Questions et réponses avec Google.
Voici le résumé d'une récente table ronde sur l'IA avec des dirigeants de Google Asie. De nombreuses entreprises, dont Google, utilisent l'IA depuis des années pour améliorer leurs produits et services, qu'il s'agisse d'obtenir des résultats plus précis de leurs moteurs de recherche ou de suggérer de meilleurs itinéraires dans l'application Maps. Une autre utilisation courante de l'IA est le texte prédictif, par exemple dans Gmail. Google a été le pionnier du concept de modèles de transformateurs en tant que technologie, et les ont mis en libre accès. Le GPT dans ChatGPT est l'acronyme de 'generative pre-transformer'.
Aujourd'hui, les fondamentaux sont en place pour créer des opportunités pour l'IA. La vitesse de traitement est tellement plus élevée. Une quantité énorme de performance est nécessaire pour former de grands modèles linguistiques avec des centaines de milliards de paramètres. Deuxièmement, l'explosion massive des données est le carburant qui permet à ces modèles de produire des résultats encore meilleurs.
Parallèlement, ces grands modèles linguistiques sont développés rapidement, ils deviennent plus intelligents et l'apprentissage s'accélère. Les possibilités d'application de l'IA générative sont vastes. Les grands modèles linguistiques alimentent l'IA générative. Si vous demandez aujourd'hui à Google Search ce que signifie 2+2, il vous répondra 4, non pas parce qu'il est intelligent, mais parce que ce chiffre est apparu quelque part dans un document sur lequel les grands modèles linguistiques de Google ont été formés.
Ce sont ses capacités prédictives qui rendent l'IA si intéressante. Les entreprises et les organisations se posent généralement trois questions clés: comment pouvons-nous réduire les coûts grâce à l'IA? Comment mes employés peuvent-ils être plus productifs? Comment améliorer l'expérience client? Un assistant numérique est un cas d'utilisation réelle de l'IA générative, et à mesure qu'elle s'intègre aux processus, elle devient de plus en plus utile.
La monétisation des données, qui a commencé, est également essentielle. Les interfaces de programmation d'applications (API) qui permettent à deux composants logiciels (comme une application et un téléphone portable) de communiquer entre eux étaient souvent gratuites. Récemment, nous avons constaté que des réseaux sociaux populaires comme Twitter et Reddit faisaient payer aux développeurs d'applications l'accès à leurs données. Les entreprises cherchent à monétiser leurs données et dans une large mesure cela empêche tout le monde de moissonner des données dans Internet pour créer des grands modèles linguistiques.
En ce qui concerne les consommateurs, l'accent est mis sur les outils et les services qui peuvent améliorer leur vie. L'IA va faciliter considérablement un très grand nombre d'interactions avec les consommateurs et les rendre plus immersives. De leur côté, les entreprises clientes utilisent l'IA pour doper la croissance de leurs activités.
Le troisième volet est la responsabilité: quelles sont les possibilités d'améliorer la société dans son ensemble? Nous devons protéger les citoyens des dangers potentiels de l'IA par des mesures de protection et des réglementations. Comment pouvons-nous améliorer la vie des citoyens, comment l'IA peut-elle y parvenir de manière beaucoup plus efficace? L'IA aide déjà à diagnostiquer des maladies à grande échelle, à prévoir les inondations, et les États-Unis connaissent une année record en matière de nouveaux médicaments sachant que l'IA favorise cette productivité.
Tous les produits de Google intègrent l'IA. Google constate un réel intérêt de la part des consommateurs pour interagir avec cette technologie et l'utiliser de manière intéressante. De multiples domaines sont passionnants et présentent un potentiel extraordinaire avec l'aide de l'IA. Le désir humain fondamental de rechercher des informations pertinentes et de nature sémantique est très puissant. Nous pouvons avoir une expérience assistée par l'IA à travers un service d'assistance RH, un service d'assistance bancaire, un service d'assistance au voyage, ou tout autre besoin de contact avec le client. L'IA permet de débloquer la recherche de données. L'IA générative utilisant de grands modèles de langage a la capacité d'interroger naturellement n'importe quelle source de données et peut être entraînée d'une manière particulière.
Sundar Pichai, PDG de Google et d'Alphabet, a déclaré que leur approche de l'IA devait être audacieuse, mais également responsable. La manière dont l'IA est développée et déployée peut contribuer à l'amélioration de notre société, qu'il s'agisse de la transformation de la prestation des soins de santé, du ralentissement du changement climatique ou d'autres aspects qui pourraient en fin de compte améliorer nos vies. Le projet Green Light de Google utilise l'intelligence artificielle générative et les habitudes de conduite pour contribuer à réduire les émissions des voitures, en créant les schémas de circulation et les itinéraires les plus efficients.
