BLOGAnnounced at MongoDB.local NYC 2024: A recap of all announcements and updates — Learn more >

Qu'est-ce que l'IA Générative

L'année 2023 a été marquée par une profonde mutation avec l'essor de l'IA générative (souvent appelée GenAI). Des applications révolutionnaires pour le contenu générées par l'IA ont émergé et on fait naître le sentiment que l'IA générative modifiera radicalement toutes les industries et tous les secteurs de la société.

Les entreprises cherchent à exploiter tout son potentiel. Si vous êtes concerné, vous devez commencer par comprendre ses subtilités. Dans cet article, nous aborderons notamment les questions suivantes pour vous aider à vous y retrouver :

Après avoir répondu à ces questions, nous verrons comment MongoDB peut aider les entreprises qui cherchent à créer des applications alimentées par l'IA générative.

Commençons par les fondamentaux.

Qu'est-ce que l'IA générative et comment fonctionne-t-elle ?

L' IA générative désigne la branche de l'intelligence artificielle qui se concentre sur la création de contenus nouveaux et uniques,tels que du texte, des arts visuels, de la musique, du code logiciel, etc. Contrairement à l'IA prédictive (ou analytique), qui utilise le machine learning pour analyser des données historiques, identifier des modèles ou des tendances, puis faire des prédictions, l'IA générative va bien au-delà de la simple analyse et de la prédiction ; elle crée.

Prenons l'exemple d'un outil d'IA prédictive entraîné à partir de données relatives à des millions de peintures et à leurs artistes. Face à une œuvre qu'il n'a jamais vue auparavant, il peut être en mesure d'identifier l'artiste. Cependant, un système d'IA génératif peut produire une nouvelle peinture dans le style de l'artiste.

Image générée par l'IA, qui résulte du prompt adressé à DALL-E, formulé comme suit : « une peinture d'un ordinateur inspirée des tableaux de Mondrian »

Image générée par l'IA, qui résulte du prompt adressé à DALL-E, formulé comme suit : « une peinture d'un ordinateur inspirée des tableaux de Mondrian »

L'IA générative est souvent conçue pour imiter l'intelligence et la créativité humaines, ce qui signifie que le contenu généré est pertinent et cohérent dans un contexte donné. Le contenu entièrement nouveau entre en résonance avec les schémas de pensée et d'expression humains. Il peut s'agir d'éléments visuels et d'œuvres d'art de l'IA qu'il est presque impossible de distinguer d'un contenu créé par l'homme. Les résultats d'un outil d'IA générative peuvent être des textes ou des discours. Quoi qu'il en soit, les résultats sont familiers mais originaux, innovants et authentiques.

En créant un contenu contextuel pertinent grâce au raisonnement, les capacités d'IA générative peuvent être appliquées à des tâches commerciales telles que la planification stratégique et les prévisions, la résolution de problèmes et l'analyse par simulation.

Types de modèles d'IA génératifs

Les modèles d'IA sont des ensembles d'algorithmes d'IA qui utilisent le machine learning pour identifier des modèles à partir de données, ce qui leur permet de faire des prédictions ou de générer de nouvelles données qui imitent la structure et le style des données d'origine. L'IA comporte de nombreux types de modèles différents. Le plus connu dans le domaine de l'IA générative est le modèle de fondation.

Ces modèles sont pré-entraînés sur d'énormes quantités de données. Le modèle sert de « fondation » qui peut être adaptée à des tâches spécialisées. Cela leur confère une grande polyvalence, car ils sont capables de s'atteler à de nombreuses tâches différentes. Parmi les exemples, on retrouve le grand modèle de langage (LLM). Le GPT d'OpenAI (qui signifie « transformateur génératif pré-entraîné ») est un grand modèle de langage conçu pour fonctionner avec le langage humain. Les LLM se concentrent sur le traitement du langage naturel et peuvent effectuer des tâches conversationnelles comme les réponses aux questions, les chatbots, la transcription, la traduction, etc.

D’autres types de modèles de fondation se concentrent sur le contenu non textuel. Il s’agit notamment de modèles de fondation visuels qui génèrent des images, tels que Flamingo le DALL-E d’OpenAI ou de modèles de fondation audio tels qu UniAudio ou LLark.

Qu'est-ce que la génération augmentée de récupération (RAG) ?

Un LLM est limité aux informations disponibles jusqu'à la dernière mise à jour de son entraînement. Il ne connaît donc pas les événements ou les développements qui se sont produits depuis. Alors, comment pourrions-nous les exploiter pour prendre en compte les nouvelles données ?

