Pour rentabiliser au maximum vos efforts, vous devez disposer d'une stratégie d'IA générative bien pensée. Cette stratégie doit couvrir des aspects clés tels que la définition de l'objectif de l'application, l'identification des utilisateurs cibles, la compréhension des risques, la mise en place de mesures légales et la sélection des outils. En suivant ces étapes, vous pouvez développer une stratégie solide pour créer une application d'IA générative efficace et engageante.
Étape 1 : créer une équipe d'experts en IA
Votre équipe d'experts de l'IA doit réunir des spécialistes de l'ensemble de l'entreprise, non seulement pour orienter la stratégie, mais aussi pour parvenir à une application d'IA générative de haute qualité qui réponde aux objectifs commerciaux et aux besoins des utilisateurs. Par conséquent, le succès du projet repose sur l'inclusion d'un ensemble diversifié de rôles.
L'équipe doit être supervisée par un responsable de produit qui définit la vision, la stratégie et la feuille de route de l'application, en veillant à ce qu'elles soient alignées sur les objectifs commerciaux et les besoins des utilisateurs. Elle doit également être composée d'experts du domaine chargés de fournir une expertise en la matière en rapport avec le cas d'usage de l'application, d'orienter le processus de développement et de valider les résultats de l'application. Par ailleurs, tout projet d'application d'IA générative doit faire appel à des avocats et conseillers capables de répondre aux préoccupations juridiques et éthiques potentielles, telles que les droits de propriété intellectuelle, la modération du contenu et la réduction des biais.
L'équipe aura besoin d'au moins un ingénieur logiciel pour créer l'architecture de l'application, intégrer les modèles d'IA et garantir les performances, la maintenabilité et l'évolutivité de l'application. Elle aura également besoin d'un concepteur UX/UI pour créer des interfaces utilisateur intuitives et attrayantes, afin de garantir une expérience utilisateur fluide et une communication efficace de la performance générative de l'application.
Votre équipe d'IA doit impérativement être composée d'un ou plusieurs ingénieurs en IA/ML et scientifiques des données afin de pouvoir développer et mettre en œuvre les modèles et algorithmes d'IA qui alimentent les capacités génératives de l'application. L'équipe doit également inclure des spécialistes des tests et de l'assurance qualité pour identifier et corriger les bugs, s'assurer que l'application répond aux normes de performance et de qualité, et vérifier l'exactitude et la pertinence du contenu généré.
La composition exacte de votre équipe d'IA peut varier en fonction de la complexité et du périmètre de l'application d'IA générative, ainsi que de la manière dont vous prévoyez de la développer. Si vous utilisez le Low-Code, par exemple, vous n'aurez peut-être pas besoin du même nombre d'ingénieurs, de concepteurs et de spécialistes des tests et de l'assurance qualité.
Étape 2 : créer un terrain de jeu pour l'IA générative
Créer une application d'IA générative implique d'explorer et d'expérimenter divers modèles et techniques. La prochaine étape consiste donc à créer un terrain de jeu, c'est-à-dire un endroit pour comparer et tester différents modèles. Les terrains de jeu permettent aux développeurs et aux autres membres d'une organisation d'explorer et d'en apprendre davantage sur l'IA générative en utilisant différents modèles de fondation et invites dans un environnement pratique et pédagogique unique.
Plusieurs terrains de jeu sont disponibles sur AWS, OpenAI, Github, NVIDIA, Hugging Face, Quora et bien d'autres. Ces terrains de jeu sont basés sur le Web, et certains proposent des API qui permettent d'intégrer des parties d'entre eux sur certaines plateformes de développement. Cependant, certains obligent les développeurs à importer des données, ce qui peut poser problème s'il ne s'agit pas de données de test. Pour permettre à leurs collaborateurs d'expérimenter l'IA générative en toute sécurité, des entreprises aussi connues que Walmart et CBRE ont créé leurs propres terrains de jeu internes sécurisés afin que les développeurs, les équipes IT et les utilisateurs métier puissent mettre en pratique l'IA générative sans risque de fuite ou d'exposition des données. Si cela vous intéresse, voici ce que vous devez faire.
Définition de vos objectifs
Définissez les objectifs que vous souhaitez atteindre avec votre terrain de jeu d'IA. Voulez-vous créer du texte, des images ou de la musique ? Avez-vous besoin de fonctionnalités de traduction ? Allez-vous intégrer l'IA générative à vos applications ou créez-vous une application d'IA générative ? Vos objectifs guideront le choix des outils et modèles.
