La technologie de l’IA générative suscite un vif intérêt à l’échelle mondiale, et pour cause. Les cas d’utilisation de l’IA générative dans les entreprises peuvent offrir un retour sur investissement prometteur. Cependant, la mise en œuvre de ces cas d’utilisation pose de nombreux défis, risques et obstacles. Explorons les principaux défis auxquels les entreprises sont confrontées.
Dépasser les Fins Publicitaires
Apportez Vos Données d’Entreprise Aux Fournisseurs d’IA : Les fournisseurs d’IA hyperscalers et de nouvelle génération proposent l’IA générative aux entreprises avec une subtilité : vous devez leur fournir vos données d’entreprise pour valoriser leur IA. Cette approche comporte des risques. Tout d’abord, vos données peuvent être utilisées à des fins de formation et d’amélioration de leurs propres modèles d’IA. Deuxièmement, les modèles d’IA formés sur vos données exclusives peuvent être partagés avec d’autres clients qui ne possèdent pas intrinsèquement de données aussi riches.
IA Fiable, Sécurisée et Conforme : Les entreprises doivent se méfier des solutions de démonstration d’IA et examiner sérieusement des aspects tels que le taux de hallucinations, les références de précision et la citation des réponses pour s’assurer que les réponses générées sont acceptables pour les entreprises et fiables pour les utilisateurs. Le problème inhérent est que les LLM sont connus pour inventer des informations, et pire encore, ils le font avec une très grande confiance.
Intégration de l’IA Dans les Applications et Flux de Travail Existants : Pour produire de l’IA générative dans les entreprises, il est essentiel de l’intégrer profondément aux applications et flux de travail existants de l’entreprise plutôt que de laisser une application autonome déconnectée de la manière dont les utilisateurs opèrent au sein de l’entreprise. Un exemple d’application intégrée est la “génération de réponses” pour les agents de support client directement dans le Cloud de Service Salesforce pour aider les utilisateurs à répondre aux demandes d’assistance entrantes.
Apprentissage de l’IA Continu et Adaptable : Il est essentiel de comprendre que les modèles d’IA initiaux déployés en production sont limités et datés sur des hypothèses du monde réel. Disposer d’un cadre et d’un pipeline qui apprennent continuellement à partir de multiples dimensions, comme les retours des utilisateurs, les retours d’experts et les nouvelles sources de données, est crucial pour l’apprentissage par renforcement automatisé et humain-en-boucle qui configure finalement les modèles d’IA pour une amélioration continue des performances.
Protection des Données et de la Vie Privée : La vie privée des données reste l’un des principaux obstacles à l’adoption généralisée de l’IA générative par les entreprises. Des entreprises comme Samsung ont récemment découvert que l’utilisation de LLM sans les garanties appropriées peut entraîner des fuites de données sensibles. Ces incidents soulignent l’importance de protéger les informations sensibles lors de l’utilisation de la technologie de l’IA générative.
Intégration Profonde Dans les Flux de Travail d’Entreprise Existant : Une IA autonome qui ne s’intègre pas aux workflows existants de l’entreprise et des utilisateurs aura une valeur et une adoption limitées. Il est essentiel de disposer d’une boucle de rétroaction fermée où le cas d’utilisation de l’IA générative, que ce soit sous forme de recherche où les employés passent beaucoup de temps à rechercher des informations internes, ou d’un copilote IA où les agents de support client disposent de recommandations proactives sur la manière de répondre à un client frustré, est là où la valeur sera débloquée.
Coûts Prohibitifs pour l’Exécution et la Maintenance : Il existe plusieurs couches dans la pile d’IA générative qui, si elles sont dégroupées, permettent aux clients de décider celles qu’ils veulent acheter clés en main et celles qu’ils veulent construire en interne. Les entreprises ont le choix de construire l’ensemble de la pile à partir de LLM, d’affiner, d’ingénierie de prompts et d’applications, ou de le faire par couche. De plus, les entreprises doivent prendre en compte les coûts liés à la formation, aux déductions, au personnel, aux tests, à la maintenance et aux coûts d’infrastructure qui peuvent être significatifs sur le long terme.
Bien qu’il reste des obstacles à surmonter, les entreprises devraient chercher à adopter la technologie de l’IA générative et à travailler avec des fournisseurs qui offrent la sécurité et la confiance en premier lieu, la possibilité d’utiliser et de créer des LLM spécifiques au domaine, des applications clés en main génératives telles que GPT, des copilotes & des recherches qui tiennent la promesse du retour sur investissement et du temps de valeur.