L’une des options consiste à réentraîner ou à affiner les modèles génératifs avec de nouvelles données. Cependant, ce processus peut s'avérer très chronophage et solliciter de nombreuses ressources. La meilleure solution est la génération augmentée de récupération (RAG). Elle permet à un LLM d’extraire dynamiquement des informations externes en temps réel pendant le processus de génération de contenu. Ce faisant, un système d’IA générative interroge une base de données d’informations en temps réel. Les résultats obtenus sont ainsi plus précis, mieux informés et plus pertinents sur le plan contextuel, même si les connaissances requises ne faisaient pas partie des données utilisées à l’origine pour l'entraînement.

Cependant, pour que la RAG puisse extraire efficacement des informations pertinentes et sémantiquement similaires à partir d'un vaste corpus de données, elle s'appuie sur des vector embeddings, c'est-à-dire des représentations numériques des données dans un espace de grande dimension. La meilleure façon de stocker et d'interroger ces intégrations est d'utiliser une base de données vectorielles.

Photo d'Alina Grubnyak sur Unsplash

Photo d' Alina Grubnyak sur Unsplash

La RAG élargit la capacité d'un LLM à rester à jour et polyvalent en générant un contenu de haute qualité. Une citation tirée de cet article résume bien son fonctionnement :

Le RAG comble les lacunes dans les connaissances sur lesquelles le LLM n'a pas été entraîné en transformant essentiellement les réponses aux questions en un « quiz à livre ouvert », ce qui est plus facile et moins complexe que la même tâche ouverte et non limitée.

L'importance de l'IA générative dans l'IA

Le rôle de l'IA générative dans la création de nouveaux contenus apporte un potentiel de transformation à tout ce qui touche à l'IA. Les modèles d'IA génératifs peuvent avoir une utilité dans tous les secteurs, du divertissement à la santé. Les innovations dans la recherche et la technologie de l'IA repoussent sans cesse les limites des capacités et des applications des modèles d'IA générative. Bientôt, leurs capacités deviendront un élément clé de la boîte à outils de l’IA moderne.

Associée à des modèles de diffusion tels que la diffusion stable, GPT permet d'exploiter l'IA générative pour générer des images. Par conséquent, l'art est devenu un marché majeur dans le secteur de l'IA. Certains artistes utilisent en effet l'IA générative pour créer des images réalistes, presque impossibles à distinguer des images naturelles.

Parallèlement, les spécialistes du marketing l'utilisent pour publier des tweets de 180 caractères sur des ventes et les concepteurs pour créer de nouveaux produits. Même les entreprises pharmaceutiques l'exploitent pour mettre au point de nouveaux médicaments.

Image de livres sur une étagère.

Photo par CHUTTERSNAP sur Unsplash

Le rôle des données dans l'IA générative

L'efficacité et la polyvalence de tout système d'IA, y compris les systèmes d'IA générative, dépendent de la qualité, de la quantité et de la diversité des données utilisées pour entraîner ses modèles. Examinons certains aspects clés de la relation entre les données et le modèle d'IA générative.

Données d’entraînement

Les modèles d’IA Générative sont entraînés sur des ensembles de données très volumineux. Un modèle conçu pour le texte peut être entraîné sur des milliards d'articles, tandis qu'un autre modèle conçu pour les images peut être entraîné sur des millions d'images. Pour générer un contenu cohérent et pertinent, les LLM nécessitent de grandes quantités de données d'entraînement au machine learning. Plus les données sont diversifiées et complètes, plus la capacité du modèle à comprendre et à générer un large éventail de contenus s'améliore.

D'une manière générale, plus il y a de données, meilleurs sont les résultats du modèle. Avec un ensemble de données plus important, les modèles d'IA Générative peuvent identifier des modèles plus subtils, ce qui se traduit par des résultats plus précis et nuancés. Toutefois, la qualité des données est également extrêmement importante. Souvent, un petit ensemble de données de haute qualité peut être plus performant qu'un grand ensemble de données moins pertinent.

Données brutes et complexes

Les données brutes, en particulier si elles sont complexes et non structurées, peuvent nécessiter un prétraitement lors des premières étapes du pipeline de données, avant d'être utilisées pour entraîner le modèle. C'est aussi à ce moment-là qu'elles sont validées, afin de s'assurer qu'elles sont représentatives et correctes. Cette étape est essentielle pour éviter les résultats biaisés.

Données étiquetées et données non étiquetées

Les données étiquetées fournissent des informations spécifiques sur chaque point de données (par exemple, une description textuelle accompagnant une image), alors que les données non étiquetées ne comportent pas d'annotations de ce type. Les modèles génératifs fonctionnent souvent bien avec des données non étiquetées, car ils sont encore capables d'apprendre à générer du contenu en comprenant les structures et les modèles inhérents.