Choix de vos modèles et outils d'IA
Sélectionnez les modèles d'IA générative que vous souhaitez expérimenter. Par exemple, des modèles tels que GPT d'OpenAI ou Claude d'Anthropic sont adaptés à la génération de texte. Pour la génération d'images, tournez-vous plutôt vers DALL-E ou des modèles similaires. Les frameworks les plus populaires incluent TensorFlow, PyTorch et la bibliothèque Transformers de Hugging Face.
Configuration de votre environnement
Assurez-vous de disposer d'un environnement de développement robuste. Vous aurez besoin d'une machine hôte dotée d'un bon processeur graphique ou d'un accès à des services basés sur le cloud tels qu'AWS, Google Cloud ou Azure. Vous devrez installer Python sur votre système, car la plupart des bibliothèques d'IA sont basées sur Python et sur des outils d'environnement virtuel tels que virtualenv ou conda pour gérer les dépendances.
Installation des bibliothèques nécessaires et accès à l'API
Installez les bibliothèques requises pour les modèles que vous avez choisis. Pour certains modèles, tels que GPT-4, DALL-E et Claude, vous aurez peut-être besoin de clés API.
Écriture du code de votre terrain de jeu, test et affinage
Créez des scripts pour interagir avec les modèles d'IA. Une fois que vous aurez terminé, testez votre terrain de jeu en continu, affinez les modèles et ajustez le code pour améliorer la qualité du contenu généré.
En suivant ces étapes, votre organisation peut créer un terrain de jeu d'IA générative adapté à vos besoins et commencer à explorer les capacités des différents modèles d'IA. Ou, si vous utilisez une plateforme Low-Code, vous pouvez ignorer une partie de ces étapes. Quelle que soit la manière dont vous mettez votre terrain de jeu à disposition, il sera votre ressource la plus précieuse pour apprendre et perfectionner les compétences en matière d'IA générative, et pour explorer les cas d'usage.
« Grâce à la curiosité et au jeu, les développeurs ont appris tout le nécessaire sur l'intégration. Nous n'avons pas eu à renforcer notre équipe ni à envoyer qui que ce soit en formation. Nous avons pu évoluer rapidement sans avoir à ajuster notre équipe d'ingénieurs en parallèle. De plus, nous avons mis le terrain de jeu à la disposition de notre personnel, de nos technologues et de tous ceux qui souhaitaient le tester. »
Joanne Markow, Vice President, Digital Transformation, OutSystems
Étape 3 : explorer les cas d'usage possibles
Il existe de nombreux cas d'usage potentiels de l'IA générative dans votre entreprise et votre secteur d'activité. L'application spécifique que vous créez dépendra de facteurs tels que vos objectifs, votre public cible et la nature de vos produits ou services. Pour déterminer les cas d'usage les plus pertinents et les plus utiles pour votre organisation, l'équipe d'experts devra collaborer étroitement afin d'identifier et de hiérarchiser les opportunités.
Commencez par déterminer si vous devez créer une application d'IA générative pour l'un des cas d'usage. Référez-vous aux cas d'usage intersectoriels les plus courants décrits dans la partie « Domaines dans lesquels les applications d'IA générative ont le plus d'impact » pour déterminer si vous souhaitez améliorer un domaine de votre entreprise. Peut-être préférerez-vous aborder un cas d'usage spécifique à votre secteur d'activité. Les applications d'IA générative sont utilisées avec succès dans la plupart des principaux secteurs d'activité. Voici quelques exemples.
Cas d'usage de l'IA générative dans le secteur des services financiers
Dans le monde de la finance, les cas d'usage de l'IA générative sont nombreux. Par exemple, une application de détection des fraudes basée sur l'IA générative peut examiner les alertes pour déterminer lesquelles sont fausses et les supprimer. Les chatbots pilotés par l'IA générative peuvent traiter les demandes des clients avec précision, en fournissant des réponses rapides et précises sur leurs applications bancaires mobiles. Il existe des assistants bancaires personnels basés sur l'IA générative qui aident les clients à gérer leurs dépenses, à planifier leur avenir et à simplifier la gestion de leur budget.
Cas d'usage de l'IA générative dans le secteur de l'assurance
Dans le secteur de l'assurance, l'IA générative permet de réécrire les règles de souscription, d'évaluer les risques avec précision et équité tout en utilisant le langage naturel pour les expliquer. Le traitement des demandes d'indemnisation, autrefois véritable calvaire manuel, est aujourd'hui rapidement résolu grâce à l'automatisation basée sur l'IA générative. Les assureurs intègrent déjà l'IA générative dans leurs applications mobiles afin que les clients puissent obtenir des devis, déposer des demandes d'indemnisation et suivre l'état de leur police en utilisant des invites et le langage naturel plutôt que les questions définies d'un robot.
