Le potentiel semble illimité. Avec le bon marketing autour de GPT Builder, un produit du leader actuel des LLM, OpenAI, il est facile de penser que tout peut être automatisé. Des tâches banales à la gestion complète de l'organisation, tout cela avec sa propre IA. Il suffit d'un modèle LLM solide, de quelques données et d'un bon priming du modèle.
Avant de célébrer, examinons les concepts clés plus en détail. Chacun de ces concepts est important à comprendre avant de commencer à les assembler dans un système IA. Il est encore plus important de les assimiler avant de commencer à affiner les systèmes utilisant ces composants. Pour que ce post reste digeste, nous passons outre la planification de la transformation numérique, l’aspect de la sécurité des données et les processus de vérification, de validation, de surveillance et de réglage fin qui seraient naturellement nécessaires dans un contexte d’entreprise. Concentrons-nous sur le cas d’une personne souhaitant optimiser ses contrats d’assurance en utilisant des composants prêts à l’emploi disponibles aujourd’hui.
Le modèle (LLM)
En tant que réseau hyperdimensionnel de neurones interconnectés, le modèle est le cerveau de l’opération avec un ensemble donné de connaissances linguistiques et de domaine “a priori” pour comprendre des structures d’information telles que le texte, les images et la voix et pour être capable de communiquer avec leurs homologues humains. Un modèle utile ne peut être créé et affiné qu’avec une énorme quantité de données, de ressources, d’électricité et de temps et ne peut souvent fonctionner que sur du matériel coûteux permettant le traitement parallèle de masse. Certaines entreprises travaillent sur la création de modèles plus petits pour les faire fonctionner sur les ordinateurs et les appareils portables, mais ce cas spécialisé ne concerne certainement pas vos activités d’affaires au quotidien. Le processus de création des modèles est resté le même pendant plus de 50 ans jusqu’à ce que les transformers déclenchent cette nouvelle ère de l’IA. Les transformers ont rendu possible la création de modèles de manière beaucoup plus rapide, permettant la création de modèles gigantesques capables de traiter suffisamment de complexité pour accomplir des tâches utiles.
Il est possible d’utiliser des modèles open source et de les faire fonctionner sur son propre matériel, ou de louer le matériel de quelqu’un d’autre (cloud) pour exécuter ces modèles open ou closed source.
Dans le cas d’une personne qui optimise ses contrats d’assurance personnels, nous voulons nous assurer que le modèle ait été entraîné avec des données adéquates, en relation avec notre contexte légal ainsi que notre langue. Ici il n’y a pas de raccourcis, il faut essayer, mesurer et comparer les différents modèles et les fournisseurs qui les proposent. Mistral, llama, GPT, Claude, Bard, etc. Il y en a suffisamment à essayer !
Le Prompt-Priming
Similaire au tournage d’un film, il est possible de visualiser le modèle tel un acteur sur scène. Tel un réalisateur, il nous est possible de préparer le modèle à la scène qui suit. Cette phase permet de communiquer au modèle quel rôle il joue, sa motivation, à quel point il doit être créatif, précis, cool ou académique, ainsi que la manière dont il doit recevoir et répondre aux questions. Cette préparation est appelée le priming des prompts. En amorçant les prompts, le modèle reçoit une aide significative afin de comprendre non seulement les questions, mais aussi les attentes de l’utilisateur qui étaient jusqu’à présent implicites. Le prompt-priming augmente considérablement la qualité de la réponse qui sera générée.
Quelques exemples
Dans le rôle d’un spécialiste du marketing créatif travaillant pour un produit qui cible les jeunes adultes de 18 à 25 ans, …
Dans le rôle d’un professeur d’université spécialisé en biochimie, réponds aux questions avec tout ton savoir sur l’épigénétique tout en restant précis et concis dans tes réponses. Lorsque possible, cite les sources pour les réponses données.
Modifier les prompts, tout comme la partie de priming, reste très simple. Ce qui devient important ensuite, c’est de noter les prompts qui génèrent les meilleures réponses. Pour une personne seule, un cahier de notes fera l’affaire ; pour une entreprise, une base de connaissances comme Confluence ou un wiki peut aider les équipes à partager le fruit de leurs découvertes. Ces requêtes peuvent être ensuite utilisées pour comparer systématiquement les résultats lorsque de nouvelles données ainsi que de nouveaux modèles sont disponibles.
Génération augmentée par récupération (RAG)
Une fois que le modèle est choisi et que le priming des prompts est en place pour obtenir de meilleurs résultats, il reste une étape pour vraiment tirer parti d’une IA dans votre organisation : lui donner accès à vos données.
Pour s’assurer que le modèle est conscient de la situation, il est souhaitable de lui donner des documents PDF, des fichiers texte, des tableaux Excel, des images, l’accès à votre propre base de données de contrats, les échanges téléphoniques et par courriel entre vous et les différentes compagnies d’assurance. Lui permettre d’accéder à Internet pour obtenir également des informations sur de nouveaux contrats possibles avec de nouveaux partenaires d’assurance l’aiderait à faire une suggestion significative.
À ce stade, vous remarquez que le réglage le plus fin que vous puissiez faire pour tirer le meilleur parti de l’IA dans votre organisation est de vous concentrer sur les données que vous pouvez partager avec votre modèle. C’est probablement le plus près que vous puissiez atteindre de “mon IA” de manière significative.
Une implémentation plus précise est possible, en permettant à l’IA non seulement de se nourrir des connaissances de l’entreprise, mais aussi de citer ses sources lors de la réponse. Cette variante permet une certaine traçabilité, ce qui est souvent un aspect critique des systèmes utilisés au sein des industries hautement régulées. Pour le cas présent d’une personne seule et de ses contrats d’assurance, il suffit d’utiliser GPT Builder ou Claude Project avec la fonction de partage des fichiers pour créer rapidement une version et l’essayer.
Gestion des données pour RAG
On le remarque, tirer parti de l’IA devient rapidement une question de gestion des données. À moins que vous ne soyez une startup avec des génies des meilleures universités qui travaillent d’arrache-pied à créer et améliorer les modèles, le défi des entreprises est de tirer parti des modèles disponibles au moyen d’une stratégie de données conséquente. OpenAI avec GPT Builder rend le prototypage plus simple que jamais, en un seul clic, et permet d’essayer différentes tactiques rapidement. N’attendez pas et commencez à évaluer ces solutions dès aujourd’hui pour saisir vos chances de gain d’efficacité.
Ma propre IA : comment faire ?
Sa propre IA signifie souvent l'utilisation du meilleur modèle d'IA actuel, avec votre propre priming des prompts, ainsi que vos propres données actuelles, lesquelles peuvent être partagées avec le modèle.
Intégrez les avantages d'une IA utile dans votre entreprise et élaborez un plan Luzid pour rester en avance tout en exploitant les meilleurs LLM avec les données de votre organisation.
