IA prédictive et IA générative

L'intelligence artificielle (IA) générative utilise des données pour créer des contenus, tandis que l'IA prédictive utilise des données pour prévoir ou déduire une prédiction hautement probable d'un événement futur. C'est pourquoi nombre d'entreprises s'enthousiasment à l'idée d'utiliser l'IA à leur avantage.

L'IA générative et l'IA prédictive ont différentes caractéristiques et utilisations. Dans un contexte d'évolution continue, il est important de savoir distinguer ces deux types d'IA pour mieux comprendre leurs capacités spécifiques.

Découvrir Red Hat AI

Ces deux types d'IA sont capables d'imiter, mais surtout d'accroître les facultés intellectuelles humaines. Ces systèmes d'apprentissage automatique (AA) peuvent apprendre des connaissances et les exploiter pour faciliter la résolution des problèmes.

De la même manière que nous accumulons d'innombrables souvenirs et histoires au cours de notre vie, les modèles sont entraînés avec de grands volumes de données dans l'objectif de générer un résultat. Qu'il s'agisse d'art, d'écriture ou de développement d'algorithmes de codage, nos créations sont sans doute fortement influencées par ce que nous avons vu, entendu ou appris par le passé. Il en est de même pour les modèles d'IA, qui reconnaissent et reproduisent des schémas pour fournir un résultat.

IA générative

L'IA générative utilise des données existantes, comme du texte ou du code, pour créer des contenus en fonction de l'instruction qui lui a été donnée. Par exemple, une IA générative entraînée avec des contenus issus de livres pourra créer une histoire originale lorsqu'un utilisateur le lui demandera. Selon les informations dont elle dispose, elle pourra fournir des réponses, terminer une phrase ou traduire un paragraphe. Plusieurs instructions et petites modifications peuvent être nécessaires pour obtenir un résultat idéal. C'est là que des méthodes telles que le réglage fin et la génération augmentée de récupération entrent en jeu.

Les modèles d'IA générative utilisent l'apprentissage profond, une technique d'apprentissage automatique, pour analyser et interpréter de grandes quantités de données. Ensuite, ils utilisent des réseaux de neurones, qui permettent de traiter des informations comme le font les systèmes neuronaux biologiques, à l'image des connexions du cerveau humain. L'IA s'appuie sur cette méthode pour connecter des informations apparemment sans aucun rapport.

IA prédictive

Les prédictions statistiques n'ont rien de nouveau. Elles sont utilisées dans de nombreux outils, tels que des moteurs de recommandations de contenus sur des plateformes de vidéo à la demande ou d'écoute de musique. Cependant, les récentes innovations dans le domaine de l'apprentissage automatique ont rendu cette technologie plus rapide et plus performante.

Les logiciels d'AA exploitent de grandes quantités de données (on parle parfois de « Big Data ») pour mettre en relation des schémas, des événements historiques et, bien souvent, des informations en temps réel, dans le but de prévoir des résultats futurs avec une très grande précision. Pour ce faire, l'IA prédictive utilise des méthodes statistiques de pointe afin de stocker de grands ensembles de données et de les relier au fil du temps. Nombreuses et diverses, ces données permettent au modèle de formuler des prédictions d'une haute précision sur les événements à venir. Ce sont ces fonctionnalités qui distinguent les modèles d'IA de l'intelligence humaine telle que nous la connaissons. 

Ces deux types de modèles d'IA peuvent aider les entreprises à gagner du temps, à réduire les coûts et à optimiser leurs ressources. Ils offrent cependant différents avantages en matière de résultats et d'explicabilité.

Pour optimiser ses résultats, l'IA générative a besoin de grandes quantités de données qui lui permettront de créer des contenus créatifs originaux. La précision de ces données n'empêchera pas nécessairement le modèle de formuler une réponse. 

De son côté, l'IA prédictive a besoin de données de haute qualité pour formuler des prédictions fiables. En toute logique, plus le logiciel d'AA est entraîné avec des données fiables, plus les résultats seront justes.

