L'IA d'entreprise a passé des années à rechercher la mise à l'échelle. Des modèles plus grands, davantage de paramètres, des ensembles de données plus volumineux et une puissance de calcul accrue sont devenus synonymes de progrès. Mais les entreprises commencent à se poser une question plus pragmatique : chaque tâche d'IA nécessite-t-elle réellement le modèle le plus imposant disponible ?
Souvent, ce n'est pas le cas.
Les modèles de langage simplifiés (SLM) ouvrent une nouvelle voie. Conçus avec moins de paramètres et souvent optimisés pour des tâches ou des domaines spécifiques, ils permettent de rapprocher l'intelligence des applications, des appareils et des environnements d'entreprise. Pour les organisations développant des solutions logicielles d'IA, cela pourrait faire évoluer la question : « Quelle est la puissance du modèle ? » vers « Avec quelle efficacité résout-il le problème métier ? »
Les solutions logicielles d'IA n'ont peut-être pas besoin d'une intelligence maximale partout
Les processus d'entreprise nécessitent rarement qu'un seul modèle connaisse tout. La plupart ont besoin d'une IA pour exécuter une tâche définie de manière fiable, rapide et dans le respect des contraintes opérationnelles.
Cette distinction permet de proposer des modèles plus petits.
L'intelligence spécialisée peut surpasser l'intelligence à usage général
Prenons l'exemple d'un système d'IA qui catégorise les tickets d'assistance, extrait des informations des factures, résume les documents internes, assiste les techniciens ou répond aux questions sur les politiques de l'entreprise. Ces tâches s'effectuent dans des limites relativement restreintes.
Au lieu de déployer un modèle générique de grande envergure, les entreprises peuvent entraîner, affiner ou adapter des modèles plus petits à une terminologie, des flux de travail et des ensembles de données spécifiques. Un modèle SLM bien conçu n'a pas besoin de connaissances encyclopédiques si sa fonction consiste à comprendre les produits ou les processus d'une organisation.
La course à l'IA en entreprise pourrait donc passer de la recherche du modèle le plus intelligent à la recherche de l'intelligence adaptée à chaque flux de travail.
L'économie de l'IA commence à prendre une autre allure
Le coût de l'IA ne se limite pas à l'acquisition d'un modèle. Chaque inférence consomme des ressources de calcul. Lorsqu'une application gère des milliers, voire des millions d'interactions, des différences apparemment minimes dans les besoins de calcul peuvent avoir un impact significatif sur son fonctionnement.
Les SLM peuvent potentiellement nécessiter moins de puissance de calcul et de mémoire, ce qui les rend intéressants pour les charges de travail d'entreprise à volume élevé ou répétitives.
Cela a son importance lorsque les entreprises souhaitent intégrer l'IA à leurs services clients, opérations, finances, RH, ingénierie et autres fonctions. Si chaque interaction nécessite une infrastructure lourde, le déploiement à grande échelle de solutions logicielles d'IA peut s'avérer complexe sur les plans financier et opérationnel.
Les modèles plus petits peuvent offrir aux architectes une autre option : réserver les modèles plus grands aux raisonnements complexes tout en confiant les tâches plus simples à des systèmes plus efficaces.
L'avenir pourrait bien être un portefeuille de modèles
Cela conduit à une architecture d'entreprise différente. Au lieu de choisir entre un modèle LLM et un modèle SLM, les entreprises peuvent orchestrer plusieurs modèles en fonction de la tâche.
Un modèle plus simple pourrait classifier une requête entrante. Un autre modèle spécialisé pourrait extraire des informations d'entreprise. Un modèle plus complexe pourrait effectuer des raisonnements complexes uniquement lorsque cela s'avère nécessaire. Des règles et des couches de gouvernance pourraient déterminer quel modèle prend en charge quelle charge de travail.
Cette approche considère les modèles d'IA comme des ressources à orchestrer plutôt que comme des plateformes autour desquelles se standardiser aveuglément.
La protection de la vie privée pourrait rapprocher les services de renseignement des entreprises
Certaines données d'entreprise ne devraient pas circuler librement entre les systèmes. Les documents financiers, la propriété intellectuelle, les informations clients, les données opérationnelles et les communications internes peuvent nécessiter des contrôles plus stricts. Des modèles plus petits peuvent offrir une plus grande flexibilité de déploiement au sein d'environnements de cloud privé, d'infrastructures sur site, voire de périphériques de périphérie.
Cela permet aux organisations de maintenir certaines charges de travail au plus près de la source des données. Pour les secteurs soumis à des exigences strictes en matière de sécurité, de latence ou de connectivité, cette flexibilité de déploiement pourrait devenir aussi importante que les performances du modèle.
La rapidité est essentielle là où l'IA rencontre le travail réel
L'IA d'entreprise opère de plus en plus au sein de flux de travail où les utilisateurs attendent des réponses immédiates.
Les systèmes de production, les applications de service sur le terrain, les appareils mobiles, les systèmes embarqués et les outils destinés aux clients peuvent ne pas tolérer une latence inutile.
Les modèles plus petits, moins gourmands en ressources de calcul, sont adaptés aux scénarios où une inférence plus rapide est essentielle. Le déploiement en périphérie permet également de réduire la dépendance à une connectivité cloud permanente dans certains cas d'usage.
Le résultat est une IA qui ressemble moins à une destination séparée et plus à une couche invisible intégrée aux logiciels du quotidien.
Petit ne signifie pas automatiquement meilleur
Les modèles logiciels impliquent toujours des compromis. Le raisonnement complexe, les tâches nécessitant de vastes connaissances, la génération de contenu sophistiquée et les problèmes ambigus peuvent exiger des modèles plus importants. Les modèles plus petits requièrent également des données d'entraînement appropriées, une évaluation, des contrôles de sécurité, une surveillance et une gouvernance.
L’objectif n’est pas de remplacer les grands modèles de langage, mais de cesser de les utiliser par défaut.
À LIRE AUSSI : 7 goulots d’étranglement du Machine Learning que l’apprentissage automatique peut éliminer
Une IA adaptée aux besoins pourrait devenir un atout pour l'entreprise
La prochaine étape de l'IA en entreprise ne consistera peut-être pas à construire des modèles toujours plus volumineux, mais plutôt à affecter l'intelligence adéquate à la tâche appropriée.
Pour les solutions logicielles d'IA, les SLM offrent des opportunités d'améliorer l'efficacité, de spécialiser les modèles autour des domaines d'activité, de renforcer le contrôle du déploiement et de rapprocher l'IA des flux de travail opérationnels.
Les grands modèles resteront essentiels pour de nombreuses tâches complexes. Mais les entreprises qui apprennent à combiner intelligemment grands et petits modèles pourraient obtenir quelque chose de plus précieux que la simple puissance de l'IA : une économie de l'IA durable.
Dans le domaine des technologies d'entreprise, le modèle gagnant n'est pas toujours le plus imposant. Il peut simplement s'agir de celui qui offre exactement ce dont vous avez besoin.
