De ChatGPT au déploiement privé des grands modèles d'IA, qui est vraiment le sauveur technologique pour les entreprises ?
TechFlow SélectionTechFlow Sélection
De ChatGPT au déploiement privé des grands modèles d'IA, qui est vraiment le sauveur technologique pour les entreprises ?
État actuel et potentiel de développement du déploiement privé des grands modèles d'intelligence artificielle.
Dédié à des analyses Web3 approfondiesMeta a récemment lancé LLaMa2, un grand modèle de langage naturel gratuit, open source et utilisable à des fins commerciales, comparable à GPT-3.5. En plus d'annoncer que LLaMa2 serait gratuit, open source et disponible pour usage commercial, Meta a également publié certaines données relatives à LLaMa2. Concernant les versions paramétriques, trois variantes sont proposées : 7 milliards, 13 milliards et 700 milliards de paramètres.
Alors que des modèles linguistiques de grande taille tels que LLaMa2 transforment de plus en plus de domaines productifs, la manière dont les entreprises peuvent appliquer ces grands modèles et déployer l’IA en environnement privé devient un sujet de plus en plus discuté. Récemment, des entreprises centrales et des clients industriels dotés de ressources financières importantes cherchent activement des solutions de déploiement privé de grands modèles afin d’aider leurs secteurs respectifs à construire des modèles spécialisés basés sur des données industrielles spécifiques. Il s'agit là d'une autre voie vers la concrétisation commerciale des grands modèles, offrant un potentiel de marché substantiel.
De nombreuses sociétés peuvent aujourd'hui se positionner sur le déploiement privé de grands modèles d’IA. Par exemple, Contextual AI mène des recherches technologiques sur la génération améliorée assistée (RAG) pour un déploiement privé en entreprise ; Cohere entraîne des modèles selon les besoins des clients ; Reka propose une technologie de distillation de modèles qui fournit aux clients une plateforme privée de pointe en matière de capacité de codage, augmentant considérablement l'efficacité du développement des entreprises. R3PO décortique ici ce secteur et partage avec vous l’état actuel et le potentiel de développement du déploiement privé des grands modèles d’IA.
1. L’avenir numérique des entreprises repose sur le déploiement privé des grands modèles d’IA
De nombreuses grandes entreprises traditionnelles, en raison notamment de préoccupations liées à la sécurité des données, ne peuvent pas utiliser les services d’IA basés sur le cloud public. Pourtant, leurs capacités techniques fondamentales en IA sont faibles, elles manquent de compétences et de talents accumulés, tandis que la transformation intelligente constitue une nécessité impérieuse — voire urgente — pour ces entreprises. Dans ce contexte, faire appel à des entreprises technologiques spécialisées dans l’IA pour mettre en œuvre un déploiement privé d’une plateforme interne d’IA (« AI Middle Platform ») représente une stratégie économique et efficace.
Lors d’une conférence récente, Tang Daosheng de Tencent a indiqué : « Les grands modèles généraux peuvent résoudre 70 % à 80 % des problèmes dans 100 scénarios différents, mais ils ne parviennent pas nécessairement à répondre pleinement aux besoins spécifiques d’un cas d’usage particulier au sein d’une entreprise. » En effet, les grands modèles généraux sont généralement formés à partir de vastes corpus de documents publics et d’informations issues du web, ce qui leur fait défaut en connaissances spécialisées et données sectorielles. Ils présentent donc des lacunes en termes de précision et d’adaptation sectorielle. Or, les utilisateurs attendent des entreprises des services professionnels de haute qualité, avec une tolérance très faible aux erreurs. Une information erronée diffusée publiquement par une entreprise pourrait avoir de graves conséquences. En affinant un grand modèle sectoriel à l’aide de leurs propres données, les entreprises peuvent développer des services intelligents hautement opérationnels. De plus, comparé aux grands modèles généraux, les modèles spécialisés disposent de moins de paramètres, ce qui réduit les coûts d’entraînement et d’inférence, tout en facilitant leur optimisation.
Par ailleurs, les grands modèles sectoriels et les outils de développement peuvent être déployés en environnement privé, couplés à une gestion fine des permissions et à un chiffrement des données, afin de prévenir toute fuite d’informations sensibles. En outre, l’application des grands modèles à des scénarios concrets nécessite une série d’étapes telles que la conception d’algorithmes et le déploiement de modèles, chacune devant être exécutée sans erreur. Ces modèles doivent être continuellement itérés et ajustés, ce qui requiert des outils systématisés et ingénierisés.
2. Quelle est l’importance du déploiement privé des grands modèles d’IA ?
Récemment, Reka, une société offrant des services de traitement personnalisé de grands modèles aux entreprises, a levé 58 millions de dollars, reflétant une croissance progressive de ce marché axé sur le déploiement privé des modèles d’IA.
Bien que des modèles linguistiques comme GPT-4 soient extrêmement performants pour analyser et générer du texte, leur coût d’entraînement est élevé et leur adaptation à des domaines verticaux s’avère difficile. Ainsi, ils peinent encore à accomplir des tâches spécifiques, telles que rédiger des textes publicitaires conformes au style d’une marque. Leur caractère « généraliste » devient alors un handicap.
