par L’année 2023 va être l’année des IA génératives : texte, images, vidéos, musique, objets, toute forme de création va être transformée par cette technologie en très forte évolution actuellement. Après ChatGPT, Midjourney, Stable Diffusion, c’est au tour de Google d’annoncer Bard accessible d’ici quelques semaines… alors quels impacts ces outils vont avoir sur les métiers ? Petite revue de détail…
Comment les métiers vont évoluer avec les IA génératives ?
Les intelligences artificielles génératives sont en train de changer la façon dont nous concevons et produisons le contenu. De la génération d’images et de vidéos à la création de modèles personnalisés, les IA génératives ont le potentiel de transformer considérablement le monde du travail.
Notamment, les activités liées à la génération de contenu vont être directement impactées. Les IA génératives peuvent automatiser la création de contenu visuel, tels que les images et les vidéos. Cela peut être particulièrement utile pour les travailleurs créatifs qui sont souvent confrontés à des délais serrés et à des tâches répétitives, ou qui sont paralysés par la « feuille blanche ». Au lieu de perdre du temps à créer manuellement des images, les travailleurs peuvent utiliser des IA génératives pour générer automatiquement des images de haute qualité en un temps record. Cela les libère pour se concentrer sur des tâches plus complexes et plus créatives, augmentant ainsi leur productivité. L’IA ne servant ici qu’à concrétiser une intention créative qui va pouvoir s’affiner de manière itérative.
De la même manière, les IA génératives peuvent aider les entreprises à développer plus rapidement des produits et des services en générant rapidement des concepts et des prototypes. Par exemple, les entreprises de mode peuvent utiliser des IA génératives pour créer des images de vêtements virtuelles en temps réel, ce qui les aide à déterminer rapidement si un produit est esthétique, pertinent voire viable. Les entreprises de design peuvent utiliser des IA génératives pour générer des images de produits et des objets dans différents contextes, ce qui les aide à visualiser rapidement comment leur produit se comportera dans le monde réel et ainsi à itérer très tôt sur une future production.
Les IA génératives peuvent également aider à la création de modèles personnalisés pour divers domaines, tels que la médecine, la finance et l’ingénierie. Par exemple, les médecins peuvent utiliser des IA génératives pour créer des modèles anatomiques personnalisés pour les patients, ce qui peut améliorer la précision des diagnostics et des traitements. Les banques peuvent utiliser des IA génératives pour créer des modèles financiers personnalisés pour leurs clients, ce qui peut améliorer les prévisions et les décisions financières. L’IA générative permet ainsi d’explorer de nouveaux univers très rapidement.
Enfin, les IA génératives accélèrent les processus de travail en automatisant les tâches répétitives. Par exemple, les entreprises peuvent utiliser des IA génératives pour générer automatiquement des rapports et des documents, ou des réponses simples à des questions client. Cela peut aider les travailleurs la possibilité de se concentrer sur des tâches plus complexes et plus créatives. Les IA génératives peuvent également aider à la traduction automatique de la documentation, ce qui peut accélérer les processus de communication à l’international. Ou encore, les IA génératives peuvent aider à la complétion des phrases de manière automatique, ce qui accélère l’écriture d’un email ou d’un texte.
Dans le domaine informatique, ChatGPT peut être utilisé pour générer du code pour certaines tâches spécifiques. Par exemple, il peut être formé pour écrire du code HTML, CSS et JavaScript pour des sites web, ce qui peut économiser du temps pour les développeurs. Cependant, il est important de noter que le code généré par ChatGPT doit être vérifié par un développeur humain pour s’assurer de sa qualité, de son fonctionnement correct (et de sa sécurité). Il peut aussi être utilisé pour réaliser la documentation technique. Il peut être formé pour écrire des articles de documentation pour les logiciels et les applications, ce qui peut être très utile pour les entreprises qui cherchent à économiser du temps et de l’argent.
On le voit, de (très) nombreux domaines fonctionnels vont être touchés dans l’entreprise : le marketing, la communication, les équipes de design, de R&D, d’innovation, mais aussi les équipes web, le juridique, les commerciaux, les informaticiens, etc. Ainsi, « pour écrire une annonce d’emploi, trouver une formule Excel ou brainstormer toute la nuit… Demandez à ChatGPT, il est gentil ! » (voir l’excellent article de Marine PROTAIS dans l’ADN)
Vers de nouvelles compétences ?
