Épisode 9 : Les frontières de l'IA avec Aaron Erickson de NVIDIA

Dans notre neuvième épisode,Aaron Erickson, deNVIDIA, rejointNatasha Allenpour partager son point de vue sur l'avenir de l'intelligence artificielle générative. Comment les modèles linguistiques à grande échelle (LLM) évoluent-ils au-delà du langage naturel pour intégrer des entrées multimodales telles que des images, des sons, des vidéos, voire des goûts et des odeurs ? Quels sont les nouveaux modèles économiques développés pour les outils d'IA ? Et sommes-nous prêts à voir apparaître une tendance vers des modèles sur mesure conçus pour des organisations spécifiques ?

Approfondir :

Transcription

La transcription de l'épisode ci-dessous a été modifiée pour plus de clarté.

Natasha Allen

Merci de vous joindre à nous pour un nouvel épisode du podcast Innovative Technology Insights. Je m'appelle Natasha Allen et je suis associée au sein des bureaux de Foley and Lardner à San Francisco et dans la Silicon Valley. Je suis également coprésidente du sous-secteur IA, ce qui me donne l'occasion formidable d'interviewer des personnes passionnantes qui travaillent sur des technologies de pointe, notamment l'IA. Je reçois aujourd'hui Aaron Erickson. Aaron est un membre clé de l'équipe d'ingénierie logicielle de NVIDIA, où il participe à la création de la plateforme d'IA DGX pour les entreprises. Avant de rejoindre NVIDIA, Aaron a occupé pendant 30 ans des postes de direction, notamment celui de PDG d'Org Space et de vice-président de l'ingénierie chez New Relic. Tout au long de sa carrière, Aaron s'est fait le champion de la création de meilleurs logiciels depuis son domicile à San Francisco. Bienvenue, Aaron.

Aaron Erickson

Merci de m'avoir invité.

Natasha Allen

Très bien, commençons. L'avènement de ChatGPT a permis de mieux comprendre le monde de l'IA. Auparavant, les profanes ne comprenaient pas vraiment ce qu'était l'IA ni ce qu'elle pouvait faire, en particulier ce que pouvaient faire les grands modèles linguistiques (LLM), qui, comme vous le savez, sont à la base des algorithmes d'apprentissage profond qui nous aident à comprendre et à traiter le langage naturel. À l'heure actuelle, nous savons que les LLM peuvent être utilisés pour le texte, notamment pour aider à générer ou à suggérer certains textes. Mais comment pensez-vous que les LLM vont évoluer au-delà du langage naturel, en intégrant des entrées multimodales telles que des images, des sons, des vidéos ou même des goûts ?

Aaron Erickson

C'est l'une des évolutions les plus passionnantes, à mon avis. Les gens peuvent déjà en constater les effets aujourd'hui. La dernière version de ChatGPT, si vous disposez de la version premium, vous permet de lui parler et elle vous répond à voix haute. En fait, l'une des choses les plus effrayantes que les gens ont constatées au début était le CAPTCHA. Si vous avez déjà utilisé un CAPTCHA où vous devez dire « laquelle de ces choses à l'écran est un feu de signalisation ou non », ChatGPT est capable de le faire dès aujourd'hui.

Je pense que le multimodal est l'un des domaines les plus intéressants actuellement. Tesla et ce qu'ils sont capables de faire avec la vidéo en sont un bon exemple. Lorsque vous conduisez une Tesla, c'est presque comme si vous aviez une caméra embarquée permanente dans votre voiture. Elle prend constamment des photos et cela contribue grandement à notre capacité à conduire de manière indépendante ou autonome lorsque vous activez ce mode. Mais l'un des aspects les plus intéressants est la manière dont ils utilisent toutes ces vidéos qu'ils ont accumulées. Google fait également cela avec les modèles qu'il développe, et beaucoup de ces nouveaux modèles enregistrent des vidéos et sont capables de les transcrire pour comprendre la signification de chaque image. L'objectif est de vraiment comprendre « que pourrions-nous apprendre si nous pouvions voir le monde qui nous entoure ? »

