Un ingénieur en IA explique pourquoi la plupart des startups en IA mourront.

• Un ingénieur en IA dit que la plupart des gens ne comprennent pas encore ce que l’IA peut vraiment faire et ce qu’elle ne peut pas faire.
• Ceux qui travaillent dans l’IA savent quand les revendications des startups sont réalistes et quand elles sont pour la plupart exagérées.
• Il partage comment il évalue les startups qu’il utiliserait, investirait ou travaillerait, et lesquelles éviter.

Cet essai est basé sur une conversation avec un ingénieur en IA qui travaille actuellement pour une start-up juridique en IA et a demandé à ne pas être identifié car il n’est pas autorisé à parler de ses expériences professionnelles. Insider a vérifié son emploi.

L’IA générative est tout simplement surestimée en ce moment et cela signifie que de nombreuses startups d’IA qui obtiennent un financement VC aujourd’hui vont échouer. Cela va être similaire à ce qui s’est passé en crypto. Il y aura des applications sélectives de startups qui fonctionnent bien et peuvent créer des entreprises, mais peut-être que 70 à 80 % d’entre elles finiront par mourir.

Même OpenAI a connu une baisse d’utilisation ces derniers tempsce qui peut indiquer que les chatbots IA génératifs ne prendront pas le contrôle du monde.

Je travaille sur des systèmes d’IA depuis près d’une décennie et je peux vous dire que nous avons déjà vu tout cela auparavant. C’est ce qui est arrivé à l’industrie de la voiture autonome.

Aussi bon que ChatGPT soit pour discuter, ou que Dall-E soit pour créer de l’art, ce que ces programmes font, c’est imiter les informations qu’ils ont ingérées du passé.

L’IA d’aujourd’hui ne peut pas vraiment faire ce que tant de startups disent que leurs applications peuvent faire, car l’IA ne peut pas prédire les choses de manière fiable.

Comment nous en sommes arrivés là : trois vagues d’apprentissage automatique

Il y a eu, jusqu’à présent, trois vagues d’apprentissage automatique dans le développement de l’IA et chacune d’elles a créé de nombreuses startups. Les trois vagues sont : l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage renforcé.

Supervisé, c’est lorsque vous enseignez au modèle d’IA comment faire quelque chose comme identifier un stylo. Vous engagez un groupe de personnes pour étiqueter manuellement des photos de stylos (et les startups sont nées pour le faire) et vous entraînez le modèle à répondre à la question, est-ce un stylo ou non ?

Non supervisé, c’est lorsque vous écrivez une règle dans un algorithme et que vous dites à l’IA de détecter ce qu’est l’objet. Un exemple est la détection de pixels pour identifier les couleurs : rouge, vert, jaune, etc.

L’apprentissage renforcé consiste à l’entraîner à identifier, par exemple, une pomme, puis à renforcer s’il a bien compris ou non. Est-ce une pomme? Oui. D’accord génial. Est-ce une pomme? Non, tu t’es trompé.

Ensuite, l’ingénierie de l’IA est entrée dans cette courbe d’apprentissage abrupte basée sur tout cela. Il a été renforcé et non surveillé combiné ensemble.

Ce que j’essaie de faire comprendre aux personnes extérieures à la communauté de l’IA, c’est qu’il ne s’agit essentiellement que d’un jeu de probabilité. Par exemple, quelle est la probabilité la plus élevée que quelque chose se produise dans le futur ? Par exemple, une voiture autonome utilise un tas de modèles d’apprentissage en profondeur. Lorsque le modèle remarque « oh, voici un humain à notre droite. Une seconde avant d’arriver à une position proche, je dois prédire si cette personne va se déplacer de l’autre côté de la rue ou si cette personne va rester immobile.  »

Et donc il calcule tout cela en fonction des postures : comme s’ils étaient sur leur téléphone juste immobiles, il est fort probable que cette personne ne bougera pas. La probabilité que cette personne se déplace de l’autre côté de la rue est peut-être de 0,001 %.

Mais des accidents finissent par se produire.