Des compétences techniques évidemment…
En termes de compétences, on trouve déjà en premier lieu des hard skills autour des mathématiques, de la programmation et de la data. Ainsi, les connaissances en matière de maths et de statistiques sont essentielles pour comprendre comment les IA génératives fonctionnent car on le rappelle il s’agit avant toute autre chose d’un modèle de données et d’une construction statistique. Les algorithmes d’IA générative sont basés sur des concepts mathématiques complexes, tels que les réseaux de neurones, les autoencodeurs et les réseaux de neurones génératifs adversariels.
De plus, la compréhension de la programmation est un autre facteur clé pour utiliser efficacement les IA génératives. Les algorithmes d’IA générative sont souvent implémentés dans des langages de programmation tels que Python et TensorFlow.
Enfin la collecte et la gestion de très gros volumes de données font partie des compétences techniques à acquérir pour être en capacité de créer une IA générative. Les algorithmes d’IA générative sont basés sur des données, il est donc important de savoir comment collecter, stocker, analyser et utiliser les données pour entraîner et évaluer les algorithmes. Les compétences en collecte de données, en traitement de données et en analyse de données sont donc essentielles pour utiliser efficacement les IA génératives.
… et des compétences linguistiques, artistiques, humaines et morales
En plus des compétences techniques, il y a aussi les compétences linguistiques et artistiques autour de l’art du prompt… c’est à dire celui de la consigne fournie à l’intelligence artificielle pour générer son contenu. Là il faut avoir compris le fonctionnement du modèle de données, les pondérations possibles dans la consigne, les termes et « vocabulaire » à employer, développer une connaissance approfondie des réactions de l’algorithme d’IA pour maximiser son efficacité créative, savoir analyser le rendu généré pour le faire évoluer et converger vers quelque chose d’utile. C’est un art qui s’apprend, avec beaucoup d’essais / erreurs. Ainsi, il est important d’avoir une bonne connaissance de la grammaire et du vocabulaire de la langue cible pour formuler des questions claires et précises pour ChatGPT. A noter que ces outils sont plus « malléables » en anglais que dans une autre langue.
En termes de compétences humaines, il va être important de bien comprendre les limites et les biais de ces outils pour les positionner de façon pertinente dans la chaîne de valeur de l’entreprise afin de garantir une égalité de traitement, des réactions / créations adaptées, une réelle valeur ajoutée à l’outil… qui n’est pour l’heure pas nécessairement acquise en dépit d’un réel impact de productivité.
Au niveau moral et éthique, les IA génératives comportent de nombreuses limites qu’il faut explorer et « gérer » avec des professionnels :
- Biais de formation : Les modèles d’IA génératives sont formés à partir de grandes quantités de données, qui peuvent inclure des biais liés à la race, au genre, à la sexualité et à d’autres facteurs. Ces biais peuvent être amplifiés dans les réponses générées par ChatGPT, ce qui peut causer des problèmes d’injustice et d’inefficacité… voir l’excellent article de Melissa Heikkilä sur le thème « The Viral AI avatar app Lensa Undressed me- without my consent » dans MIT Technology Review. (ndlr: c’est d’ailleurs pour ça que l’entrepreneur que j’accompagne sur iAMoi.art – le même genre d’app que Lensa AI – supervise son algorithme par l’humain : c’est plus qualitatif et ça évite les biais de ce type)
- Diffusion de renseignements erronés : ChatGPT peut générer des réponses qui ne sont pas basées sur des faits ou qui sont trompeuses, ce qui peut contribuer à la désinformation et à la propagation de fausses informations. Là aussi, il va falloir intégrer ce phénomène pour garantir une éthique de fonctionnement de l’entreprise qui intégrerait une IA générative. Ces règles sont à inventer.
- Atteinte à la vie privée : L’utilisation des IA génératives peut entraîner une collecte et un traitement de grandes quantités de données personnelles, ce qui peut violer la vie privée des utilisateurs (ndlr: de la même manière, le service iAMoi a décidé d’être RGPD by design et d’effacer les données reçues (y compris l’email) après la livraison effective de ses commandes de photos personnalisées).
- Déplacement de l’emploi : Les modèles d’IA génératives tels que ChatGPT ou Midjourney peuvent remplacer certains emplois traditionnels, automatiser des taches et de ce fait avoir des répercussions sociales et économiques importantes. Ainsi Buzzfeed annonce vouloir utiliser ChatGPT pour produire ses contenus, licencie 12% des ses effectifs et améliore son cours de bourse (voir l’article des Echos) !