La meilleure façon d'y réfléchir dans le cadre des LLM pré-multimodaux est d'imaginer que vous avez formé un être humain ou que vous l'avez envoyé à l'école, mais que la seule chose qu'il pouvait faire à l'école était de lire des livres ou des journaux. Il ne pouvait pas réellement découvrir le monde tel qu'il est, que ce soit en le voyant, ou dans certaines des applications plus spéculatives dont j'entends parler, même en le sentant ou en le goûtant, ou en comprenant différents aspects et en étant capable de les coder dans un modèle de formation. En fin de compte, vous avez presque une sorte de monologue intérieur où vous réfléchissez au langage. Vous regardez une lumière et cela se traduit par le mot « lumière », puis vous êtes capable d'associer cela à « quand j'ai une lumière allumée, je peux lire ». Ce même genre d'astuce que nous faisons en tant qu'êtres humains, nous sommes maintenant capables de le faire avec ces types de cerveaux biologiques ou synthétiques que nous avons créés.

Natasha Allen

C'est incroyable. Avec l'avènement de cette technologie, quels sont, selon vous, les principaux défis liés à l'intégration d'entrées multimodales dans les LLM, en particulier en ce qui concerne les sens, le goût et l'odorat, et tout ce que vous considérez comme intrinsèquement humain ?

Aaron Erickson

Le premier sens évident est la vue, c'est-à-dire la possibilité de regarder des images, ce que nous faisons depuis des années, et de regarder des vidéos, qui sont un ensemble d'images et nécessitent une grande puissance de traitement, mais c'est une quantité connue. Ce n'est pas particulièrement révolutionnaire à ce stade. Pour les autres sens, comme le goût et l'odorat, nous avons des moyens, grâce à la compréhension de la composition chimique d'une substance, de déduire son odeur ou son goût. Si vous pouvez numériser quelque chose, et ce sont toutes des choses qui peuvent être numérisées, il s'agit simplement de savoir si certains de ces autres sens sont un peu plus coûteux ou plus complexes. Mais il n'y a aucune raison pour que cela ne puisse pas être fait. J'avais l'habitude de dire, presque pour plaisanter : « Allons-nous bientôt avoir des odeurs génératives ? » Je ne suis pas sûr que ce soit quelque chose que nous souhaitons en tant que société, mais il n'y a aucune raison pour que cela ne puisse pas se produire. Il suffit de le traduire sous une forme numérique, puis de permettre au modèle d'apprendre à partir de cela.

Alors, qu'est-ce que le multimodal ? Il y a ce que sont les entrées, ce dont il apprend. Il y a aussi ce qu'il peut produire. Nous considérons l'IA générative, ChatGPT et les technologies intelligentes comme générant du texte et des images, et peut-être un jour des vidéos. Il existe des modèles précurseurs qui génèrent des vidéos : il suffit de taper « Je voudrais voir telle chose se produire » pour qu'une vidéo correspondant à cette demande soit générée. C'est encore un peu approximatif pour l'instant, mais les modèles s'améliorent et ceux que vous voyez aujourd'hui sont les pires que vous verrez jamais. Ils ne feront que s'améliorer à partir de là.

Chez NVIDIA, nous proposons notamment un produit appelé BioNeMo qui facilite la découverte générative de médicaments. Comment cela fonctionne-t-il ? Si vous y réfléchissez bien, il s'agit d'un autre type de données et vous pouvez littéralement utiliser le même type de technologie pour générer ce que pourraient être les chaînes protéiques idéales, peut-être un remède contre la COVID, ou tout autre problème que vous souhaitez résoudre. Ce type d'applications existe déjà aujourd'hui. Et la recherche s'accélère. Pensez aux types de médicaments que nous pourrons obtenir ou aux choses que nous pourrons faire grâce à cette technologie, comme rendre les centrales électriques plus efficaces. Je connais une start-up qui a démontré qu'elle pouvait rendre une centrale électrique 90 % plus efficace en utilisant ce type de technologie, aidant ainsi à trouver des moyens de rendre une centrale plus efficace qui ne sont pas évidents pour un être humain.

