de l’idée de regarder ce que cela peut faire à je veux juste que la magie évolue.

L’IA à grande échelle n’est pas magique, ses données

Tout le monde essaie de comprendre comment passer au niveau suivant, a déclaré Sanchez. Mais la vraie raison pour laquelle l’IA peut être utilisée à grande échelle, a-t-il souligné, n’a rien à voir avec la magie. C’est à cause des données.

Je sais que la seule façon pour John Deere d’y parvenir était de suivre un processus rigoureux et approfondi de collecte de données et d’étiquetage des données, a-t-il déclaré. Nous devons donc maintenant trouver un moyen d’obtenir les bonnes données collectées et mises en œuvre d’une manière qui ne soit pas si onéreuse.

Mais certains experts soulignent que la plupart des entreprises restent immatures dans leurs efforts d’IA en termes d’avoir les bonnes données, ressources et connaissances nécessaires pour évoluer.

Je pense qu’il y a encore un peu de conflit entre la capacité de test et les cas d’utilisation par rapport à la mise à l’échelle de l’IA, a déclaré Di Mayze, responsable mondial des données et de l’IA chez WPP. Un client, a-t-elle ajouté, a décrit leurs efforts comme des pilotes-palooza. Ils essaient de trouver des moyens de relier tous les différents essais pour permettre une capacité d’IA à grande échelle, mais les entreprises se rendent compte qu’elles doivent mettre de l’ordre dans leurs données avant de pouvoir se soucier de la mise à l’échelle de l’IA, a-t-elle déclaré.

Voici quatre tendances de l’IA liées à l’échelle qui font fureur à la mi-2022 :

Les données synthétiques offrent rapidité et évolutivité

Kevin Dunlap, fondateur et associé directeur de la société de capital-risque Calibrate Ventures, a déclaré que les organisations utilisent des données synthétiques définies comme des données créées de manière algorithmique plutôt que collectées via des événements réels pour améliorer le développement de logiciels, accélérer la R&D, former des modèles d’apprentissage automatique. , mieux comprendre leurs propres données et produits internes et améliorer les processus métier.

Les données synthétiques peuvent remplacer des ensembles de données réels et être utilisées pour valider des modèles mathématiques, a-t-il déclaré. J’ai vu des entreprises dans des domaines tels que la santé, la finance, l’assurance, la cybersécurité, la fabrication, la robotique et les véhicules autonomes utiliser des données synthétiques pour accélérer le développement et la mise sur le marché afin de pouvoir évoluer plus rapidement.

Pour évoluer plus rapidement, a-t-il ajouté, les entreprises combinent des données synthétiques avec des données réelles pour mieux comprendre leur produit, leurs stratégies de mise sur le marché, leurs clients et leurs opérations, a-t-il ajouté. Les entreprises de santé, par exemple, utilisent des données synthétiques pour établir des diagnostics plus précis sans compromettre les données des patients, tandis que les institutions financières les utilisent pour détecter les fraudes.

Les entreprises peuvent également créer des jumeaux synthétiques de leurs propres données pour voir les angles morts, a-t-il déclaré. GE, par exemple, crée des jumeaux synthétiques de données provenant de turbines pour améliorer l’ingénierie et les conceptions mécaniques.

John Deeres Sanchez a déclaré qu’en 2021, il avait entendu parler de données synthétiques, mais maintenant, cette année, il a vu son utilisation de première main. Nos équipes génèrent des données synthétiques et essaient de les utiliser pour valider un modèle ou même essayer de les incorporer dans les ensembles de données de formation, a-t-il déclaré.

À certains égards, l’utilisation de données synthétiques reste une expérience, a-t-il averti.

L’intérêt de former un algorithme d’IA est que vous lui montriez une variété de fonctionnalités et que vous le laissiez apprendre, donc vous êtes toujours si prudent de dire, est-ce que mes données simulées ont des biais que je ne veux pas dans mon algorithme ? Pourtant, dit-il, j’ai vu beaucoup plus de lui cette année.

Modèles d’IA : Échelle ou buste

L’échelle est le nom du jeu dans la recherche sur l’apprentissage automatique et l’apprentissage en profondeur depuis quelques années, mais des modèles de plus en plus gros continuent de dominer le paysage en 2022, a déclaré Melanie Beck, responsable de l’ingénierie de recherche chez la société de logiciels Cloudera.

