Comment évoluera l’IA en 2023 ?

INTELLIGENCE ARTIFICIELLE (IA) | Des grandes entreprises aux startups en passant par les laboratoires de recherche indépendants, les équipes chargées de l’apprentissage automatique travaillent dur chaque jour pour construire et déployer des modèles qui améliorent le quotidien. À l’approche de la fin de l’année, il est bon de s’arrêter pour constater leurs progrès.

À bien des égards, l’année 2022 commence et se termine avec l’IA générative. L’année dernière a vu le lancement de Dall-E 2 d’OpenAI (avril), mais également de Midjourney (avril), de Stability Diffusion 2 de Stability AI (août) et de ChatGPT (novembre). Les percées techniques réalisées presque toutes les semaines, qu’il s’agisse de la transformation de la robotique ou de l’amélioration de l’étude du génome, font moins la une des journaux, mais sont tout autant révolutionnaires.

Pour la plupart des spécialistes de l’apprentissage automatique, le problème aujourd’hui n’est pas le manque de recherches, d’outils ou de nouvelles techniques, mais le fait qu’ils n’arrivent pas à suivre toutes ces avancées !

Avant de regarder vers l’avenir, voici un bilan sur l’année écoulée.

• L’équité de l’IA va décliner avant de s’améliorer : VRAI. Dans l’ensemble, l’impact de l’IA agissant de manière discriminatoire n’est probablement pas totalement connu, mais cette année laisse beaucoup à désirer. Par exemple, il est désormais clair que des biais néfastes se cachent dans les modèles de conversion texte-image et les modèles linguistiques de grande envergure. Le biais des modèles continue également à se manifester dans les modèles plus courants, ce qui a des répercussions sur tout, des résultats en matière de santé aux demandes d’indemnisation. Enfin, il reste encore un long chemin à parcourir pour assurer une meilleure diversité dans le recrutement et l’éthique de l’IA.
• Les entreprises cesseront de déployer l’IA aveuglément : PARTIELLEMENT VRAI. Alors que l’adoption de la surveillance de l’apprentissage automatique s’accélère et que des leaders du marché émergent, la réalité est que de nombreuses équipes n’ont toujours pas mis en place de plan de surveillance pour détecter et diagnostiquer rapidement les problèmes de modèles en production. C’est particulièrement vrai pour les équipes qui ont déployé des modèles de vision par ordinateur et de traitement automatique du langage naturel, car les outils permettant de surveiller des éléments tels que les dérives d’intégration sont encore très récents.
• L’apogée du citoyen scientifique : PARTIELLEMENT VRAI. Si l’adoption d’outils low-code reste un facteur de démocratisation de la science des données, elle est d’une certaine manière éclipsée par la révolution qui émerge autour des grands modèles de langage avec le texte comme interface universelle.
• L’écosystème de l’infrastructure d’apprentissage automatique va devenir plus dense et plus complexe : VRAI. L’investissement dans des outils d’infrastructure d’IA et d’apprentissage automatique ayant bondi cette année, l’écosystème n’en est que plus encombré. En tout, 85,7 % des experts en mégadonnées et des ingénieurs en apprentissage automatique affirment qu’ils ont encore parfois « du mal à naviguer dans un écosystème de l’infrastructure d’apprentissage automatique confus et encombré. »
• Le nombre de postes d’ingénieurs en apprentissage automatique dépassera le nombre de talents disponibles, créant une pénurie de talents : VRAI. Si les licenciements récents sont préoccupants, l’année écoulée a surtout été marquée par la pénurie de main-d’œuvre dans l’ensemble de l’économie, notamment dans le domaine de la science des données et de l’apprentissage automatique.

En 2023, voici les tendances à surveiller concernant l’IA.