Tandis qu'il est presque impossible de comprendre comment une IA générative est parvenue à un résultat, une IA prédictive va se baser strictement sur les statistiques et autres données qui l'ont alimentée pour fournir ses résultats. Dans certains cas, les utilisateurs peuvent retracer son parcours logique pour comprendre comment elle est parvenue au résultat en question.

L'un des risques souvent associés à l'IA générative est la possibilité de non-respect des lois sur la propriété intellectuelle ou de plagiat. Lorsqu'un tel modèle crée des contenus (musique, texte ou art), il peut malencontreusement générer un résultat qui ressemble à une œuvre existante. Si cette œuvre a déjà un propriétaire, le modèle d'IA s'expose à ce risque. Pour éviter cette situation, il est possible d'avoir recours à un modèle Open Source qui fournit les données utilisées pour l'entraînement.

Un autre risque relativement fréquent est celui des hallucinations. Lorsque les modèles d'IA ne sont pas certains de leur réponse, ils utilisent les informations dont ils disposent pour formuler un résultat. Parfois, le modèle n'a pas suffisamment d'informations pour fournir une réponse exacte. Par exemple, lorsqu'une IA est entraînée de sorte à prévoir l'évolution d'une séquence, elle tente de combler le manque d'informations. Or, si elle n'a pas suffisamment de données, le résultat peut être incorrect. 

L'un des risques les plus importants associés à l'IA prédictive est celui des biais. Bien que les biais puissent également se produire avec l'IA générative, leur influence sur l'IA prédictive peut avoir de graves conséquences sur les résultats, qui peuvent devenir inexploitables. Pour entraîner un modèle d'IA prédictive, les données doivent être de haute qualité et étiquetées, afin que les prédictions formulées soient fiables. Si certaines données sont anciennes, obsolètes ou biaisées, la précision du modèle diminuera. Par exemple, un algorithme d'IA prédictive peut reproduire des biais racistes ou sociaux déjà présents dans les ensembles de données. Ce phénomène peut avoir de graves conséquences dans le monde réel, car il risque par exemple de biaiser des processus de recrutement ou d'approbation de crédits.

Un autre risque à prendre en compte pour l'IA prédictive est celui de l'incertitude. Bien que l'intelligence artificielle soit capable de formuler des prédictions correctes, elles ne seront jamais certaines à 100 %. Toute utilisation de l'IA prédictive présente des risques, et il convient de ne pas se fier totalement aux résultats.

Pour rappel, l'augmentation de la quantité de données ne va pas forcément permettre d'améliorer les résultats. Il est plus important que les données utilisées dans le cadre de l'entraînement soient de bonne qualité.

L'IA générative est de plus en plus utilisée pour générer du code, réaliser rapidement des analyses approfondies et rationaliser des tâches répétitives. De nombreuses applications d'IA générative ont vu le jour ces dernières années, notamment ChatGPT et DALL-E d'OpenAI, GitHub CoPilot, Bing Chat de Microsoft, Gemini de Google, Midjourney, Stable Diffusion et Adobe Firefly.

Voici quelques cas d'utilisation possibles de cette technologie.

Génération et achèvement de code : à partir d'une instruction écrite, certains outils d'IA générative peuvent produire du code informatique à la demande pour aider les équipes de développement de logiciels. Ils peuvent également aider les développeurs débutants à enrichir leur expérience en leur proposant des exemples et des explications de code d'un niveau plus avancé.

Augmentation des données : l'IA générative permet de créer une grande quantité de données synthétiques lorsqu'il est impossible ou déconseillé d'utiliser des données réelles. Ces données synthétiques peuvent par exemple être utilisées pour entraîner un modèle à comprendre des données médicales, sans inclure de données à caractère personnel sur les patients. Elles peuvent aussi servir à combler les lacunes d'un ensemble de données incomplet ou de petite taille, afin d'obtenir un échantillon plus grand.

