Joe Rose, président du fournisseur de technologie stratégique JBS Dev, souhaite briser l’un des mythes liés au travail avec des systèmes d’IA génératifs et agentiques. « On croit souvent à tort que vos données doivent être parfaites avant d’effectuer l’un de ces types de charges de travail », explique-t-il.
Comme le souligne un article récent d’AI Fieldbook, les fournisseurs et les consultants suggèrent – sans surprise – que vous avez respectivement besoin d’énormes lacs de données et de programmes de transformation de données sur plusieurs années. Les dirigeants se grattent donc la tête. La réalité est légèrement différente. « Les outils n’ont jamais été aussi performants qu’aujourd’hui pour traiter des données de mauvaise qualité », explique Rose. « C’est presque remarquable ce qu’un LLM peut comprendre à partir d’une invite à moitié écrite. »
Cela a du sens. Si vous disposez d’un tel outil, cela vaut la peine de l’utiliser à votre avantage – avec les garde-corps appropriés en place. L’imprévisibilité inhérente des modèles signifie qu’il faut gérer les mauvais résultats, et c’est là qu’intervient l’humain dans la boucle. Pour les données textuelles ou catégorielles, une résilience est en place. « Les gens sont… habitués à dire ‘on le construit, ça marche, on l’oublie’ », explique Rose. « Ce n’est tout simplement pas ainsi que fonctionnent ces systèmes. »
Concernant les données imparfaites, Rose donne l’exemple d’un client du secteur médical dont l’objectif était de migrer vers un autre système de rapprochement de facturation. Les disques étaient un mélange ; certains étaient en PDF, d’autres en image ; la procédure était parfois au nom du médecin, le nom du médecin était au nom du patient, etc. La génération AI a pu analyser les données propres à partir d’une simple invite, de l’OCR aux images en passant par l’extraction de texte pour les PDF, tandis que des approches plus agents ont ensuite été exploitées, comme comparer un dossier client à un contrat d’assurance pour voir s’ils étaient facturés au bon tarif.
« Vous commencez à superposer différents cas d’utilisation », explique Rose. « Cela ne veut pas dire que tout va bien – vous avez toujours besoin d’un humain dans la boucle. Mais ce que vous voulez faire, c’est dire : « Nous avons commencé avec 20 % d’automatisation, puis 40 %, puis 60, 80 % », et augmenter ce chiffre au fil du temps.
À l’avenir, Rose s’attend à ce que les discussions futures sur ces modèles portent sur le coût et la portabilité. « Je pense que vous allez assister à un abandon de ces avancées radicales et de ces capacités de modèle, et davantage vers « comment rendre les coûts plus durables afin de ne pas avoir à construire des centres de données au rythme où nous construisons des centres de données ? » », dit-il.
« Le dernier kilomètre consiste à se demander comment faire fonctionner ces éléments sur un ordinateur portable ou un téléphone au lieu de devoir les exécuter dans un centre de données ? Les modèles ont été formés sur un ensemble de données – essentiellement chaque page d’Internet et d’autres éléments. Ce n’est pas comme s’il y avait une tonne de données supplémentaires qui n’avaient pas déjà été intégrées et qui pourraient conduire à une sorte de percée.
À l’AI & Big Data Expo, à laquelle JBS Dev participe, Rose attend avec impatience les conversations – et une autre opinion controversée qu’il exprimera est de dire aux gens d’arrêter d’acheter auprès de fournisseurs SaaS quand vous pouvez le faire vous-même. « Ce n’est pas aussi difficile qu’il y paraît », dit-il. « Presque tout le monde a une certaine forme de présence dans le cloud, et c’est par là que je commencerais, car les outils cloud, en particulier pour les trois grands… ont tout ce dont vous avez besoin pour commencer à mettre en œuvre des charges de travail agentiques demain, sans nouvelles licences logicielles ni nouvelles formations.
Une fois que cela est en place, JBS Dev est là pour les prochaines étapes du voyage.
Regardez l’interview complète de Rose ci-dessous :
Image parGerd Altmann de Pixabay