Exemples de réussite client : l'IA générative accélère les processus de réclamation
Ricoh est l'un des principaux fournisseurs de services numériques, de solutions de gestion de l'information, d'impression et d'imagerie pour des clients dans environ 200 pays. À l'aide d'une plateforme Low-Code, Ricoh a créé une application de gestion des réclamations qui exploite l'imagerie documentaire, l'IA générative, l'apprentissage machine, le traitement du langage naturel et la RPA pour accélérer la réception, la validation et la résolution des réclamations. Le résultat ? La satisfaction et la fidélisation des clients se sont améliorées.
Cas d'usage de l'IA générative dans le secteur de la production
Le secteur de la production comporte de nombreux processus et activités, ce qui laisse beaucoup de place aux applications d'IA générative. Imaginez des responsables de produit qui disent à une application que vous avez créée ce qu'ils veulent fabriquer, et que celle-ci génère différents styles et fonctionnalités parmi lesquels ils peuvent choisir. Ou imaginez que vous puissiez prévoir les stocks à conserver en fonction des plans de production et des prévisions de vente, ainsi que le meilleur moment pour les renflouer ou les écouler afin d'éviter les ruptures de stock ou le surstockage.
Cas d'usage de l'IA générative dans l'administration publique
L'IA générative ouvre un monde de possibilités pour les administrations publiques. Et si vous pouviez créer une application d'IA générative qui fournit des modèles 3D réalistes et des rapports sur l'impact de différentes conceptions afin d'aider les urbanistes à créer des communautés plus vivables, plus durables et plus équitables ? Ou imaginez un système d'IA générative qui pourrait utiliser les données en temps réel provenant des appels aux services de police, des caméras de circulation, des capteurs météorologiques, des réseaux sociaux, etc. pour générer des modèles prédictifs et des recommandations concernant l'allocation des ressources, les itinéraires d'évacuation et les priorités de traitement.
Étape 4 : identifier les risques
L'IA générative s'accompagne de pièges potentiels qui peuvent affecter la fiabilité, la sécurité et l'éthique de vos applications : préjugés, hallucinations, cybermenaces, violations des droits d'auteur et opacité. Voici ce à quoi il faut faire attention et ce que vous pouvez faire pour éviter ces problèmes.
Risques juridiques
Les modèles d'IA générative peuvent générer du contenu qui ressemble étroitement à des œuvres existantes, comme des articles, des images ou du code. Résultat : les droits de propriété intellectuelle peuvent être affectés, voire violés. Si votre application génère du contenu trop similaire à du matériel protégé par des droits d'auteur, vous risquez d'être exposé à des poursuites judiciaires et des sanctions financières. Comment empêcher ce phénomène ? Utilisez des techniques qui détectent et filtrent les contenus potentiellement problématiques et assurez-vous que vous disposez des licences et autorisations nécessaires.
Risques liés à la confidentialité et à la sécurité
Les modèles d'IA générative sont entraînés à partir de grands ensembles de données, dont beaucoup contiennent des informations sensibles ou personnelles, ce qui peut donner lieu à des violations de la vie privée. De plus, les modèles d'IA générative sont vulnérables aux pirates IT malveillants qui manipulent les données saisies afin de générer des résultats trompeurs ou nuisibles. Pour protéger les données, vous devez mettre en œuvre de mesures robustes de protection, telles que le cryptage, les contrôles d'accès et les politiques de gouvernance des données, ainsi que des techniques de formation et de détection des intrus.
Risques de gouvernance
Les applis d'IA générative sont capables de générer du contenu qui n'est pas factuel (hallucinations) et de prendre des décisions biaisées ou injustes. Par exemple, un modèle d'IA entraîné à partir d'un jeu de données d'images médicales peut apprendre à identifier des cellules cancéreuses, mais en l'absence d'images de tissus sains, le modèle d'IA peut identifier à tort des tissus comme cancéreux. De plus, comme les outils d'IA générative tels que ChatGPT, Claude, Sora et DALL-E 2 sont disponibles gratuitement, ils peuvent être utilisés à des fins non prévues, par exemple pour rendre publiques des données d'entreprises privées, que ce soit au sein des outils eux-mêmes ou dans un contenu sur le Web.
