Le début d’une nouvelle année implique un nouvel accent sur les investissements en informatique. Selon le cabinet d’analyses Gartner, les dépenses mondiales en matière de technologie de l’information atteindront 5,74 trillions de dollars d’ici 2025, soit une augmentation de 9,3 % par rapport à 2024. Gartner estime que les explorations autour de l’IA générative contribueront à cette croissance.
Utiliser ChatGPT pour rédiger : CV | Formules Excel | Essais | Lettres de motivation
À l’heure actuelle, beaucoup d’entre nous se sont déjà essayés à l’IA générative, que ce soit pour améliorer un texte, créer des images ou générer du code ; les capacités de cette technologie peuvent sembler magiques.
Il faut prouver son hypothèse
Cependant, James Fleming, CIO de l’Institut Francis Crick, est un leader numérique qui reste prudent face aux engouements. Dans une interview accordée à ZDNET, il a souligné que l’utilisation des technologies émergentes pour des découvertes scientifiques révolutionnaires n’est pas une tâche facile.
Cette complexité signifie que l’essor de l’IA générative n’a pas engendré un bouleversement dans les méthodes de travail de cette organisation de recherche de renommée mondiale.
Par ailleurs : Votre transformation par IA dépend de ces 5 tactiques commerciales
« Faire de l’IA scientifique, par opposition à créer de grands modèles de langue accessibles au public, représente une discipline totalement différente. Vous œuvrez dans un cadre scientifique strict où il est nécessaire de prouver votre hypothèse », précise-t-il.
« Ce n’est pas suffisant de dire que vous avez proposé un modèle presque correct. La plupart du temps, il doit être parfaitement juste dans certaines conditions. Et vous devez démontrer que vous basez votre travail sur une compréhension fondamentale. »
Fleming décrit l’utilisation de l’IA en science comme une « épée à double tranchant ». Bien que cette technologie puisse accélérer le processus de recherche, les nouvelles conclusions doivent être établies et présentées avec un haut niveau de certitude.
« La capacité à prouver est essentielle, surtout si l’on envisage un impact réel dans un cadre clinique ou en tant que dispositif médical », soutient Fleming. « Si vous présentez une innovation à un clinicien en disant : ‘Je pense que cet outil peut prédire l’évolution du cancer’, il demandera alors : ‘Peut-il vraiment ? Montrez-moi pourquoi.’ »
De plus : 5 manières dont l’IA change le baseball – et le big data est déjà sur le terrain
Cependant, bien que l’explicabilité soit cruciale pour la recherche scientifique, c’est un enjeu qui s’oppose souvent aux méthodes de travail en « boîte noire » et aux hallucinations de nombreux modèles d’IA populaires.
Adopter une approche itérative
Pour démystifier les processus des technologies émergentes, Fleming révèle que le Crick adopte une approche itérative afin d’aider ses chercheurs à utiliser les modèles d’IA en toute confiance.
« Vous devez avancer lentement et par étapes vers votre objectif », déclare-t-il. « Nous adoptons une approche beaucoup plus ciblée qui établit la provenance et la confiance dès le départ. »
L’approche incrémentale du Crick permet aux chercheurs de déployer des modèles d’IA de deux manières.
Tout d’abord, en améliorant les méthodologies scientifiques existantes. Fleming explique que l’institut a commencé à travailler dans ce domaine il y a cinq ans avec la microscopie.
Par ailleurs : L’intégration de l’IA commence par des fondations de données robustes. Voici 3 stratégies mises en oeuvre par les dirigeants.
Les installations de microscopie du Crick analysent les électrons cryogéniques et produisent des images d’une densité incroyable et d’une grande beauté, représentant des tissus, des cellules, et des molécules individuelles.
Cependant, obtenir une belle image n’est que le commencement. Cette image doit être convertie en données, telles que des éléments qui aident à établir les différences entre une cellule cancéreuse et une cellule saine.
L’équipe de Fleming travaille de manière itérative pour prouver que les bons modèles peuvent produire des résultats de recherche révolutionnaires plus rapidement.
« Les modèles d’IA peuvent réaliser une grande partie du travail préparatoire pour vous, comme l’analyse et l’extraction des caractéristiques et la transformation d’une image en données exploitables », affirme-t-il.
De plus : Comment faire en sorte que votre entreprise exploite au mieux l’IA : Dites à votre conseil d’administration ces 4 choses.
Le second domaine d’application des modèles d’IA par le Crick est celui de la découverte, mais dans un cadre bien défini.