Voilà donc ce qu’est l’apprentissage en profondeur : c’est comme une chose centrée sur la prédiction probabiliste. Et c’est le jour dans lequel nous vivons aujourd’hui. Les gens disent : « Hé, nous créons quelque chose de nouveau. » Mais tout ce que c’est, même pour quelque chose comme OpenAI, c’est qu’ils lui fournissent tellement de données et ensuite ils disent essentiellement, répliquez-le et créez quelque chose basé sur les informations précédentes.

Ce que vous pouvez et ne pouvez pas compter sur l’IA pour faire

Oui, si vous utilisez correctement ce type d’IA, c’est super puissant. Mais l’IA dépend entièrement des informations qui lui sont transmises. Les informations peuvent être biaisées, ou cracher quelque chose qui n’est pas créatif mais fondamentalement plagié, ou basé sur des informations anciennes et obsolètes.

Alors, comment savoir si la technologie d’une startup d’IA fonctionnera ou si elle et l’entreprise échoueront probablement ? Si ce qu’il fait est de réutiliser des informations statiques et ne repose pas sur la nécessité de prédire un résultat, c’est sur un terrain plus sûr. Comme le routage d’une carte dans un environnement contrôlé pour les robots d’entrepôt. Contrairement aux voitures autonomes, les robots d’entrepôt fonctionnent dans un environnement contrôlé, n’est-ce pas ?

Ou triage du centre d’appels : ainsi, tout ce qui arrive au centre d’appels pour une raison identifiée, l’apprentissage automatique peut l’analyser et l’acheminer vers la bonne personne.

Mais les startups qui nécessitent de lourdes prédictions auront du mal à réaliser leurs revendications, tout comme la plupart des startups de voitures autonomes de la dernière décennie ne sont pas devenues de grandes entreprises (et nous ne sommes pas tous conduits dedans).

Dans ce seau se trouvent des startups avec une technologie qui s’appuie sur le changement de comportement des personnes pour faire confiance à une machine plutôt qu’à un autre être humain comme, par exemple, des applications humaines virtuelles : des assistants IA censés remplacer un humain pour gérer le bureau d’un cadre, ou des bots IA censés remplacer les vendeurs. Une autre catégorie est tout ce qui nécessite une stratégie, comme dans le monde juridique, développer une défense. Et une autre catégorie est tout ce qui nécessite que l’IA comprenne et prédise ce que les gens ressentent, comme un service de conciergerie.

Alors, comment pouvons-nous combler le fossé entre l’IA limitée d’aujourd’hui et un jour où nous pourrons totalement compter sur elle ? Eh bien, il existe une solution intermédiaire. Nous pouvons utiliser l’IA aujourd’hui pour effectuer un travail cohérent et répétitif, appelons cela « pré-travail » et inclure les êtres humains dans le processus.

Mais il y a même un hic à cela, car vous devez également tenir compte du coût réel de l’adoption de l’IA. Prenez, par exemple, Amazon Go. En juin, Amazon a fermé son neuvième magasin Go, y compris des magasins phares à San Francisco, Seattle, New York. Contre qui étaient-ils ? Ils essayaient de fournir une meilleure expérience utilisateur en remplaçant un ouvrier de 20 $/heure (environ ce que font les caissiers de Whole Foods) par une technologie intelligente.

Mais cela impliquait de payer des talents d’ingénierie coûteux, de créer une technologie propriétaire, puis de payer les coûts de support continus pour des réseaux informatiques complexes et axés sur la vision, sans parler du coût de maintenance et de recyclage de leurs modèles, qui est très coûteux. Le paiement en libre-service a fini par être un moyen beaucoup plus rentable pour d’autres détaillants comme Costco, Walmart, les épiceries et a toujours résolu le même problème d’amélioration de l’efficacité du paiement. Aucune IA requise.

Donc, si vous supprimez des tâches administratives répétitives et prévisibles, c’est une bonne utilisation de l’IA générative. Mais si vous essayez de créer quelque chose qui nécessite de prédire quelque chose qui va se passer dans le futur ? Comment fonctionne cette technologie ? C’est la nouvelle chose brillante. Et je ne travaillerais pas pour cette entreprise ni n’y investirais aujourd’hui.