De la sortie du modèle de génération d’images OpenAI DALL-E 2 à l’agent de conversation LaMDA de Google, la clé de la haute performance a été des modèles plus grands formés sur plus de données et pendant beaucoup plus longtemps, ce qui nécessite beaucoup plus de ressources informatiques, a-t-elle déclaré. Cela soulève la question suivante : comment des organisations qui ne disposent peut-être pas des ressources de ces géants de la technologie peuvent-elles entrer et rester dans le jeu ?

La communauté des chercheurs a été très surprise par les capacités émergentes inattendues qui découlent des modèles d’IA à grande échelle, ou modèles de base, a ajouté Nicolas Chapados, vice-président de la recherche chez ServiceNow. Construits à l’origine comme de grands modèles de langage, ceux-ci sont formés sur des ensembles de données multimodaux massifs qui peuvent s’adapter très rapidement à de nouvelles tâches en aval, parfois sans aucune nouvelle donnée.

Ces modèles sont tout aussi doués pour le dialogue, les questions-réponses, la description d’images avec des mots, la traduction de texte en code et parfois pour jouer à des jeux vidéo et contrôler des bras de robot, a déclaré Chapados.

Ce qui est surprenant, a-t-il expliqué, c’est que ces modèles, au-delà de 100 milliards de paramètres, présentent un comportement émergent auquel les concepteurs ne s’attendaient pas, comme la capacité de fournir une explication étape par étape dans une situation de question-réponse, compte tenu de la bonne incitation fournie à le modèle.

Les principaux défis en 2022 sont pour les organisations de comprendre quels cas d’utilisation, en particulier dans le monde de l’entreprise, bénéficient réellement de cette échelle, comment opérationnaliser ces capacités avec succès et de manière rentable, ainsi que comment gérer d’autres inhibiteurs tels que l’accès à des données appropriées et suffisantes, et les risques de sécurité tels que la toxicité éventuelle du modèle, a-t-il ajouté.

MLops en hausse

Kavita Ganesan, fondatrice d’Opinosis Analytics et auteur de L’analyse de rentabilisation de l’IAa dit que l’un des problèmes auxquels les entreprises ont été confrontées dans le passé est la mise à l’échelle du nombre de modèles déployés.

Chaque fois qu’un nouveau modèle est développé, il a souvent ses propres exigences de déploiement, ce qui ajoute de la friction à chaque cycle de développement et de déploiement, a déclaré Ganesan. Cela a entraîné un ralentissement de nombreuses initiatives d’apprentissage automatique, et certaines ont même dû être abandonnées en raison du travail impliqué dans chaque cycle de déploiement.

Cela change lentement avec le nombre croissant de plates-formes MLops, a-t-elle expliqué, qui permettent aux organisations de développer, déployer, intégrer et surveiller des modèles.

Mieux encore, certaines de ces plates-formes vous permettent de mettre à l’échelle automatiquement les ressources informatiques et d’autres exigences d’infrastructure, ce qui rend le déploiement de modèles d’apprentissage automatique pour les cas d’utilisation professionnelle moins pénible et plus reproductible, a-t-elle expliqué. Des fournisseurs spécifiques permettent également aux entreprises d’utiliser des ressources sur site ou dans le cloud en fonction des besoins.

John Deeres Sanchez a ajouté que la récolte actuelle de plates-formes MLops fiables et disponibles dans le commerce est un grand changement par rapport à il y a trois ans, qui ressemblaient presque à des systèmes locaux. Mais, a-t-il dit, ils sont aussi une épée à double tranchant.

Maintenant, je peux prendre un bon développeur de logiciels et une fois qu’ils ont appris certains des outils disponibles, ils peuvent rapidement se comporter comme un développeur d’IA expérimenté, a déclaré Sanchez. Mais parfois, ils peuvent décider d’utiliser ces outils alors qu’ils devraient essayer autre chose. Souvent, cela peut vous donner une solution et ils ne savent pas trop pourquoi cela fonctionne ou comment cela fonctionne.