Face à ces risques, il est important de s'assurer que toutes les personnes impliquées dans le développement et l'utilisation de l'IA sont sur la même longueur d'onde et suivent les bonnes pratiques. Prévoyez d'utiliser des mécanismes de vérification des faits, une supervision humaine ou une évaluation de la confiance pour filtrer les résultats non fiables afin d'éviter les hallucinations.
Risques éthiques
Si un modèle d'IA est entraîné à partir de données biaisées, telles que des stéréotypes sexistes, raciaux ou culturels, il peut alors générer du contenu qui perpétue ces biais. Cela peut donner lieu à des contenus discriminatoires ou offensants qui peuvent nuire à vos utilisateurs et à votre marque. Par exemple, le logiciel d'IA d'un géant de la technologie conçu pour les offres d'emploi a écarté tous les candidats ayant fréquenté une université exclusivement féminine parce que le modèle avait été entraîné sur les CV de son équipe exclusivement masculine. Des données d'entraînement diversifiées et impartiales et des techniques telles que la détection et la correction des biais permettent d'atténuer ce risque.
Risques liés à la transparence
Les modèles d'IA générative sont complexes et opaques, il peut donc être difficile de voir comment ils aboutissent à leurs résultats. Ceci est problématique pour les applications juridiques, financières ou médicales qui nécessitent des audits et une traçabilité. Pour parer à ce risque, vous devez développer des techniques d'IA explicables, intégrer la supervision d'un humain et établir des cadres de responsabilité clairs.
Connaître ces risques et utiliser les mécanismes, outils et techniques décrits ici peuvent aider votre équipe de développement à produire des applications d'IA générative impartiales, factuelles, sécurisées, authentiques et explicables, pour toutes sortes de cas d'usage dans tous types de secteurs.
Étape 5 : évaluer l'état de préparation
Personne ne devrait se lancer directement dans un projet de développement d'applications d'IA générative sans y réfléchir sérieusement. Pour évaluer l'état de préparation de votre organisation à la création d'applications d'IA générative, votre équipe d'experts doit commencer par poser des questions sur votre situation actuelle en matière de talents, de technologie et d'apprentissage, en identifiant les lacunes et en déterminant comment y remédier.
Déterminer l'état de préparation des services IT et métier
Votre service IT possède-t-il les compétences et l'expérience nécessaires en matière d'IA, d'apprentissage machine et de développement logiciel ? Ces rôles sont essentiels pour concevoir, créer et gérer des systèmes d'IA générative. Qu'en est-il de la connaissance du domaine ? Vous devez également prendre en compte les connaissances de l'entreprise des domaines où vous envisagez d'intégrer l'IA générative.
Vérifier vos piles de technologies et de données
Qu'en est-il de la puissance de calcul et de l'infrastructure nécessaires ? L'IA générative peut être très gourmande en ressources. Vous devez donc vous assurer de disposer du matériel et des services cloud nécessaires, ainsi qu'être capable d'évoluer en fonction des besoins.
Vos données sont-elles en bon état (diversifiées, de haute qualité et bien organisées) ? L'IA générative étant très dépendante des données, il est essentiel de disposer d'un ensemble de données solide et pertinent. Interrogez-vous sur la quantité et la qualité de vos données, et vérifiez si elles couvrent un large éventail de scénarios et de cas marginaux. Voilà les ingrédients clés pour la réussite de vos projets d'IA générative.
Identifier les lacunes
Qu'est-ce qui vous manque et qui pourrait retarder votre projet ? Peut-être devrez-vous investir dans la formation ou le recrutement pour renforcer l'expertise de votre équipe dans les technologies et les bonnes pratiques en matière d'IA générative. Recherchez des opportunités de collaboration avec des établissements académiques ou des partenaires industriels afin de tirer profit de connaissances et de ressources supplémentaires.
Il se peut que vos données aient besoin d'être retravaillées pour être prêtes à l'emploi. Vous pouvez les nettoyer et les étiqueter, puis vérifier qu'elles couvrent un large éventail de scénarios. Ce processus peut prendre du temps, il faut donc le planifier en conséquence. Il se peut aussi que vous deviez mettre à niveau votre pile technologique pour répondre aux exigences de l'IA générative, comme le calcul haute performance ou des outils logiciels spécialisés. Demandez-vous si vous disposez du budget et des ressources nécessaires pour concrétiser ces investissements.