Fleming cite l’exemple d’un laboratoire qui travaille sur la maladie de Parkinson. L’équipe de recherche a créé un classificateur capable d’identifier quels patients présentaient la maladie parmi une population de cellules souches. Cependant, les chercheurs n’ont pas pu expliquer comment cela fonctionnait, ils ont donc procédé à une investigation itérative.
« Après avoir formé le modèle, il y a eu un processus d’interrogation inverse de ce modèle à l’aide de diverses méthodes statistiques pour déterminer que, en réalité, ce qui dominait était l’ellipticité de la cellule. Elles étaient plus ovales. Et il existait également un ensemble complet d’autres caractéristiques que le modèle a ensuite extraites. »
Selon lui, ces résultats isolément ne constituent pas la solution, mais ils incitent à poursuivre les investigations : « OK, la morphologie cellulaire est différente. Pourquoi cela ? Quelle est notre prochaine étape d’expérimentation ? Et c’est à ce moment-là que l’élément itératif commence à entrer en jeu. »
De plus : 4 façons de transformer les expériences d’IA générative en valeur concrète pour l’entreprise.
Tester et perfectionner
Fleming précise que le processus minutieux du Crick visant à tester et peaufiner progressivement les technologies d’IA conduit désormais à une approche plus sophistiquée où plusieurs intelligences artificielles sont regroupées pour alimenter des programmes de recherche de confiance.
Le plus grand projet est dirigé par Samra Turaljic, dont le laboratoire sur la dynamique du cancer se concentre sur la compréhension de l’évolution du cancer du rein.
Ce dernier utilise l’IA pour prédire l’évolution génomique d’une tumeur à partir d’images pathologiques. Fleming explique que cet effort a impliqué d’entraîner plusieurs IA et de croiser les modèles avec des bases de données génomiques s’étalant sur 10 ans de recherche.
« Le résultat est la création d’un outil pouvant prédire cliniquement l’évolution du rein », déclare-t-il.
« Mais dans chacun de ces processus, vous construisez minutieusement un sous-composant jusqu’à ce que vous puissiez lui faire confiance, tout en travaillant à travers plusieurs niveaux de données afin de vous rapprocher de l’échelle de la population réelle. »
De plus : L’avenir de l’informatique doit être plus durable, même si la demande pour l’IA alimente la consommation d’énergie.
Fleming estime que cette approche minutieuse est cruciale, car les résultats peuvent être influencés par des variations biologiques et d’acquisition, telles que différentes intensités d’une teinture sur un microscope pathologique.
Ce processus par étapes prouve que la clé pour débloquer des résultats plus rapides grâce à l’IA à long terme réside dans un travail lent et méthodique à court terme.
« Nous commençons par un petit ensemble de données, nous le comprenons, le rendons prédictif et fonctionnel, puis nous ajoutons davantage de données », explique Fleming. « Ensuite, lorsque nous incorporons plus de données, nous perfectionnons à nouveau le modèle. Ce processus itératif est essentiel, car sans lui, vous ne construisez pas la compréhension et la provenance nécessaires. »
Points à retenir
- Les dépenses mondiales en informatique devraient augmenter de 9,3 % d’ici 2025, favorisées par l’IA générative.
- L’utilisation de l’IA en recherche scientifique nécessite une approche rigoureuse et prouvée, loin des promesses exagérées.
- Une approche itérative permet de déployer l’IA efficacement, en renforçant à la fois la confiance et la provenance des données.
En réfléchissant sur ces évolutions, il devient essentiel pour les chercheurs et les professionnels de la technologie de trouver un équilibre entre innovation et rigueur. Face aux tendances actuelles, la vraie question demeure : comment harmoniser l’enthousiasme entourant l’IA avec une méthode scientifique solide et fondée sur des preuves ?
- Source image(s) : www.zdnet.com
- Source : https://www.zdnet.com/article/ai-transformation-is-a-double-edged-sword-heres-how-to-avoid-the-risks/
Pas des conseils en investissement
Les informations fournies sur ce site web ne doivent pas être considérées comme des conseils en investissement, des conseils financiers, des conseils en trading ou toute autre sorte de conseil et aucun contenu du site web ne doit être considéré de la sorte. LesNews ne vous recommande pas d'acheter, vendre ou détenir des cryptomonnaies. Faites preuve de vigilance et consultez votre conseiller financier avant de prendre toute décision en matière d'investissement.
Nos rédacteurs utilisent l'IA pour les aider à proposer des articles frais de sources fiables à nos utilisateurs. Si vous trouvez une image ou un contenu inapproprié, veuillez nous contacter via le formulaire DMCA et nous le retirerons rapidement. / Our editors use AI to help them offer our readers fresh articles from reliable sources. If you find an image or content inappropriate, please contact us via the DMCA form and we'll remove it promptly.