Débloquer le potentiel des LLM : un tournant pour les gestionnaires

Dans le domaine des données et de l'intelligence artificielle (IA), l'engouement porte souvent sur l'effet « waouh », mais pour de nombreux gestionnaires d'entreprise, l'accent est mis sur l'obtention de résultats pratiques et concrets. Au milieu de l'inondation d'informations sur les technologies d'IA de pointe comme ChatGPT et les grands modèles de langage (LLM), les gestionnaires des secteurs non technologiques ou traditionnels peuvent se demander si ces technologies avancées sont pertinentes pour leurs opérations quotidiennes.

Les grands modèles de langage, ou LLM, offrent plus que de simples capacités de génération de texte. Ces modèles, comme GPT-4, sont incroyablement polyvalents et peuvent être utilisés pour effectuer une grande variété de tâches. La clé pour débloquer ce potentiel réside dans la formulation d'instructions précises, souvent appelées « prompts », qui guident les LLM pour exécuter des tâches spécifiques. Cette compétence en évolution constante, qui consiste à créer des prompts efficaces, est communément appelée l'ingénierie des prompts.

Imaginez des scénarios où un LLM peut identifier les langues dans les avis clients, traduire des documents corporatifs ou évaluer le sentiment des plaintes des clients. À l'ère pré-LLM, la réalisation de ces tâches aurait nécessité le développement ou l'acquisition de systèmes distincts pour chaque fonction, entraînant des coûts supplémentaires pour la collecte de données et le matériel. Cependant, grâce au modèle de tarification à l'usage rentable des LLM, ces cas d'utilisation deviennent plus économiques que le développement de nombreux modèles spécialisés. Par conséquent, les LLM évoluent vers une technologie polyvalente pour diverses applications, devenant essentiellement un design dominant.

Intégration transparente dans les flux de travail

Bien que beaucoup aient exploré ChatGPT via son interface web, les LLM et leur technologie sous-jacente sont disponibles via des API logicielles, rendant leur intégration dans les applications et les flux de travail d'entreprise remarquablement abordable et simple. Des exemples comme Duolingo utilisant GPT-4 pour améliorer les retours utilisateurs et Morgan Stanley exploitant les LLM pour des recommandations financières démontrent les applications diversifiées des LLM. Les projets open source, tels que langchain, permettent de créer des programmes en composant des chaînes d'instructions basées sur des LLM, ouvrant la voie à des solutions encore plus innovantes à l'avenir.

L'aspect disruptif des LLM réside dans la manière dont ils permettent la programmation avec l'IA. Les développeurs peuvent spécifier des tâches à l'aide d'instructions en langage simple et combiner les résultats comme des briques Lego, offrant une alternative au dilemme traditionnel « acheter vs fabriquer », où l'on peut « fabriquer vs acheter ou s'adapter à partir d'un LLM ».

Interroger les données de l'entreprise avec les LLM

Une autre application prometteuse des LLM est l'interrogation des données de l'entreprise. Les LLM peuvent fournir des réponses aux questions liées aux données lorsque celles-ci sont incluses dans le prompt. Cette approche a été testée par Boston Dynamics, qui a utilisé ChatGPT pour s'enquérir du niveau de batterie d'un robot ou de son état interne. Cela ouvre des opportunités pour les bases de connaissances d'entreprise. Il est désormais possible d'insérer un ensemble de documents commerciaux ou d'enregistrements de données dans un prompt et de poser des questions à leur sujet, remplaçant potentiellement les requêtes SQL traditionnelles à long terme.

Des efforts sont en cours pour connecter les bases de données de documents aux LLM plus efficacement, par exemple en recherchant les documents les plus pertinents et en les incluant uniquement dans le contexte. Malgré les défis, les LLM émergent comme une nouvelle interface pour interagir avec les données.

Interopérabilité et prise d'action avec les LLM

Les LLM ouvrent également la voie à leur capacité à « se connecter » à d'autres systèmes et à prendre des actions lorsque cela est nécessaire. La stratégie de prompting ReAct, introduite par des chercheurs de Google et de Princeton, permet aux LLM de générer des réponses incluant des appels à des services. Par exemple, un LLM pourrait se connecter à un service de calculatrice pour fournir une réponse à une demande de calcul. Les versions premium de ChatGPT offrent des plugins comme Expedia et Kayak, donnant accès aux informations de réservation et gérant des requêtes mathématiques complexes.

Dans l'ensemble, cette capacité des LLM à interagir avec d'autres systèmes a le potentiel de les transformer en plateformes ou places de marché pour divers services, à l'image des téléphones qui remplissent plus de fonctions que de simples appels téléphoniques.

LLM : abordables, adaptables et accessibles

Pour conclure, les gestionnaires d'entreprise ne devraient pas rejeter les LLM en raison de leur complexité perçue. Les LLM sont facilement disponibles en tant qu'outles flexibles et rentables sur une base de paiement à l'usage, offrant souvent des tarifs moins chers que les alternatives. Ils évoluent rapidement vers des technologies génériques et polyvalentes, remplaçant de nombreux petits modèles et offrant un nouveau type de programmation par des instructions basées sur le texte. Les LLM traitent efficacement les requêtes de données et ont le potentiel de servir de plateformes pour divers services.