1. L’IA générative va se généraliser (tout comme ses difficultés de croissance)

L’IA générative capte l’imagination du public comme peu d’avancées techniques l’ont fait depuis l’avènement du cinéma il y a plus de 100 ans. Avec des applications performantes comme Github, Copilot ou ChatGPT, qui ont déjà fait leurs preuves, de nombreuses entreprises sont impatientes d’adopter cette technologie à plus grande échelle. Cependant, l’IA générative reste un terrain inconnu. Il y aura beaucoup d’éléments à clarifier en 2023, notamment concernant les biais, les droits d’auteur, l’évolutivité, la sécurité et la façon de surveiller cette nouvelle technologie. En résumé, l’IA générative nécessitera un réseau, et l’on devra construire ce réseau.

2. L’incertitude économique sera un élément clef pour le marché de l’infrastructure d’apprentissage automatique

L’IA est susceptible de revêtir une importance plus accrue alors que l’inflation et les perturbations économiques mettent la pression sur les entreprises, qui doivent faire preuve d’une plus grande efficacité et productivité. Compte tenu de l’évolution des priorités, c’est la fin de l’époque où les équipes centrales chargées de l’apprentissage automatique mettaient des mois, voire des années, pour construire et maintenir des feature stores ou des outils de surveillance en interne. Acheter plutôt que construire deviendra probablement plus courant, notamment parce que les équipes doivent privilégier les projets qui font progresser le chiffre d’affaires de l’entreprise à court terme. Étant donné l’environnement économique, il n’est pas improbable que la pression des achats, voire des licenciements, ait un impact sur les équipes chargées de l’apprentissage automatique dans certains secteurs. Dans ce contexte, seuls les outils MLOps les plus solides apportant une réelle valeur ajoutée aux équipes prospéreront. Attendez-vous à ce que des outils tels que les plateformes d’orchestration, qui mettent en lumière certaines hypothèses dépassées concernant la connexion de nombreux outils d’apprentissage automatique disparates, ainsi que les leaders hors catégorie aient du mal à lever des fonds ou à faire faillite.

3. Les plateformes les plus performantes vont s’attaquer aux acteurs traditionnels

C’est ce qui s’est passé avec DevOps et c’est que qui se passe désormais avec MLOps : dans les domaines techniques, les meilleures plateformes ont tendance à l’emporter. Compte tenu de la complexité de l’apprentissage automatique moderne, les équipes en charge de cette discipline ont besoin d’outils plus approfondis à chaque étape du cycle de vie du modèle. De ce fait, les plateformes offrant des solutions intégrées, dites end-to-end, qui ont vu le jour il y a dix ans pour appuyer le travail des experts en mégadonnées et des équipes chargées de l’apprentissage automatique perdent leur part de développeurs et subissent des licenciements. Même les grands acteurs comme Amazon (avec SageMaker) et Google (avec Vertex) ne reflètent pas actuellement la profondeur technique nécessaire pour chaque partie du cycle de vie de l’apprentissage automatique, bien qu’une vague de consolidation pourrait changer la donne.

4. Travailler avec des données non structurées ne sera plus facultatif

Les données non structurées sont partout. Selon plusieurs estimations, 80 % des données générées dans le monde se présentent sous la forme d’images, de textes, de vidéos ou de fichiers audio non structurés. Ces dernières années, certaines des applications modernes les plus puissantes en termes d’apprentissage automatique exploitent les données non structurées. Toute plateforme d’apprentissage automatique qui n’est pas conçue pour gérer des cas d’utilisation non structurée risque de ne pas être pertinente ou de voir ses perspectives de croissance limitées. Parallèlement, les équipes chargées de l’apprentissage automatique qui trouvent les moyens d’exploiter les modèles de vision par ordinateur ou de traitement naturel du langage, même s’il ne s’agit que d’appliquer un modèle pré-entraîné à un cas restreint d’utilisation commerciale, peuvent trouver de nouveaux avantages concurrentiels.

En conclusion, bien que toutes les perspectives ne semblent pas claires ou positives, il y a beaucoup de raisons d’être optimiste en ce qui concerne l’avenir des équipes chargées de l’IA et de l’apprentissage automatique. Il ne reste qu’à espérer que tout le monde pourra commencer l’année 2023 en ayant à l’esprit de rendre ce secteur meilleur !

Article traduit de Forbes US – Auteure : Aparna Dinakaran

<<< À lire Sourégalement : L’IA au service de la durabilité des entreprises >>>