Les systèmes d'intelligence artificielle en développement, bien qu'ils affichent souvent des performances impressionnantes lors des phases de démonstration, peuvent rencontrer de graves problèmes lorsqu'ils passent à la phase de production. De nombreux agents IA, bien qu'ils soient présentés comme capables de fonctionner de manière autonome, nécessitent finalement une intervention humaine. Cela constitue un obstacle important à l'efficacité et à la durabilité des applications d'intelligence artificielle.

Que s'est-il passé ?

Les développements récents révèlent que les systèmes d'intelligence artificielle sont confrontés à deux défis principaux : les insuffisances des méthodes traditionnelles telles que le "fine-tuning" (ajustement fin) et l'"in-context learning" (apprentissage en contexte). Le fine-tuning fait face à un problème de "oubli catastrophique", où l'ajout de nouvelles informations à un modèle entraîne l'oubli des informations existantes. L'in-context learning, quant à lui, entraîne une perte de contexte en raison de la nécessité de fournir des informations à jour à chaque exécution. Cela montre que les deux méthodes rendent le contrôle humain inévitable.

Pourquoi est-ce important ?

Les systèmes d'intelligence artificielle traditionnels promettent d'accélérer les processus commerciaux et de minimiser l'intervention humaine. Cependant, les limitations des méthodes d'ajustement fin et d'apprentissage en contexte empêchent la réalisation de ces objectifs. Le fine-tuning élargit le réservoir de connaissances d'un modèle tout en entraînant la perte des informations précédentes. Cela complique l'accès constant des entreprises à des informations à jour et affecte négativement l'efficacité opérationnelle.

L'in-context learning peut également entraîner une perte de précision à mesure que les entrées de données augmentent. Autrement dit, à mesure qu'un agent IA est alimenté avec plus d'informations, sa performance diminue. Par conséquent, l'utilisation de tels systèmes dans le monde des affaires devient une structure complexe nécessitant un contrôle humain.

Sur le papier, ces systèmes ont le potentiel d'augmenter l'efficacité, mais dans la pratique, la plupart des entreprises ne parviennent pas à enregistrer de performances en raison des défis d'application de ces méthodes. En d'autres termes, il est nécessaire d'adopter des approches plus récentes et efficaces pour atteindre l'autonomie souhaitée.

Qu'est-ce qui change ?

Un nouveau système appelé "hypernetwork" promet de surmonter les problèmes existants. Ce système a la capacité de produire à la demande les structures de modèles nécessaires. Cela signifie qu'il peut instantanément créer de petits modèles axés sur des tâches en fonction des politiques d'une entreprise. Cela réduit à la fois les coûts liés au processus de fine-tuning et minimise le risque de perte de contexte.

De plus, l'utilisation de petits modèles dans le développement des systèmes d'intelligence artificielle devient de plus en plus importante. Des recherches montrent que ces modèles sont plus efficaces et plus rentables que les grands modèles à usage général. Par exemple, il est indiqué que les petits modèles sont plus efficaces pour accomplir des tâches de portée étroite et répétitives. Cela permet aux entreprises d'utiliser les systèmes d'intelligence artificielle de manière plus efficace.

Qu'est-ce qui est à venir ?

À l'avenir, une adoption accrue des systèmes hypernetwork est attendue. Ces types de systèmes permettent aux entreprises de travailler avec moins de marge d'erreur en utilisant instantanément leurs propres informations. Cependant, il n'est pas prévu que l'intervention humaine disparaisse complètement pour accroître l'autonomie des applications d'intelligence artificielle. Le contrôle humain continuera de jouer un rôle critique.

En conclusion, bien que les systèmes d'intelligence artificielle aient le potentiel d'augmenter l'efficacité, les limitations des méthodes actuelles montrent que l'intervention humaine est inévitable. De nouvelles approches comme l'hypernetwork offrent une solution importante à cet égard, mais l'efficacité de ces systèmes dépendra de la manière dont ils seront intégrés dans les processus d'application.