L’avenir et le présent à la fois
L’intelligence artificielle (IA) est déjà utilisée dans de nombreuses applications. Actuellement, chercheurs et développeurs travaillent de manière intensive pour améliorer l’utilisation des modèles de fondation (Foundation Models).
L’intelligence artificielle (IA) est-elle une technologie futuriste encore lointaine ? La réponse à cette question est à la fois « oui » et « non ». Non, car certaines applications de l’IA font depuis longtemps partie de notre quotidien : on parle ici, par exemple, de la reconnaissance faciale permettant de déverrouiller un smartphone, des services de traduction capables de traduire textes et documents en un temps record et avec une précision quasi parfaite dans de nombreuses langues ou encore des systèmes de chatbot comme ChatGPT ou Copilot, utilisés aujourd’hui par des élèves et des étudiants pour rédiger leurs travaux d’une toute nouvelle manière.
Voici trois exemples d’applications informatiques qui ne reposent pas sur une programmation classique de type « si-alors », mais sur des données d’entraînement massives et des méthodes d’apprentissage supervisées ou par renforcement, ainsi que sur des algorithmes utilisant souvent des réseaux neuronaux très complexes. Le résultat d’un algorithme d’IA n’est jamais un « 0 » ou un « 1 » absolu. L’IA fournit toujours une probabilité indiquant dans quelle mesure une prévision calculée est correcte. La perfection à 100 % n’est jamais atteinte. L’intelligence artificielle se trompe toujours, ne serait-ce qu’un peu. Cette caractéristique exige une approche critique des résultats, sans pour autant nier le potentiel immense de cette technologie émergente. Seule l’IA peut proposer des solutions pragmatiques à des problématiques extrêmement complexes. Les applications de l’IA ressemblent davantage à un collègue intelligent, qui sait beaucoup de choses mais se trompe parfois.
L’IA a également fait son entrée dans la logistique. Il y a plus de six ans déjà, le laboratoire Dachser Enterprise Lab de l’Institut Fraunhofer IML a commencé à développer des algorithmes capables de prévoir les volumes de tonnage sur le réseau de transport de groupage de Dachser 25 semaines à l’avance. Une technologie de reconnaissance d’image a également été mise au point pour identifier, localiser et mesurer en temps réel les colis dans les entrepôts de groupage. Chez Dachser, des logisticiens et experts en processus collaborent avec des mathématiciens et développeurs de logiciels pour mettre sur pied le concept de base, éprouvé depuis quelques années, de la stratégie de déploiement de l’IA pour le groupe.
De nouvelles possibilités inattendues
Cependant, l’intelligence artificielle reste également une technologie d’avenir. Les nouveaux modèles ouvrent sans cesse des possibilités inattendues, notamment les modèles de fondation de l’IA générative. Ces algorithmes massifs, entraînés sur d’énormes quantités de données issues d’Internet, peuvent comprendre et créer textes et images. Les grands modèles linguistiques (Large Language Models, LLM), comme ChatGPT, donnent l’impression d’une « intelligence » apparente. Cependant, il ne s’agit en réalité que d’une fonction mathématique qui prédit des séquences de mots cohérentes.
Modèles de fondation en IA : Un modèle de fondation dans le secteur de l’intelligence artificielle (IA) désigne un modèle volumineux et déjà pré-entraîné, basé sur des ensembles de données importants et utilisable pour une multitude de tâches. Il existe différentes catégories de modèles de fondation, notamment les grands modèles linguistiques (Large Language Models, LLM) et les modèles de traitement visuel. Les LLM, tels que « GPT-4 » d’OpenAI, « Gemini » (anciennement appelé Bard) ou « Bert » de Google, ainsi que « Llama3 » de Meta, sont spécialisés dans la compréhension et la génération de langages naturels. Les modèles visuels, comme Sora et DALL-E d’OpenAI, sont conçus pour générer des vidéos et des images à partir de simples instructions textuelles (appelées « prompts »). Ces modèles de fondation servent souvent de base pour des applications spécialisées, en étant adaptés à des tâches ou des ensembles de données spécifiques.
Les résultats de ces modèles sont impressionnants, mais leurs possibilités restent encore loin d’être pleinement exploitées. En robotique, par exemple, des expérimentations sont en cours pour piloter et contrôler des véhicules autonomes grâce aux modèles de base. Ces avancées pourraient permettre aux robots de mieux gérer des tâches complexes, telles que le traitement du langage naturel, la reconnaissance d’images et d’objets, ainsi que la navigation autonome. Ces modèles donnent aux robots la capacité d’apprendre à partir de grandes quantités de données et de s’adapter à de nouveaux environnements et de nouvelles missions, augmentant ainsi leur flexibilité et leurs possibilités d’utilisation. On saura bientôt si ces modèles permettront de piloter des véhicules autonomes dans les entrepôts de manière plus intuitive et efficace. Ce sujet fait l’objet de recherches intensives à l’échelle mondiale.
RAG : des recherches plus fiables grâce à l’IA
Un domaine-clé du développement de l’IA est la génération augmentée par recherche (Retrieval-Augmented Generation, RAG), qui vise à améliorer la qualité des résultats des grands modèles de fondation. En pratique, la RAG associe les LLM à des sources de données et de connaissances de grande qualité, spécifiques au domaine d’utilisation. Cette méthode empêche un LLM de générer un résultat erroné lorsqu’il ne peut pas calculer une solution avec une probabilité de précision élevée. Ce phénomène, appelé « hallucination », peut souvent miner la confiance des utilisateurs dans l’intelligence artificielle.
La poursuite des recherches dans le secteur de l’intelligence artificielle promet de nombreuses nouvelles applications. Les entreprises comme Dachser doivent trouver le juste équilibre entre l’utilisation d’applications d’IA standardisées et le développement de solutions sur mesure. Pour des processus logistiques spécifiques, les modèles d’IA doivent être entraînés avec des données internes à l’entreprise car les informations générales disponibles sur Internet ne suffisent pas. Parallèlement, il est essentiel de considérer les coûts, notamment pour les modèles d’IA nécessitant une puissance de calcul importante, ainsi que de respecter le cadre juridique de l’Union européenne pour les applications d’IA (AI Act). Économie et société ne font que commencer à exploiter cette technologie en pleine évolution, qui s’accompagne de nombreux défis.
Auteur : Andre Kranke, Head of Corporate Research & Development chez DACHSER