Technologies

Selon Gartner, les petits modèles d'IA vont supplanter les LLM

Les LLM offrent certes une large palette de capacités linguistiques. Mais leur précision diminue sur des tâches nécessitant des connaissances spécifiques ou un contexte lié à un métier. (Photo : Growtika/Unsplash)

Les beaux jours des LLM semblent comptés. D'ici 2027, les entreprises utiliseront trois fois plus souvent les SLM que des grands modèles généralistes, selon le cabinet.

PublicitéSelon le cabinet d'études Gartner, les petits modèles d'IA adaptés à des tâches spécifiques gagnent du terrain. Selon les prévisions, d'ici 2027, les usages des SLM (Small Language Models) en entreprises seront au moins trois fois supérieurs à ceux des modèles linguistiques généraux (Large Language Models, LLM).

Selon Gartner, plusieurs raisons expliquent cette évolution. Les LLM offrent certes une large palette de capacités linguistiques. Mais, d'un autre côté, leur précision diminue lorsqu'il s'agit de tâches nécessitant des connaissances spécifiques ou un contexte lié à un domaine d'activité particulier.

Moins de puissance de calcul

Sumit Agarwal, vice-président au sein du Gartner, explique : « la diversité des tâches dans les processus métiers et le souhait d'une plus grande précision conduisent les entreprises à recourir de plus en plus à des modèles spécialisés, entraînés pour des fonctions données ou sur des bases de données spécifiques à un domaine ». Selon lui, les SLM fournissent non seulement des réponses plus rapides, mais nécessitent également moins de puissance de calcul - ce qui devrait réduire considérablement les coûts d'exploitation et de maintenance.

Selon Gartner, les entreprises peuvent adapter les modèles linguistiques généraux à leurs besoins, à l'aide du Retrieval-Augmented-Generation (RAG) ou de techniques comme le fine tuning, et développer ainsi des modèles spécialisés. La base de données interne à l'entreprise devient alors un avantage concurrentiel décisif. Toutefois, cela nécessite une préparation minutieuse des données, des contrôles de qualité, un versioning ainsi qu'une gestion globale des données. Ce n'est qu'à ce prix que l'on peut garantir que les données sont disponibles dans la structure nécessaire pour une opération de fine tuning.

Monétiser ses modèles d'IA ?

Un effort qui, selon Agarwal, devrait être récompensé à l'avenir : « comme les entreprises apprécient de plus en plus la valeur de leurs données internes et des connaissances qui en découlent, on peut s'attendre à ce qu'elles commencent à monétiser leurs modèles - et à les utiliser non seulement en interne, mais aussi à les rendre accessibles à des clients et même à leurs concurrents ».

Pour l'analyste, cela marquera un changement dans l'utilisation des connaissances : au lieu d'être fortement protégées comme jusqu'à présent, les données et le savoir-faire pourraient à l'avenir être utilisés de manière plus ouverte et coopérative. En outre, la commercialisation des modèles propriétaires n'ouvre pas seulement de nouvelles sources de revenus aux entreprises, mais favorise également le développement d'un écosystème plus interconnecté.

3 recommandations pour déployer de petits modèles

PublicitéGartner recommande aux entreprises qui souhaitent mettre en oeuvre de petits modèles d'IA spécifiques à une tâche de suivre les recommandations suivantes :

- Cibler les déploiements
Les petits modèles spécialisés devraient être utilisés de manière ciblée dans les domaines où les connaissances spécialisées sont décisives ou dans lesquels les LLM généraux n'ont pas convaincu en termes de qualité ou de vitesse de réponse.

- Miser sur des approches combinées :
Les cas d'application dans lesquels un seul modèle ne suffit pas doivent être identifiés. Misez alors plutôt sur une interaction entre plusieurs modèles et étapes dans le processus.

- Prioriser la qualité des données et les compétences
Investissez dans la préparation ciblée des données - par la collecte, la curation et l'organisation - afin de créer la base d'un fine tuning réussi. Parallèlement, les professionnels de différents domaines tels que l'architecture data et IA, la Data Science, l'ingénierie data, la gestion des risques et de la conformité, les achats ainsi que les départements spécialisés devraient bénéficier d'une formation continue ciblée afin de faire avancer efficacement ces initiatives.