Rédaction : les systèmes d'IA générative sont capables d'imiter efficacement la rédaction humaine. Ils parviennent à créer des contenus en répondant à des instructions sur presque tout type de sujet. L'IA peut aussi bien rédiger un e-mail à envoyer à un responsable dans un cadre professionnel qu'écrire un chapitre de roman.

Génération audio (discours et musique) : à partir d'un texte écrit et de l'enregistrement audio de la voix d'une personne, les outils vocaux basés sur l'IA générative sont capables de créer un discours ou un chant reproduisant les sons émis par l'homme. D'autres outils peuvent créer de la musique à partir d'instructions génératives ou d'extraits.

Génération de vidéos et d'images : les outils d'édition d'images basés sur l'IA générative produisent des images à partir d'instructions génératives en lien avec de nombreux sujets et aux styles variés. Plus l'instruction générative est détaillée, plus l'image ou la vidéo sera de bonne qualité. Certains outils, comme Generative Fill dans Adobe Photoshop, peuvent même ajouter des éléments à des œuvres existantes, par exemple Winnie l'ourson dans un tableau de Van Gogh.

En savoir plus sur les cas d'utilisation de l'IA/AA

L'IA prédictive permet de se faire rapidement et précisément une idée des tendances de l'année dans un secteur d'activité donné, à des fins d'anticipation. C'est la raison pour laquelle l'IA prédictive est de plus en plus utilisée au sein des entreprises : celles-ci cherchent à se préparer aux événements à venir afin de poursuivre intelligemment et efficacement leur croissance.

Voici quelques cas d'utilisation de l'IA prédictive.

Services financiers : l'IA prédictive peut être utilisée pour identifier des opportunités ou des dangers, par exemple les risques associés à des activités bancaires, d'investissement ou d'assurance. Si la prédiction est formulée suffisamment à l'avance, les entreprises ont le temps d'anticiper pour protéger leurs actifs et leur clientèle.

Distribution : l'IA prédictive peut prévoir des événements, même lorsqu'il s'agit de comportements humains. Les commerces peuvent s'en servir pour prévoir les produits que leurs clients sont le plus susceptibles d'acheter, à quel moment et par quel canal. Ils peuvent alors rationaliser leur chaîne d'approvisionnement, leur stratégie marketing et leurs processus tout en anticipant les besoins en personnel.

Santé : l'IA prédictive peut aider à détecter des pathologies plus tôt lorsque des anomalies se retrouvent chez plusieurs patients, ou lorsque le dossier médical d'un patient présente des anomalies spécifiques. En analysant les données d'un patient et les antécédents médicaux, il est possible d'évaluer les risques et d'identifier, puis de traiter les pathologies plus tôt.

Chaîne d'approvisionnement : l'IA prédictive peut identifier des schémas qui se répètent dans l'inventaire afin de détecter les produits qui doivent être réapprovisionnés au cours de la semaine, du mois ou de l'année. Elle peut également estimer le temps de trajet nécessaire afin d'optimiser la conservation des produits qui ont besoin d'être stockés à une température précise (notamment les produits surgelés ou pharmaceutiques). 

Notre gamme de produits Red Hat® AI repose sur des solutions que nos clients utilisent déjà en toute confiance. C'est ce qui permet à nos produits de rester fiables, flexibles et évolutifs.

La gamme Red Hat AI offre les avantages suivants :

• Rapidité d'adoption de l'IA et d'innovation
• Simplification de la distribution de solutions d'IA
• Possibilité de déploiement dans tous les environnements

La gamme Red Hat AI donne accès à des plateformes qui proposent aussi bien des outils d'IA générative que prédictive. Nos consultants peuvent également accompagner les entreprises qui créent et déploient des applications d'IA en parallèle des charges de travail essentielles pour leurs cas d'utilisation uniques.

Découvrir Red Hat AI