Grands modèles linguistiques : trois exemples de problèmes qu’ils peuvent résoudre

Les grands modèles linguistiques (LLM) font fureur, comme en témoigne le lancement de ChatGPT d’OpenAI fin 2022, initialement alimenté par le LLM GPT-3. Au-delà du battage médiatique, que peuvent apporter les LLM à votre entreprise ? Nous examinerons ici trois exemples de problèmes qu’ils peuvent résoudre. Commençons tout d’abord par une brève définition des LLM.

Selon Gartner®, « un grand modèle linguistique (LLM) est un type spécialisé d’intelligence artificielle (IA) qui a été entraîné sur de grandes quantités de texte pour comprendre le contenu existant et générer un contenu original ».¹

Selon la manière dont vous développez un LLM en l’associant à d’autres technologies, vous pouvez produire une grande variété de types de contenu, tels que du son, des images, des dessins et probablement bientôt une liste inépuisable d’autres types de contenu. Mais actuellement, les entreprises découvrent l’utilité des LLM pour la création d’artefacts textuels.

Selon un rapport de Gartner®, « Création d’artefacts : l’accélération des grands modèles linguistiques (LLM), et des modèles de base en général, a permis aux techniques d’IA d’atteindre une nouvelle échelle dans une grande diversité de contenus (tels que le texte, l’audio/le visuel, la programmation et les actifs de données, les conceptions et les méthodes d’apprentissage) ».²

Voici trois exemples d’artefacts qui peuvent aider votre entreprise à résoudre des problèmes importants.

De nombreuses organisations sont confrontées à un afflux constant de messages de service client auxquels elles doivent répondre. Un LLM est un copilote parfait pour aider les représentants du service client à générer des réponses à ces messages, notamment lorsqu’il est intégré à un processus Dans Appian, une plateforme d’IA pour l’automatisation des processus, un développeur d’applications doit simplement placer un connecteur dans l’application sur le plug-in de la plateforme Azure OpenAI. Ce plug-in utilise la copie de l’e-mail du client comme invite et génère une première réponse que l’employé peut modifier si nécessaire. Le développeur d’applications peut définir des exigences en matière de ton, de longueur, de langue, de type, etc. afin de générer rapidement des communications électroniques solides, tant en interne qu’en externe.

Comme pour les autres artefacts produits par les LLM, les humains doivent garder le contrôle. Par exemple, les experts doivent vérifier les « hallucinations » de l’IA et s’assurer que le ton est conforme aux normes de l’entreprise.

Toute organisation disposant d’un vaste ensemble de données pourrait bénéficier d’un LLM pour la gestion des connaissances. Comme les LLM peuvent comprendre des requêtes en langage naturel, les employés pourraient théoriquement taper quelque chose comme « Quel est le minimum de commande requis pour bénéficier de la gratuité des frais de port ? » et recevoir une réponse. Mais l’essentiel est que le LLM soit formé sur l’ensemble de données de votre organisation plutôt que sur un modèle public comme ChatGPT, qui s’appuie sur des ensembles de données publiques. Ce concept d’IA privée est en cours de développement et d’amélioration, mais elle est prometteuse pour les organisations qui souhaitent bénéficier des avantages de l’IA sans compromettre leurs données.

Les développeurs peuvent utiliser les LLM pour écrire du code. Le développement est traditionnellement un processus long et coûteux, et les LLM permettent de stimuler la productivité afin que les développeurs puissent avancer plus rapidement. Les LLM ne sont pas seulement capables d’écrire des langages courants tels que HTML ou JavaScript. Même des plateformes comme Appian utilisent l’IA générative dans certains cas pour élaborer des conceptions d’applications à l’aide de SAIL, notre système de conception low-code et notre framework d’interface utilisateur.

Tous ces exemples de problèmes résolus par des LLM montrent qu’ils peuvent être très utiles pour la productivité, et cette révolution n’en est qu’à ses balbutiements. Mais pour vous protéger, voici deux suggestions qui permettront à votre organisation d’éviter des problèmes coûteux par la suite.

L’IA peut comporter des risques. Suivez nos conseils pour rester en sécurité :

• Préservez la confidentialité de vos données. Méfiez-vous des modèles d’IA qui ne respectent pas la confidentialité de vos données ou qui les utilisent pour former leur propre ensemble de données. Les avantages peuvent sembler intéressants aujourd’hui, mais il existe des options d’IA privée qui protègent vos données, ainsi que celles de vos clients, afin que vous ne risquiez rien pour l’avenir.
• Adoptez l’IA pour des raisons d’efficacité, et non pour suivre la tendance. Plutôt que de rechercher l’IA en tant que telle (sauf, bien sûr, si c’est ce que fait votre entreprise), adoptez l’IA dans un contexte d’efficacité. Cela vous aidera à vous rapprocher d’une véritable opérationnalisation de l’IA plutôt que d’emprunter des voies sans issue. À quoi cela pourrait-il ressembler ? Choisissez d’adopter des logiciels qui intègrent déjà l’IA dans tout ce qu’ils font.