Natasha Allen

Je pense que ce serait formidable de voir cette évolution. Nous disposons des moyens nécessaires pour étendre l'utilisation des LLM, mais comment les monétiser ? Comment monétiser ces outils d'IA ? Avez-vous des exemples à nous donner, ou pouvez-vous nous expliquer quels sont les modèles économiques actuellement répandus dans le secteur de l'IA ?

Aaron Erickson

Vous vous demandez pourquoi certaines de ces start-ups lèvent des fonds de démarrage qui semblent ridicules. J'ai entendu parler d'une levée de fonds de 50 ou 100 millions de dollars américains. Et dans l'ensemble, elles ne font pas que recruter des employés. Vous seriez surpris de voir le peu d'employés que beaucoup de ces entreprises embauchent. Mais elles achètent surtout des infrastructures. Que ce soit auprès de nous [NVIDIA] ou d'autres fournisseurs de technologie GPU, une grande partie de l'argent est consacrée à cela. Et ce sont des personnes qui développent des modèles fondamentaux. Ce sont les OpenAI et les Anthropics de ce monde. Tout comme certaines des grandes entreprises FAANG, elles font toutes quelque chose de similaire. C'est une véritable course à l'armement en ce moment.

Ce qui est plus intéressant, et c'est ce que beaucoup de gens oublient selon moi, c'est qu'il existe de nombreuses solutions que j'appelle « IA étroite » que vous pouvez développer. Elles peuvent être efficaces pour résoudre un problème spécifique. Un bon exemple de cela, qui ne nécessite pas un nombre important de processeurs graphiques, est le développement d'un modèle raisonnable capable de détecter les fraudes.

Supposons que vous souhaitiez mettre en place un service de détection des fraudes afin d'identifier les personnes qui soumettent des notes de frais frauduleuses ou commettent d'autres actes anormaux. Vous pouvez créer un LLM spécialement formé à la détection des fraudes et l'utiliser dans votre système comptable ou dans un ensemble de systèmes comptables, un service de messagerie électronique ou tout autre système similaire afin d'obtenir un indicateur d'alerte précoce. Cela ne nécessite pas le même type de parc de GPU que celui dont vous auriez besoin pour créer un modèle de base. Vous pouvez utiliser un modèle tel que Llama ou l'un des modèles open source, l'améliorer ou l'ajuster à l'aide de données sur la manière dont les fraudes se produisent ou d'exemples de mauvaises pratiques dans votre entreprise, puis créer des produits assez incroyables. Cela peut être fait en interne dans les entreprises, en développant des capacités assez incroyables à l'aide de ces outils pour automatiser certains types de tâches intellectuelles routinières. Ce n'est qu'un exemple parmi d'autres, mais il est difficile d'entrer dans une entreprise sans trouver peut-être 20 ou 30 autres exemples de ce type où une IA étroite peut faire des choses incroyablement utiles qui ont beaucoup plus de valeur que ce que vous dépenserez pour la développer.

Natasha Allen

Intéressant. Pourriez-vous nous en dire plus sur le concept des LLM sur mesure ? S'agit-il d'une nouvelle demande de la part des dirigeants, qui souhaitent disposer d'un LLM personnalisé ? En quoi un LLM sur mesure diffère-t-il d'un modèle d'IA standard ?