Données propriétaires

Certaines données sont propres à une organisation. Il peut s'agir de l'historique des commandes des clients, des indicateurs de performance des employés et des processus métier. De nombreuses entreprises collectent ces données, les rendent anonymes afin d'empêcher les fuites de données à caractère personnel (PII) ou de données de santé (PHI) en aval, puis procèdent à une analyse des données traditionnelles. Ces données contiennent une mine d'informations qui pourraient être davantage exploitées si elles étaient utilisées pour entraîner un modèle génératif. Les résultats obtenus seraient adaptés aux besoins et aux caractéristiques spécifiques de cette entreprise.

Le rôle des données dans la génération augmentée de récupération (RAG)

Comme mentionné ci-dessus, la RAG combine la puissance d'un LLM avec la recherche de données en temps réel. Avec la RAG, vous ne dépendez plus uniquement des données pré-entraînées. Au lieu de cela, vous pouvez exécuter une extraction juste à temps d'informations pertinentes à partir de bases de données externes. Cela permet de s'assurer que le contenu généré est à jour et fiable.

Comment améliorer les modèles d'IA génératifs avec des données propriétaires ?

Lorsque vous travaillez avec des modèles génératifs, l'ingénierie rapide est une technique qui consiste à élaborer des requêtes ou des instructions de saisie spécifiques pour guider le modèle, afin de mieux adapter les résultats ou les réponses. Grâce à la RAG, nous pouvons compléter les invites avec des données propriétaires. Le modèle d'IA génère ainsi des réponses pertinentes et précises en tenant compte des données de l'entreprise. Cette approche est également préférable à l'approche chronophage et gourmande en ressources qui consiste à recycler ou à affiner un LLM à l'aide de ces données.

Défis et considérations

Bien entendu, travailler avec l'IA Générative n'est pas sans défis. Si votre organisation cherche à exploiter le potentiel de l'IA Générative, vous devez garder à l’esprit les questions clés suivantes.

Expertise en matière de données et puissance de calcul massive

Les modèles génératifs nécessitent des ressources substantielles. Tout d’abord, vous avez besoin de l’expertise de data scientists et d’ingénieurs qualifiés. Hormis les entreprises spécialisées dans les données, la plupart des entreprises ne disposent pas d'équipes dotées des compétences nécessaires pour former ou affiner les LLM.

En ce qui concerne les ressources informatiques, l'entraînement d'un modèle sur des données complètes peut nécessiter des semaines voire des mois, même si vous utilisez de puissants GPU ou TPU. En outre, bien que l'ajustement d'un LLM ne nécessite pas autant de puissance de calcul que la formation d'un LLM à partir de zéro, il requiert tout de même des ressources substantielles.

L'entraînement et la mise au point d'un LLM, qui nécessitent des ressources substantielles, font de la RAG une alternative intéressante pour intégrer des données actuelles (et propriétaires) aux données existantes disponibles pour un LLM pré-entraîné.

Considérations éthiques

L'essor de l'IA générative a également suscité d'intenses débats sur les considérations éthiques qui accompagnent son développement et son utilisation. Alors que les applications d'IA Générative deviennent de plus en plus courantes et accessibles au public, les réflexions se sont concentrées sur la façon de :

  • Garantir des modèles équitables et impartiaux
  • Se protéger contre les attaques telles que l'empoisonnement ou la falsification de modèles.
  • Empêcher la désinformation.
  • Se prémunir contre l’utilisation abusive de l’IA générative (par exemple, les deepfakes ou à la génération d’informations trompeuses)
  • Préserver l’attribution
  • Promouvoir la transparence avec les utilisateurs finaux, afin qu'ils sachent quand ils interagissent avec un chatbot d'IA générative plutôt qu'avec un humain
Comparaison avec d'autres outils et systèmes d'IA

Le battage médiatique et la nouveauté des outils d'IA générative ont éclipsé le paysage plus large des outils et des systèmes d'IA. Beaucoup pensent à tort que l'IA générative est l'outil par excellence qui leur permettra de résoudre tous leurs problèmes. Cependant, si elle excelle dans la création de nouveaux contenus, d'autres solutions pourraient être mieux adaptées à certaines tâches professionnelles. Comme pour tout autre outil que vous utilisez, vous devez comparer ses avantages à ceux des autres outils.

Défis spécifiques à la RAG

Cette approche, qui consiste à tirer parti d'un grand modèle de langage, est puissante, mais elle s'accompagne également de son lot de défis.