Face à cette difficulté d’intégration entre les applications verticales et l’IA, les solutions de déploiement privé des modèles apparaissent comme la solution privilégiée. Le déploiement privé consiste à transférer la technologie d’IA des plateformes cloud publiques vers l’infrastructure privée de l’entreprise. Cette approche offre un meilleur contrôle sur la sécurité et la confidentialité des données, tout en permettant une personnalisation plus poussée des applications d’IA. Ce type de déploiement implique généralement la mise en place d’une infrastructure IA interne, des capacités de stockage et de traitement des données, ainsi que la présence de personnel spécialisé pour gérer et maintenir le système.
Dans sa présentation des avantages clés du déploiement privé des modèles d’IA, Reka met principalement en avant cinq aspects :
1. Renforcement de la confidentialité et de la sécurité des données
En déployant les systèmes d’IA à l’intérieur même de l’entreprise, les données sensibles n’ont pas besoin de quitter les limites sécurisées de l’organisation, réduisant ainsi les risques de fuites ou de vulnérabilités. Cela accroît la fiabilité et la protection lors du traitement de tâches impliquant des informations confidentielles.
2. Personnalisation accrue et flexibilité améliorée
Le déploiement privé permet aux organisations de personnaliser les applications d’IA selon leurs besoins spécifiques. Cette capacité de personnalisation aide les entreprises à mieux s’adapter à des scénarios métier particuliers, tout en leur permettant des ajustements et extensions flexibles selon les exigences.
3. Hautes performances et faible latence
Déployer les systèmes d’IA sur l’infrastructure interne de l’entreprise permet d’accélérer le transfert et le traitement des données. Ceci est crucial pour les activités nécessitant des prises de décision en temps réel et des réponses rapides, renforçant ainsi l’efficacité globale et la compétitivité.
4. Amélioration de l’efficacité économique
Bien que le déploiement privé nécessite un investissement initial, il peut générer des économies significatives à long terme. Comparé à une dépendance prolongée vis-à-vis des plateformes cloud publiques, cette solution réduit les coûts d’exploitation et permet un meilleur contrôle budgétaire.
5. Gouvernance des données et conformité réglementaire
Le déploiement privé permet aux entreprises un meilleur contrôle sur la gouvernance des données, facilitant ainsi le respect des réglementations et des exigences de conformité. Cela revêt une importance particulière dans les secteurs soumis à des contraintes strictes concernant la protection de la vie privée et l’utilisation légale des données.
3. Personnalisation et optimisation : la technologie de distillation de modèles de Reka ouvre d’immenses perspectives pour les modèles recommandés aux entreprises
Reka a été fondée par des chercheurs issus de DeepMind, Google, Baidu et Meta. Actuellement financée principalement par DST Global Partners et Radical Ventures, la société bénéficie également du soutien stratégique de Snowflake Ventures, ainsi que d’investisseurs comme Nat Friedman, ancien PDG de GitHub.
Reka a déjà développé son premier produit commercial, Yasa. Bien que cet outil n’ait pas encore atteint tous ses objectifs initiaux, il marque déjà une avancée notable dans le domaine des modèles personnalisés. Selon Yogatama, Yasa est un assistant d’IA multimodal capable, après entraînement, de comprendre non seulement des mots et des phrases, mais aussi des images, vidéos et tableaux de données. Il peut générer des idées, répondre à des questions simples, et fournir des analyses basées sur les données internes de l’entreprise.
Contrairement à des modèles comme GPT-4, Yasa peut facilement être adapté à des données propriétaires et à des applications spécifiques. En plus du texte, c’est un assistant d’IA multimodal capable de traiter des images, vidéos et tableaux après entraînement. Comme l’explique Yogatama, il peut servir à générer des idées, répondre à des questions élémentaires, et extraire des enseignements à partir des données internes de l’entreprise.
La prochaine étape pour Reka consiste à orienter ses efforts vers des intelligences artificielles capables de recevoir et produire davantage de types de données, tout en s’améliorant continuellement et en restant à jour sans nécessiter de nouvel entraînement. À cet effet, Reka propose un service permettant à ses modèles de s’adapter à des jeux de données personnalisés ou propriétaires. Les clients peuvent ensuite exécuter ces modèles personnalisés soit sur leur propre infrastructure, soit via l’API de Reka, selon les contraintes de l’application ou du projet.
4. Le marché du déploiement privé des grands modèles d’IA est en plein essor
Grâce à leurs avantages en termes d’efficacité des ressources, de performance en temps réel, de personnalisation et d’interprétabilité, les technologies de déploiement privé des modèles d’IA apportent une efficacité et une flexibilité accrues aux grands modèles de recommandation, améliorant ainsi les performances des systèmes de recommandation et l’expérience utilisateur.
En somme, de nombreuses entreprises progressent sur la voie des modèles d’IA personnalisés, offrant ainsi à chaque entreprise la possibilité de devenir une entreprise dotée d’IA sans avoir à construire un modèle depuis zéro. Manifestement, avec l’évolution de cette tendance, la taille du marché des modèles d’IA privés ne cessera de croître.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
R3PO