Aaron Erickson

Pourquoi développer un LLM sur mesure ? C'est une bonne question. Parce qu'à l'heure actuelle, si vous utilisez ChatGPT ou tout autre outil similaire, il vous donnera des informations générales sur le monde. Il ne vous donnera pas vos prévisions de ventes. Il ne dispose pas des données nécessaires pour cela. Il pourrait vous dire que telle entreprise se porte plutôt bien, voire vous renvoyer vers Bloomberg, et peut-être vous en dire un peu plus sur votre entreprise. Mais il ne pourra jamais en savoir autant que vous en savez au sein de votre entreprise. Cela inclut vos données privées, votre système comptable, votre système RH et toutes les traces numériques spécifiques à votre organisation. Ce n'est là qu'une des raisons évidentes pour lesquelles vous devriez créer votre propre LLM, afin de disposer d'un modèle d'entraînement qui, en tant que PDG, peut vous dire tout ce que vous devez savoir sur votre entreprise. Il peut vous donner des conseils sur votre stratégie, devenant presque comme un consultant McKinsey dans une boîte. Même si vous avez d'autres personnes qui s'en chargent, il est très utile de disposer d'un outil comme celui-ci, qui vous permet de poser des questions de manière itérative et de le faire quand vous en avez besoin, dès qu'une idée vous vient à l'esprit.

Alors vous vous demandez en quoi cela diffère. Je pense que c'est un peu comme quelqu'un qui travaille dans votre entreprise depuis 10 ans et qui peut avoir un peu plus de valeur que quelqu'un qui n'y est que depuis une semaine. C'est une question de connaissances institutionnelles, n'est-ce pas ?

Une personne qui travaille dans l'entreprise depuis 10 ans possède beaucoup de connaissances tacites sur tout, depuis la façon dont les gens parlent, la culture d'entreprise, ce qui est opportun ou non, ce qui doit être discuté ou non, les idées qui ont été essayées, les leçons apprises par l'organisation dans son ensemble. Il serait dommage de disposer de LLM et de ne pas pouvoir tirer parti de ces connaissances acquises au fil du temps au sein de nos entreprises.

Ces modèles deviennent de plus en plus utiles à mesure que vous les entraînez dans le contexte de votre organisation. Et ce qui est incroyable, et qui explique pourquoi nous constatons une forte demande pour ce type de systèmes, c'est que les PDG ne connaissent pas leurs limites. À l'heure actuelle, plus vous investissez dans l'un de ces systèmes, plus ils deviennent intelligents. Il devient donc impératif, d'un point de vue économique, de disposer du modèle d'IA le plus intelligent. Un modèle plus intelligent que celui de vos concurrents. Un modèle entraîné sur de meilleures données, un modèle entraîné sur plus de GPU, vous le rendez effectivement plus intelligent, ce qui peut constituer un avantage concurrentiel à long terme. D'autant plus que nous nous rapprochons de l'intelligence artificielle générale, qui, selon Sam Altman et d'autres, est beaucoup plus proche que nous le pensons. C'est peut-être avant 2030 que nous aurons ce concept plus large d'un LLM généralement intelligent, supérieur à la plupart des humains. C'est assez incroyable à imaginer. Il ne se passe pas un jour sans que je pense à une autre application, donc il pourrait être utilisé dans l'un de ces contextes.

Natasha Allen

Dans cette optique, deux questions se posent. La première est la suivante : si des organisations décident de s'engager dans cette voie personnalisée du LLM, quels conseils ou considérations pourriez-vous leur donner pour les aider à s'y retrouver ?

Aaron Erickson

L'un des premiers conseils, qui s'applique à tous ceux qui utilisent ces outils, est qu'il est très facile de les traiter comme des êtres humains, de penser qu'ils sont humains et de leur attribuer des caractéristiques humaines. Je pense que c'est une erreur. Ce ne sont pas des êtres humains. Ce sont des machines, mais ce sont des machines qui peuvent parfois se tromper, tout comme un être humain peut se tromper. Les gens se plaignent des hallucinations, et je pense qu'ils ont raison. Une grande partie de la recherche menée actuellement porte sur la manière d'éviter les hallucinations. Mais il est beaucoup plus utile de réfléchir au fait que si vous êtes un cadre et que vous avez une équipe de subordonnés, il est très fréquent que ces personnes ne vous mentent pas. Peut-être le font-ils occasionnellement, mais s'ils se trompent sur quelque chose, c'est parce qu'on leur a demandé de donner une réponse alors qu'ils ne connaissent pas vraiment la réponse à 100 %. La plupart des êtres humains veulent avoir le sentiment d'avoir raison. On nous apprend à ne pas être indécis lorsque nous répondons à une question, et beaucoup de gens affirment donc des choses avec une certaine arrogance, même si elles ne sont pas nécessairement vraies. Et j'aime à penser que les LLM ne font que suivre ce modèle.