- La consommation énergétique : l’IA générative consomme de l’énergie… Les modèles linguistiques les plus récents comprennent des milliards de poids. Un modèle populaire, GPT-3 (à la base de ChatGPT), compte 175 milliards de paramètres d’apprentissage automatique. Il a été entraîné sur des NVIDIA V100, mais les chercheurs ont calculé que l’utilisation de A100 aurait nécessité 1 024 GPU, 34 jours et 4,6 millions de dollars pour entraîner le modèle. Bien que la consommation d’énergie n’ait pas été divulguée, on estime que GPT-3 a ainsi consommé 936 MWh lors de sa création ! … mais le bilan n’est pas si simple car cette technologie peut aussi aider à en économiser fortement (voir dernier paragraphe).
Vers une Green AI ?
Comment fonctionnent les IA génératives?
En se basant sur les informations qu’elles ont apprises à partir de vastes quantités de données « ingérées », les IA vont utiliser de réseaux de neurones, des échantillonneurs (samplers) et un prompt pour engendrer leur création.
Il existe deux principaux types de réseaux de neurones génératifs : les réseaux de neurones génératifs adversariels (GAN) et les variational autoencoders (VAE).
Les GAN sont composés de deux réseaux de neurones entraînés ensemble pour générer automatiquement du contenu. Le premier réseau, appelé générateur, génère des données, tandis que le second réseau, appelé discriminateur, évalue la qualité de ces données. Le générateur utilise les commentaires du discriminateur pour améliorer la qualité de ses générations, tandis que le discriminateur utilise les générations du générateur pour améliorer sa capacité à détecter les fausses données. Ce processus est répété jusqu’à ce que le générateur génère des données qui sont presque indistinguables de celles de la réalité, ce qui leur donne une capacité de génération de contenu incroyablement réaliste.
Les VAE, d’autre part, sont des réseaux de neurones qui utilisent une architecture d’encodage-décodage pour générer automatiquement du contenu. Le réseau prend en entrée des données et les codent en une représentation compacte dans un espace latent. Il utilise ensuite cette représentation pour décoder les données et générer du contenu similaire à ce qui a été entré en entrée. Les VAE sont souvent utilisés pour la génération d’images et de modèles 3D, car ils sont capables de générer du contenu qui suit les tendances et les distributions des données d’entraînement.
Les IA génératives ne sont pas encore en mesure de créer du contenu de manière autonome. Elles nécessitent toujours une source de données d’entraînement pour apprendre les tendances et les distributions des données, mais aussi un humain pour lancer le travail avec un prompt (une consigne) adapté. Cependant, à mesure que les algorithmes et les technologies évoluent, il est probable que les IA génératives acquerront de plus en plus de capacités de création autonome…
Quel sera le bilan énergétique final de l’IA ?
Il n’est pas aisé de le dire car cette technologie consomme beaucoup d’énergie mais permet aussi en retour d’en économiser. En effet, l’IA peut réduire la quantité d’énergie nécessaire à la production d’électricité. En utilisant l’IA pour identifier et reproduire des modèles d’économie d’énergie, elle peut améliorer l’efficacité des systèmes énergétiques existants et faire en sorte que le nombre de watts perdus soit minimisé. En outre, les systèmes dotés de l’IA peuvent améliorer la régulation de l’énergie dans les bâtiments en créant des schémas d’économie d’énergie et en identifiant les zones énergivores.
L’utilisation de l’IA peut aussi grandement contribuer à créer un équilibre entre la production et la consommation. L’IA générative peut fournir des informations sur la production et la consommation d’énergie qui peuvent être utilisées pour aider à équilibrer l’offre et la demande d’énergie.
L’IA peut également contribuer à la réduction du gaspillage d’énergie. Elle peut suivre l’efficacité de la consommation d’énergie, identifier les zones de gaspillage potentiel et recommander des mesures pour réduire ce gaspillage. Les systèmes alimentés par l’IA peuvent également aider à identifier les zones de gaspillage d’énergie à travers les cycles de production, permettant aux parties prenantes de mettre en œuvre rapidement des solutions correctives qui peuvent entraîner des économies d’énergie importantes.
Ce dont je suis sûr c’est qu’à ce stade, ce n’est pas l’IA qui va remplacer l’humain, mais un autre humain qui sait maîtriser l’IA.