N'oubliez pas d'inclure les questions de gouvernance et d'éthique. L'absence de politiques pour garantir un développement responsable et impartial de l'IA générative peut entraîner d'importantes difficultés. Inutile de continuer tant que vous n'avez pas réglé cette question et que vous ne vous êtes pas assuré que tous les membres de votre équipe adhèrent à ces principes. Soyez transparent quant à vos lacunes afin de pouvoir élaborer un plan pour les combler et préparer votre organisation à l'IA générative. Avec une préparation et un état d'esprit adéquats, vous serez sur la bonne voie pour libérer la puissance de l'IA générative.
Étape 6 : identifier un projet pilote
De même qu'il ne faut pas se précipiter dans un projet d'IA générative sans avoir évalué votre état de préparation, il ne faut pas non plus en faire trop à la fois. C'est pourquoi vous devez commencer par un projet pilote. Mais il ne s'agit pas non plus de n'importe quel projet pilote, car le choix du bon projet est essentiel pour tester votre solution d'IA générative. Le projet pilote doit être assorti d'un objectif clair et être réalisable avec votre technologie. Voici d'autres critères clés qui peuvent vous aider à identifier un projet pilote approprié.
Avoir un problème clair à résoudre
Ne vous lancez pas sans avoir réfléchi à un résultat spécifique. Choisissez un problème bien défini. Choisissez un problème qui ne soit pas trop complexe, mais qui soit suffisamment important pour démontrer le potentiel de l'IA générative. Il peut s'agir d'automatiser une tâche répétitive, comme la génération de descriptions de produits ou de réponses du service client. Il peut aussi s'agir de créer un nouveau contenu, comme des publications pour les réseaux sociaux ou des textes marketing. L'essentiel est de trouver un cas d'usage qui soit pertinent pour votre entreprise et dont les paramètres de réussite soient clairs. Vous devez pouvoir démontrer la valeur et même le retour sur investissement.
Définir des résultats mesurables
Sachez en amont comment vous mesurerez le succès en identifiant les indicateurs clés de performance (KPI) les plus importants pour votre entreprise. Il peut s'agir d'un gain de temps, de la qualité du contenu ou de l'engagement des utilisateurs. Ensuite, fixez des objectifs spécifiques et quantifiables pour chaque KPI, par exemple « réduire le temps de création de contenu de 30 % » ou « augmenter le taux de clics de 10 % ». Enfin, assurez-vous que vous disposez des outils et des processus nécessaires pour suivre ces indicateurs et produire des rapports tout au long du projet pilote.
Sécuriser l'accès aux données pertinentes
Chaque projet pilote a besoin d'un bon ensemble de données pour s'entraîner. Il doit être diversifié et représentatif des scénarios réels qui seront traités par votre application d'IA générative. Il est possible que vous deviez collecter des données avant de commencer. N'oubliez pas non plus la qualité des données : elles doivent être propres, cohérentes et correctement marquées.
Tenir compte de l'expérience utilisateur
La conception d'une expérience utilisateur fluide et intuitive sera essentielle pour obtenir l'adhésion de vos utilisateurs et parties prenantes. Réfléchissez aux utilisateurs de l'application et à leurs besoins. Mettez-vous à leur place. Demandez-vous comment ils interagiront avec le contenu ou les résultats générés par l'IA, et ce qu'ils attendront en termes de qualité, de pertinence et de facilité d'utilisation. Assurez-vous que les fonctionnalités d'IA générative s'intègrent aux outils et processus existants et fournissez des conseils clairs sur la manière de les utiliser efficacement. N'oubliez pas la touche humaine et offrez aux utilisateurs un moyen de fournir un retour d'information et d'obtenir de l'aide si nécessaire.
Étape 7 : choisir les technologies
Les chapitres 2 et 3 de cet e-Book fournissent des informations sur la majorité des outils nécessaires au développement, au déploiement, à la maintenance et aux mises à jour d'applications d'IA générative traditionnelles, et montrent la différence que le Low-Code peut apporter. Afin de choisir les technologies pour votre projet pilote et votre application complète optimisée par l'IA générative, votre équipe d'experts en IA générative doit examiner toutes ces informations en détail et faire ses propres recherches sur les solutions.
Vous devez également tenir compte du devenir de ces outils, plateformes et fonctionnalités. L'univers du développement d'applications d'IA générative ne cesse d'évoluer, alors concentrez-vous sur ce qui semble durable. Vous pourrez ainsi choisir la trajectoire de développement de l'IA générative qui convient le mieux à votre organisation.