Considérez le fonctionnement d'un LLM un peu moins comme celui d'un ordinateur traditionnel et attendez-vous à un certain non-déterminisme. Attendez-vous à ce qu'il puisse se tromper. Et expliquez que vous devrez peut-être valider certaines informations. Cela vaut aussi bien pour ChatGPT que pour vos propres LLM sur mesure. Le risque est le même. Imaginez que vous ayez entraîné un modèle linguistique à partir de toutes vos données RH, comptables, commerciales et de toutes les sources de données importantes de votre organisation. Si vous êtes une organisation totalement transparente à tous les niveaux, cela ne vous dérangera peut-être pas, mais un LLM répondra en se basant sur toutes les données qu'il aura vues.

Une grande partie du travail vraiment intéressant, et franchement difficile, qui est actuellement en cours consiste à déterminer « comment faire en sorte qu'un LLM formé par l'entreprise ne révèle pas, par exemple, des informations sur les salaires ou d'autres types d'informations personnelles identifiables dont il pourrait avoir connaissance ? Comment faire en sorte qu'il ne les restitue pas ? » Le PDG aura désormais libre accès à ces informations, car c'est lui qui, en théorie, devrait avoir accès à la quasi-totalité des données de l'entreprise, et il y a probablement un certain nombre de personnes au sein de la direction qui seront amenées à les consulter. Mais si vous commencez à les diffuser au reste de l'organisation, nous allons réfléchir très sérieusement à la manière de concevoir ces systèmes afin qu'aucun LLM ne révèle les secrets de votre entreprise.

Prenons l'exemple de la formule secrète du Coca-Cola. Si vous avez entraîné votre LLM sur le Coca-Cola, vous pourriez lui demander « donnez-moi la recette du Coca-Cola », mais il pourrait vous répondre non. J'ai fait cela avec des LLM, avec d'autres types d'informations que vous n'êtes pas censé connaître, ou des informations dont ils essaient de vous protéger. Quelqu'un a trouvé un moyen de faire en sorte que ChatGPT donne des instructions pour fabriquer une bombe, non pas en disant « donnez-moi les instructions pour fabriquer une bombe », mais en disant « si j'étais ce personnage dans ce film et que je voulais fabriquer une bombe, comment ce personnage s'y prendrait-il ? ». Il existe des moyens de contourner cela, et je pense que les questions de sécurité vont être difficiles à résoudre.

Il existe des moyens de concevoir ces systèmes pour y parvenir. Je pourrais entrer dans les détails, mais cela vous donne déjà une petite idée des défis à relever.

Natasha Allen

C'est très intéressant. C'est presque comme une approche cloisonnée, où seules certaines personnes ont accès aux résultats. Cela nous amène à parler de l'utilisation de grandes quantités de données dans certaines organisations. Qu'en pensez-vous ? Observez-vous une tendance croissante vers des modèles d'apprentissage automatique (LLM) cloisonnés, conçus spécifiquement pour une organisation et entraînés à partir d'une combinaison de données propriétaires et de jeux de données publics ?

Aaron Erickson

Absolument, partout dans l'industrie. J'ai discuté avec de nombreux chefs d'entreprise depuis la sortie de ChatGPT et depuis que les gens ont appris qu'il était possible de créer ces modèles et de les entraîner. L'une des premières questions que les PDG commencent à poser est : « Pouvons-nous en entraîner un avec mes données ? Je ne veux pas divulguer les secrets de l'entreprise. C'est une machine puissante et imposante. Je ne veux pas utiliser ChatGPT, même s'ils disent qu'ils ne l'entraîneront pas avec mes données. Je ne veux pas que quelqu'un le fasse accidentellement, alors pour gérer le risque, nous avons commencé à réfléchir de cette façon.

