Cinq prévisions futuristes pour l’IA en 2025

Dans le film emblématique des années 1980 “Retour vers le futur”, un adolescent se retrouve par accident transporté dans le passé et empêche ses parents de tomber amoureux, mettant ainsi en péril sa propre existence, sauf s’il parvient à corriger le tir et à revenir dans le présent. Dans le domaine de l’IA, beaucoup expriment des inquiétudes quant à notre capacité à aborder les enjeux fondamentaux tels que la sécurité, la gouvernance, la consommation des ressources et les impacts sociaux, tandis que la progression technologique avance à toute allure. Heureusement, certaines tendances émergentes s’inspirent de la sagesse du passé et des meilleures pratiques, ce qui pourrait nous aider à mieux naviguer à travers les défis actuels et les opportunités futures qu’offre l’IA dans les secteurs de l’entreprise et des télécommunications.

Voici cinq des tendances actuelles :

1. Adoption accrue de petits modèles de langage,
2. Passage d’une approche centrée sur les modèles à une approche systémique,
3. Accentuation de la sécurité des agents IA,
4. Reconnaissance croissante des humains comme “différenciateurs”,
5. Réaffirmation de l’importance de la qualité des données.

#1 : Adoption à grande échelle des petits modèles

Les grands modèles de langage (LLMs) comme GPT-3/-4, Gemini, Llama, et Claude ont permis des avancées remarquables dans le domaine de l’IA générative. Bien que chacun présente des forces uniques en matière de production (texte, images, audio, vidéo ou code), tous partagent une faiblesse commune : une consommation excessive de puissance de calcul, de mémoire, de données d’entraînement et d’énergie.

Un autre défi partagé par les LLM est leur nature générale. Bien que cela soit un atout, cela complique leur adaptation à des besoins spécifiques. Les développeurs doivent souvent procéder à de nombreuses ajustements manuels pour intégrer un LLM à leurs exigences, ce qui peut créer une dépendance excessive au modèle pour les applications IA. Des méthodes telles que l’ajustement des résultats en utilisant des boucles de retour d’information humain et l’amélioration de la pertinence et de la précision grâce à des requêtes en temps réel vers des ensembles de données externes autorisés sont également employées.

Une stratégie alternative consiste à commencer avec un petit modèle de langage (SLM) plutôt qu’un LLM, même si l’on applique encore l’ajustement et les requêtes externes. Les SLM récemment lancés par des start-ups et des géants des LLM produisent des résultats comparables tout en nécessitant beaucoup moins de paramètres et en utilisant des ensembles de données plus petits mais de haute qualité.

Cela facilite l’adaptation des SLM à des objectifs et des contraintes spécifiques et réduit les risques comme la dépendance au modèle et les hallucinations, tout en nécessitant moins de ressources : ces modèles peuvent fonctionner sur des CPU standard, avec des besoins en mémoire bien moindres et une consommation d’énergie réduite.

Ainsi, l’adoption généralisée des SLM est attendue pour 2025. De plus, des méthodes visant à améliorer les résultats des SLM et des LLM – notamment l’ajustement et les requêtes externes – annoncent un passage progressif vers une approche plus systémique dans le développement des applications basées sur les modèles de langage.

#2 : Un changement d’approche vers une pensée systémique

Début 2024, certains ont déjà noté ce changement, comme le groupe de recherche en intelligence artificielle de Berkeley (BAIR). Ils ont observé que, bien que l’enthousiasme suscité par GPT-3 et ChatGPT ait conduit les développeurs à placer les LLM au centre du développement d’applications IA, l’accent a (à juste titre) commencé à se déplacer vers des résultats de pointe de plus en plus obtenus grâce à des systèmes complexes à composants multiples, plutôt que par des modèles monolithiques.

Une approche systémique dans le développement d’applications fondées sur des LLM utilise les mêmes éléments fondamentaux que le développement de systèmes, comme la conception modulaire et l’optimisation basée sur les données, tout en créant une couche d’abstraction précieuse.

Avec une utilisation prévue des agents IA en forte augmentation en 2025, cette approche systémique formalisée représente un avantage en matière de sécurité et de gouvernance.

#3 : Accent accru sur la sécurité des agents IA

De manière générale, les agents IA sont des “entités artificielles qui perçoivent leur environnement, prennent des décisions et exécutent des actions”. Bien que l’on se réfère souvent à des agents IA basés sur des LLM, la conception et le développement d’agents IA existent depuis les années 1950.

Il apparaît que sécuriser les agents LLM est plus complexe que de sécuriser les agents non-LLM, qui fonctionnent sur des règles prédéfinies ou des modèles d’apprentissage par renforcement. Malheureusement, les dangers potentiels liés aux agents LLM n’ont pas été adressés par les cadres mis en place pour les construire ni par les recherches visant à les améliorer.

Cela soulève des questions sur la nécessité d’adapter les outils de cybersécurité existants pour inclure la sécurité des agents ou si des outils spécifiques seront nécessaires. Au-delà de la sécurité, un autre enjeu majeur concerne la manière dont les agents IA vont influencer l’emploi, sujet qui devrait recevoir une attention accrue en 2025.

#4 : Les humains en tant que “différenciateurs” dans un monde d’agents

Le Forum économique mondial a prédit que l’automatisation des emplois provoquerait le déplacement de 85 millions d’emplois d’ici 2025, tempéré par une “révolution robotique” qui en créerait 97 millions. Bien que l’avenir reste incertain, on peut s’attendre à des initiatives destinées à aider les travailleurs à s’adapter à l’ère des agents IA. Les travailleurs humains pourraient être de plus en plus perçus comme un atout essentiel pour les entreprises.

Les clients accordent une grande importance à l’utilisation de l’IA par les entreprises pour optimiser des défis comme la conformité réglementaire ou la détection d’images restreintes dans les messages, mais aussi à la présence d’experts humains en matière de sécurité menant à des choix éclairés.

Ainsi, en 2025, il pourrait être intéressant de transformer le débat sur l’augmentation par l’IA en un dialogue sur la façon dont les humains peuvent enrichir et prolonger l’IA pour créer un véritable avantage concurrentiel.

#5 : La (ré)couronnement de la qualité des données comme roi

Enfin, la qualité des données est susceptible de différencier les produits et services à l’avenir. Le principe de “poubelle à l’entrée, poubelle à la sortie” est plus pertinent que jamais dans l’environnement IA actuel.

La qualité des données a un impact direct sur les résultats des modèles, et améliorer simplement la qualité des données d’entrée peut considérablement améliorer les résultats d’un modèle sans nécessiter de modifications algorithmiques. Toutefois, les LLM ont légèrement assoupli cette règle, grâce à des performances qualitatives souvent dues à une puissance de calcul brute.

La tendance vers une qualité sur quantité se matérialise, et les modèles plus petits, bien que de taille modeste, commencent à produire des résultats comparables, voire meilleurs, à ceux des applications basées sur des LLM.

En conséquence, s’inspirer des traditions du passé, telles que l’utilisation de données de haute qualité et la mise en œuvre de meilleures pratiques en matière de design systémique, sera crucial pour façonner une année réussie pour l’IA.