En ce qui concerne l'amélioration de la productivité des employés, un éditeur de logiciels passe en moyenne 30 minutes par jour à chercher des solutions. La technologie de l'IA peut apporter une contribution en accélérant le processus, en proposant une solution en quelques secondes et en écrivant le code pour déployer la solution. Ce cas d'utilisation de l'IA est déjà très répandu et s'étend à tous les secteurs, qu'il s'agisse des services financiers, des sociétés de télécommunications, de la distribution, de la santé, du commerce électronique, des gouvernements, etc.
L'IA générative n'est pas seulement une technologie en soi, c'est un ensemble de technologies, dont la plus fondamentale est l'infrastructure. Andrew Ng de l'université de Stanford a déclaré ceci: «L'intelligence artificielle est la nouvelle électricité». Si nous prolongeons cette phrase, nous pouvons affirmer que les données sont le carburant qui alimente le réseau, et le réseau est en fait le cloud. Les données dans le cloud et l'IA sont très étroitement liées; les hyperscalers du cloud deviennent le cœur et le centre de tout ce qui a trait à l'IA. L'informatique dans le cloud est l'infrastructure de base nécessaire à la gestion, au traitement et au stockage de grandes quantités de données. Uber Eats a alimenté toute son interface d'IA conversationnelle en utilisant les API et l'infrastructure de Google. Et surtout, le big data est le catalyseur du cloud, car pour véritablement réarchitecturer et être en mesure de tirer parti de l'intelligence artificielle et de rendre les données accessibles, vous avez besoin d'une infrastructure dans le cloud.
Trois raisons justifient le besoin de puces sur mesure: le rapport prix/performance, la durabilité et la complexité même des grands modèles linguistiques pour répondre aux besoins complexes et personnalisés des clients. Google s'est associé à NVIDIA pour le traitement graphique (GPU), mais a également innové dans le domaine des unités de traitement tensoriel (TPU). Les TPU sont des circuits intégrés spécifiques à une application développés sur mesure (ASIC) par Google et utilisés pour accélérer les charges de travail liées à l'apprentissage automatique.
Les puces à usage général d'aujourd'hui n'effectuent que des multiplications standard, mais les séries de données complexes (représentant des zettaoctets d'informations) nécessitent des multiplications matricielles, ce que les unités centrales de traitement ou UC (qui exécutent le système d'exploitation et les applications) ne peuvent pas faire. C'est pourquoi la notion d'accélérateur est née et a été inventée par des sociétés telles que nVIDIA et Marvell Technology. Le plus grand modèle linguistique de Google compte aujourd'hui environ 540 milliards de paramètres. Le prochain aura environ mille milliards de paramètres.
En ce qui concerne les facteurs de coût et de durabilité, plus vous êtes efficace, plus le coût de traitement de la demande est faible. Les formations et les inférences des grands modèles linguistiques sont également extrêmement émettrices de carbone, d'où la volonté et la nécessité pour les hyperscalers de concevoir leur propre silicium.
La disruption responsable est extrêmement importante parce qu'elle a un impact sur la vie des citoyens, sur leur emploi, sur les gouvernements et sur les économies. D'une manière générale, les entreprises technologiques adoptent une approche beaucoup plus réfléchie à cet égard que par le passé, ce qui est très positif pour le secteur.
La sécurité en termes de confidentialité des données et de cybercriminalité est inhérente à toute nouvelle technologie en développement. L'IA pose également un problème d'explicabilité. Lorsqu'une question est posée à un chatbot ou à une IA conversationnelle et qu'une réponse est donnée, comment explique-t-il la manière dont il est parvenu à cette réponse? Ce problème touche particulièrement les entreprises dont les clients s'appuient en fin de compte sur la confiance, comme les gouvernements et les banques.
L'explicabilité est un problème difficile dans un grand modèle linguistique. Lorsque deux êtres humains interagissent, il n'est pas facile de prédire comment l'autre va réagir, car cela dépend du contexte, du lieu et du moment où ils se rencontrent, etc. Il en va de même pour l'IA générative et les grands modèles de langage. L'hallucination est liée à ce phénomène lorsque l'IA générative invente quelque chose de complètement nouveau.
Bard de Google a intégré une fonction de vérification, qui s'appuie sur sa puissance de recherche pour vérifier les faits, et qui vise à faire de l'IA une expérience plus rassurante et plus positive. L'identification et l'élimination de la désinformation sont des domaines d'intérêt majeur.
En ce qui concerne les préoccupations relatives aux données propriétaires et au moissonnage, Google estime que l'accès aux grands modèles linguistiques sera démocratisé, que ce soit par Google, OpenAI, Meta, etc. Les grands modèles linguistiques sont généralement formés sur la base de données génériques disponibles gratuitement. Les entreprises obtiennent une réelle valeur ajoutée lorsqu'elles conjuguent leurs données propriétaires avec la puissance d'un grand modèle linguistique. C'est à ce moment-là qu'elles commencent à en tirer profit, en intégrant les données des clients dans des bases de données propriétaires avec des plateformes frontales et des systèmes dorsaux.