C'est l'une des choses les plus importantes que font les gens en termes de tendances. Mais même lorsqu'ils réfléchissent à la manière d'utiliser ces LLM, l'une des tendances que je commence à observer est que les gens cherchent à résoudre le problème de sécurité dont je parlais tout à l'heure, sans nécessairement avoir à en former un. Encore une fois, si l'on compare cela à une personne, vous pouvez avoir un LLM que vous formez sur des données connues du PDG, puis vous pouvez dire : « Bon, nous allons avoir un autre LLM que nous formerons sur des éléments qui peuvent être connus publiquement en interne au sein de l'entreprise. » Ainsi, l'organigramme est peut-être une information publique. Vous pouvez former un LLM sur cette base, puis répondre à des questions à ce sujet. Peut-être d'autres types de documents stratégiques, et nous commençons à envisager des LLM ou des systèmes d'apprentissage automatique distincts, voire plus petits, spécialement conçus pour différentes parties de l'organisation, par département, si vous voulez. La structure LLM commence à ressembler à une structure organisationnelle plus traditionnelle.

Natasha Allen

Intéressant. Y a-t-il des exemples d'industries ou de secteurs où vous pensez que cette approche LLM cloisonnée est bénéfique ?

Aaron Erickson

Toutes. Lorsque l'IBM 360 est sorti dans les années 1950 et 1960, l'idée que chaque entreprise possède son propre ordinateur était assez ridicule. IBM était propriétaire de l'ordinateur et tout le monde le partageait. Il fallait être une entreprise assez importante pour posséder son propre ordinateur dès le début, d'où le concept de partage du temps. Au fil du temps, il est devenu extrêmement courant pour les entreprises de posséder leurs propres ordinateurs. Les gens ont commencé à créer leurs propres réseaux au sein de ceux-ci, puis nous avons fini par aboutir au PC. Je pense que vous allez voir la même chose se produire avec les systèmes d'apprentissage automatique.

À l'heure actuelle, comme il est très difficile de construire un LLM viable sur le plan économique, si vous voulez former GPT5, vous aurez probablement besoin de plus d'un milliard de dollars pour y parvenir. Mais je pense que le coût va baisser de manière assez radicale au cours des trois à cinq prochaines années. Les techniques permettant de créer des éléments personnalisés, la technique brute, l'adaptation du classement et d'autres techniques qui se généralisent, je pense qu'elles ne feront que progresser. De plus, tant de capitaux sont investis dans différents types de start-ups spécialisées dans l'IA qu'il existera probablement une solution que vous pourrez acquérir pour résoudre à peu près tous les problèmes imaginables. Le marché qui va se développer dans ce domaine sera plus important que ce que la plupart des gens imaginent.

Natasha Allen

C'est formidable. Et je suis d'accord. Je pense que cela pourrait être utilisé dans de nombreuses organisations, probablement celles qui disposent de grands ensembles de données, n'est-ce pas ? Dernières questions : pensez-vous que les LLM cloisonnés remplaceront les logiciels d'entreprise ou pensez-vous que les deux coexisteront et se compléteront mutuellement ?

Aaron Erickson

Je pense qu'il existe certaines catégories de logiciels d'entreprise qui seront remplacées et que de nouveaux types de logiciels d'entreprise vont apparaître.

Natasha Allen

Je suis d'accord.

Aaron Erickson

Ce sera comme toutes les autres révolutions. Ces outils continueront d'exister. Vous pouvez toujours acheter des logiciels d'entreprise pour traiter les données commerciales, comme c'était le cas avant Salesforce. Vous pouvez probablement toujours créer des systèmes de ce type ou utiliser des systèmes de ce type. Ils ne disparaîtront pas complètement, mais les systèmes de pointe seront certainement ceux qui vous donneront simplement la réponse à votre question, puis vous permettront peut-être d'interagir avec les données d'une manière qui ait du sens pour un être humain. Je pense que l'idée selon laquelle il faut être formé pour utiliser un produit SaaS va largement disparaître. Tout produit SaaS pour lequel vous devez être formé en tant qu'être humain est probablement plus compliqué que la version LLM, qui sera une combinaison d'un chatbot et d'une sorte de modèle avec lequel vous pouvez interagir et qui vous aide à comprendre la solution à un problème ou à modéliser quelque chose.