Faire évoluer l’IA de manière responsable

Des récents mouvements de Microsoft vers une IA responsable aux entreprises qui s’attaquent à la question de la sécurité de l’IA, la discussion sur la façon de faire évoluer l’IA de manière responsable, c’est-à-dire éthique et sans parti pris, est partout en 2022.

WPPs Mayze a souligné que les entreprises doivent être conscientes de ce qu’elles demandent aux machines de faire et avoir un examen complet pour savoir si les KPI sont corrects.

Par exemple, si vous essayez d’optimiser les revenus par client, l’IA trouvera des moyens de le faire qui peuvent ne pas sembler si éthiques à la lumière froide du jour, a déclaré Mayze. Il est donc important de créer un environnement où les gens peuvent explorer les conséquences involontaires de l’utilisation de l’IA et établir les limites de toute organisation.

Cependant, l’application des principes d’une IA responsable tels que la transparence et l’explicabilité peut être une réponse facile aux préoccupations sociétales concernant la manière dont les entreprises pourraient utiliser l’IA, mais ce n’est pas suffisant, a déclaré François Candelon, directeur mondial du BCG Henderson Institute.

C’est un bon début nécessaire, mais je pense que les entreprises doivent aller au-delà de la responsabilité et développer un véritable contrat social avec leurs clients basé sur le dialogue, la confiance et une évaluation transparente des coûts/bénéfices de l’impact de l’IA pour gagner ce que j’appelle leur licence sociale. une forme d’acceptation que les entreprises doivent gagner grâce à un comportement cohérent et digne de confiance et à des interactions avec les parties prenantes, a déclaré Candelon.

L’IA à grande échelle signifie s’adapter au changement

Quelle que soit la manière dont les organisations évolueront vers la mise à l’échelle de l’IA au cours de l’année à venir, il est important de comprendre les différences significatives entre l’utilisation de l’IA comme preuve de concept et la mise à l’échelle de ces efforts, a déclaré Bret Greenstein, partenaire de données, d’analyse et d’IA chez PwC.

La différence est entre faire un bon sandwich et ouvrir un restaurant à succès, a déclaré Greenstein. Vous devez penser à toutes les choses qui doivent être disponibles lorsque vous en avez besoin, vous assurer que les choses sont sous la forme dont vous avez besoin pour être utiles et vous assurer que vous pouvez adapter vos systèmes aux changements.

Une solution d’IA à grande échelle, par exemple, doit être alimentée en nouvelles données sous forme de pipeline, et pas seulement en tant qu’instantané de données. Et bien que la preuve de concept puisse tolérer des données incomplètes ou de mauvaises données car elles ne sont pas essentielles à la mission, la préparation des données pour les systèmes d’IA représente encore 80 à 90 % du travail nécessaire pour faire de l’IA un succès. L’évolution des conditions peut avoir de graves répercussions sur les modèles en production. Dans les systèmes d’IA de produits à l’échelle, les modèles sont recyclés à mesure que les données changent et la précision est surveillée à mesure que les conditions changent.

La leçon clé dans tout cela est de considérer l’IA comme un système basé sur l’apprentissage, a déclaré Greenstein. Les gens doivent continuer à apprendre avec les dernières données et être conscients des changements afin qu’ils puissent appliquer cet apprentissage pour prendre des décisions précises aujourd’hui.

Pour John Deere, la mise à l’échelle de l’IA a consisté à travailler avec de grands ensembles de données pour former des modèles, donnant à l’organisation une perspective importante sur le changement.

Quelqu’un de nouveau pourrait dire, il y a un outil et je peux faire cette chose une fois et sa magie, a ajouté Sanchez. Mais lorsque vous transformez des solutions en un produit, ce n’est pas seulement une magie ponctuelle, vous devez comprendre comment ce produit est utilisé dans le monde réel et dans tous les différents cas particuliers.

De toute évidence, les tendances actuelles de l’IA en 2022 indiquent comment l’IA devient utile à plus grande échelle au sein d’une organisation, a déclaré Andrews, analyste chez Gartner.

Plus de gens sont capables de l’utiliser, ils sont capables d’accomplir des choses qu’ils n’auraient jamais pu accomplir auparavant, a déclaré Andrews. Ainsi, la grande tendance de l’IA en 2022 est que chaque fois que nous faisons quelque chose de nouveau, l’IA en fait partie.