  • Choisir une base de données vectorielles et des technologies de recherche : l'efficacité de cette approche dépend de sa capacité à récupérer rapidement les données pertinentes. Cela fait de la sélection d'une base de données vectorielle et d'une technologie de recherche une décision critique qui affectera les performances de la RAG.
  • Cohérence des données : étant donné que la RAG extrait les données en temps réel, vous devez vous assurer que la base de données vectorielles est à jour et cohérente.
  • Complexité de l'intégration : l'intégration de la RAG avec un LLM renforce la complexité de vos systèmes. La mise en œuvre efficace de l'IA Générative avec la RAG peut nécessiter une expertise.

En dépit de ces difficultés, la RAG offre aux entreprises un moyen simple et puissant de puiser dans leurs données opérationnelles et d'application pour en tirer de riches enseignements et prendre des décisions cruciales.

MongoDB Atlas pour les applications basées sur l'IA Générative

Nous avons abordé le potentiel de transformation de l’IA Générative, et nous avons vu comment la RAG améliorait considérablement les données en temps réel. Pour réunir ces technologies, il faut une plateforme de données flexible qui offre des fonctionnalités adaptées aux applications alimentées par GenAI. Pour les entreprises qui s’aventurent dans ce secteur, MongoDB Atlas changera la donne.

Voici les principales fonctionnalités de MongoDB Atlas : 

  • Fonctionnalités de recherche vectorielle natives : le stockage et la recherche vectorielle sont intégrés à MongoDB Atlas, ce garantit une récupération rapide et efficace des données pour la RAG sans nécessiter une base de données supplémentaire pour gérer les vecteurs.
  • API unifiée et document model flexible : l'API unifiée de MongoDB Atlas permet aux développeurs de combiner la recherche vectorielle avec d'autres fonctionnalités de requête, telles que la recherche structurée ou la recherche textuelle. Associée au modèle de données documentaire de MongoDB, cette API offre une incroyable flexibilité à votre mise en œuvre.
  • Évolutivité, fiabilité et sécurité : MongoDB Atlas offre une évolutivité horizontale qui évolue à mesure que vous (et vos données) vous développez. Grâce à sa tolérance aux pannes et à une mise à l'échelle horizontale et verticale simple, MongoDB Atlas garantit un service ininterrompu, quelles que soient les exigences de votre charge de travail. Et, bien entendu, MongoDB montre comment elle cible la sécurité en priorité en permettant un chiffrement des données de pointe, qui peut être interrogé.
Une image de MongoDB Atlas effectuant des tâches multiples pour aider les applications alimentées par l'IA Générative.

MongoDB Atlas est essentiel pour simplifier la mise en œuvre d'un système LLM amélioré par la RAG. En gérant vos services de données d'IA Générative, MongoDB rationalise votre processus de création d'applications GenAI prêtes à l'emploi. Que les données que vous souhaitez intégrer soient des données propriétaires ou des données d'événements de dernière minute, MongoDB fait de la RAG une réalité. Dans une récente enquête sur l'état de l'IA menée auprès de 1 500 répondants, MongoDB Atlas Vector Search a obtenu le taux de satisfaction le plus élevé des développeurs parmi toutes les solutions vectorielles.

Conclusion

En tant que sous-ensemble de l'intelligence artificielle, l'IA Générative, qui utilise des modèles entraînés sur de grandes quantités de contenu existant pour créer un contenu nouveau et unique, représente une profonde mutation dans la technologie moderne. Toutefois, pour que l'IA Générative tienne sa promesse d'imiter l'intelligence et la créativité humaines, elle doit être entraînée sur de grands volumes de données de haute qualité. L'efficacité d'un modèle d'IA Générative dépend de la qualité, de la quantité et de la diversité de ses données d'entraînement.

Les données disponibles pour un LLM sont limitées par la dernière mise à jour d’entraînement pour ce LLM. L'intégration de données actualisées ne peut se faire par le biais d'un réentraînement ou d'une mise au point du modèle, car dès que ces processus sont terminés, les données ne sont plus à jour. La solution est la RAG, qui interroge des données à jour à partir d’une base de données vectorielles dans le cadre de la tâche d’ingénierie rapide. Cette approche améliore les LLM en leur donnant la possibilité d'accéder à des informations à jour et pertinentes, qui peuvent inclure des informations exclusives d'une entreprise, sans les ressources nécessaires à l'entraînement ou la mise au point.

Pour y parvenir, les entreprises se tournent vers MongoDB Atlas. Ses fonctionnalités de recherche vectorielle natives, associées à son API unifiée et à son document model flexible, en font la solution idéale pour les entreprises qui cherchent à améliorer un LLM avec la RAG pour extraire des données propriétaires.

Démarrer avec MongoDB Atlas

Essayez gratuitement