Natasha Allen

Dernière question : si les organisations envisagent de proposer ou d'adopter des LLM cloisonnés, quelles mesures devraient-elles prendre, selon vous, pour maximiser les avantages tout en minimisant les risques, dont vous avez déjà évoqué certains précédemment en ce qui concerne les hallucinations ?

Aaron Erickson

Je pense qu'il est très facile de s'attendre à ce que ce soit magique, et je pense donc qu'il faut modérer un peu ses attentes. Je pense qu'il existe de nombreuses expériences vraiment intéressantes que vous pouvez mener sans avoir à faire un gros investissement initial. L'un des principaux avantages de l'utilisation de l'API d'OpenAI ou de certaines API d'autres organisations est que vous pouvez expérimenter ce qui est possible. Vous pouvez explorer l'art du possible, ce qui vous aide à comprendre que si vous pouvez faire très bien une petite chose et la faire sur le LLM de quelqu'un d'autre, vous comprenez comment vos propres données pourraient vous aider à prendre cette décision. C'est ainsi que vous commencez à construire l'argumentaire économique pour faire ce genre de choses. C'est là que réside une partie de la valeur. Je pense que ce serait une erreur pour la plupart des organisations de dire : « Oh, je dois créer mon propre GPT5 ». Certaines le feront, n'est-ce pas ? Je peux imaginer que dans les cinq prochaines années, certaines entreprises diront : « Hé, j'ai besoin d'avoir le plus intelligent de tous. Je veux être compétitif de cette manière. Pas contre OpenAI, mais une entreprise automobile contre une autre entreprise automobile. Je pense qu'il y a beaucoup de gros investissements de ce type. Je pense également que, comme dans tout autre secteur, il y aura énormément de gaspillage, soit parce que les gens ne comprendront pas ce dont ils sont capables, soit parce qu'ils s'attendront à des réponses exactes et ne toléreront aucune erreur, même minime, dans les données, ce qui revient à mal comprendre les capacités d'un LLM. Même le meilleur GPT5 aura probablement encore des hallucinations de temps en temps, et nous aurons toujours besoin d'un humain dans la boucle pour tout ce qui est vital. Je pense que ce sont là quelques-uns des points clés.

Comme je l'ai mentionné à propos de la sécurité, je répète qu'il est essentiel de bien connaître les données sur lesquelles un LLM donné a été formé. Et de commencer à réfléchir au fait que, peut-être, nous avons besoin de plusieurs LLM, voire de dizaines, tout comme nous pouvons avoir des dizaines d'employés qui connaissent très bien leur domaine. En fait, nous les formons sur ce récit, et vous pourriez même réaliser des économies et ne pas avoir à développer des LLM généraux très coûteux. Vous pouvez les former à leur fonction très spécifique et créer presque des LLM coordinateurs, tout comme votre vice-président senior qui coordonne les activités de ses subordonnés, créant ainsi votre propre structure organisationnelle à partir de cerveaux synthétiques et non biologiques.

Natasha Allen

Très intéressant. Eh bien, c'était ma dernière question. Je pense que cette discussion a été très enrichissante. Je vous remercie d'avoir pris le temps de nous parler et de discuter de certaines des décisions les plus pointues à prendre lorsque l'on traite avec les LLM, les outils d'IA, et de ce que pourrait être la prochaine frontière. Merci à tous d'avoir été avec nous, et à la prochaine fois.

Le podcast « Innovative Technology Insights » de Foley & Lardner se concentre sur les innovations diverses qui façonnent le paysage commercial, réglementaire et scientifique actuel. Avec des invités issus de domaines variés, allant de l'intelligence artificielle à la génomique, nos discussions examinent non seulement les implications juridiques de ces changements, mais aussi leur impact sur notre vie quotidienne.