Note: dirigeants de Google – Mitesh Agarwal, Directeur de la technologie («Chief Technology Officer»), Google Cloud pour l'Asie-Pacifique et Simon Kahn, Directeur marketing («Chief Marketing Officer»), Google pour l'Asie-Pacifique.
Définitions
Inférence IA: la première phase de l'apprentissage automatique est la phase de formation au cours de laquelle l'intelligence est développée par l'enregistrement, le stockage et l'étiquetage des informations. Dans la deuxième phase, le moteur d'inférence applique des règles logiques à la base de connaissances afin d'évaluer et d'analyser les nouvelles informations qui peuvent être utilisées pour renforcer la prise de décision humaine.
Calcul: se rapporte à la puissance de traitement, à la mémoire, à la mise en réseau, au stockage et aux autres ressources nécessaires au succès informatique de tout programme.
CPU: l'unité centrale de traitement est le centre de contrôle qui fait fonctionner le système d'exploitation et les applications de la machine en interprétant, traitant et exécutant les instructions des programmes matériels et logiciels.
IA générative: fait référence aux modèles d'apprentissage profond qui s'entraînent sur de grands volumes de données brutes pour générer du «nouveau contenu», notamment du texte, des images, de l'audio et de la vidéo.
GPU: une unité de traitement graphique effectue des calculs mathématiques et géométriques complexes nécessaires au rendu graphique.
Hyperscalers: entreprises qui fournissent des infrastructures pour les services de cloud, de réseau et d'internet à grande échelle. Citons par exemple Google Cloud, Microsoft Azure, Meta Platforms, Alibaba Cloud et Amazon Web Services (AWS).
Grand modèle linguistique: un type spécialisé d'intelligence artificielle qui a été formé sur de grandes quantités de texte pour comprendre le contenu existant et générer du contenu original.
Logiciel libre: code conçu pour être accessible au public, en termes de visualisation, de modification et de distribution.
TPU: la tâche principale des unités de traitement tensoriel ou TPU est le traitement matriciel, qui est une combinaison d'opérations de multiplication et d'accumulation. Les TPU contiennent des milliers d'accumulateurs multiplicateurs qui sont directement connectés les uns aux autres pour former une grande matrice physique.
Modèle de transformateur: un réseau neuronal qui apprend le contexte et donc le sens en suivant les relations dans les données séquentielles.
Les points de vue présentés s'entendent à la date de publication. Ils sont uniquement destinés à des fins d'information et ne doivent pas être utilisés ou interprétés comme un conseil fiscal, juridique ou d'investissement ou une offre de vente, une sollicitation d'une offre d'achat ou encore une recommandation d'achat, de vente ou de détention d'un titre, d'une stratégie d'investissement ou d'un secteur du marché. Aucune des informations contenues dans ce document n'est réputée constituer une disposition directe ou indirecte de services de gestion d'investissement spécifiques à l'une des exigences des clients. Les opinions et les exemples constituent une illustration des thèmes généraux et n'indiquent pas une intention de négociation, peuvent être modifié(e)s à tout moment et peuvent ne pas refléter les opinions des autres collaborateurs de la société. Le présent document n'est pas destiné à indiquer ou impliquer que l'une des illustrations/l'un des exemples mentionné(e)s est actuellement, ou a été par le passé, détenu(e) au sein de l'un des portefeuilles. Aucune des prévisions ne sont garanties et nous ne garantissons pas que les informations fournies soient exhaustives ou opportunes, ni n'émettons aucune garantie à l'égard des résultats obtenus suite à leur utilisation. Janus Henderson Investors est la source des données, sauf indication contraire, et a des raisons suffisantes de croire que les informations et les données provenant de tiers qu’il utilise sont fiables. Les performances passées ne préjugent pas des résultats futurs. Investir comprend des risques, dont une éventuelle perte de capital et une fluctuation de valeur.
Tous les produits ou services ne sont pas disponibles dans toutes les juridictions. Ce document ou les informations qu'il contient peuvent faire l'objet de restrictions légales, ne peuvent être reproduits ou mentionnés sans autorisation écrite expresse ou utilisés dans toute juridiction ou circonstance où leur utilisation serait illégale. Janus Henderson n’est pas responsable de la distribution illégale de ce document à des tiers, dans son intégralité ou en partie. Le contenu de ce document n’a pas été approuvé ou avalisé par l’un des organismes de réglementation.
Janus Henderson Investors est le nom sous lequel les produits et services d'investissement sont fournis par les entités identifiées dans les juridictions suivantes : (a) en Europe, par Janus Henderson Investors International Limited (immatriculée sous le numéro 3594615), Janus Henderson Investors UK Limited (906355), Janus Henderson Fund Management UK Limited (2678531), - (toutes inscrites et immatriculées en Angleterre et au Pays de Galles, dont le siège social est sis 201 Bishopsgate, Londres EC2M 3AE, et réglementées par la Financial Conduct Authority) et Janus Henderson Investors Europe S.A. (B22848, sise 2 Rue de Bitbourg, L-1273, Luxembourg et réglementée par la Commission de Surveillance du Secteur Financier) ;