Les chatbots IA et les systèmes de questions-réponses existent depuis des décennies, mais jamais auparavant ils n'avaient captivé l'attention du monde entier avec une telle intensité. ChatGPT, principal responsable de cet engouement, a vu plus d'un million d'utilisateurs interagir avec lui au cours de sa seule première semaine de disponibilité. Microsoft, désormais investisseur à hauteur de 10 milliards de dollars dans le chatbot, a annoncé un nouveau navigateur Bing et Edge doté de fonctionnalités propulsées par GPT, dans le but de bouleverser le secteur de la recherche grand public. Google a rapidement suivi en annonçant son propre compagnon IA pour la recherche, « Bard » — bien que l'accueil ait été mitigé, en raison d'une erreur factuelle lors de son grand lancement.
Alors, qu'est-ce qui provoque toute cette agitation récente ?
Enfin cohérents
L'une des avancées les plus décisives de l'IA générative récente est la cohérence des réponses produites par les modèles. Les versions précédentes de ChatGPT (comme GPT-2) et les anciens modèles génératifs peinaient souvent à produire un texte facile à suivre et sensé, avec une fluidité suffisante, ce qui rendait leurs réponses difficiles à exploiter dans des applications concrètes.
Ces derniers mois, cela a changé. La version actuelle de ChatGPT/GPT-3+ a démontré sa capacité à produire des réponses largement cohérentes et fluides, qui confèrent une crédibilité convaincante à ses propos. Ces modèles sont également devenus bien plus performants en matière de synthèse — la capacité à analyser et à résumer des informations et des conversations complexes.
Cette combinaison de cohérence des réponses et de synthèse donne par conséquent accès à l'immense volume de connaissances implicites du monde stockées au sein de ces modèles. L'utilisation générale de ChatGPT au cours des dernières semaines a su convaincre pleinement le public de son potentiel à révolutionner notre façon de découvrir, d'apprendre et de travailler.
{{richtext-banner-component}}
La confiance dans les connaissances
Cependant, lorsque les modèles n'ont pas été entraînés sur des données d'un domaine donné ou exposés à celles-ci, les connaissances implicites du monde contenues dans le modèle peuvent se révéler contre-productives. Parmi les exemples de domaines, citons la médecine, le juridique ou encore le jargon interne que vous utilisez au travail. Si certains domaines sont couverts par les vastes données d'entraînement utilisées dans les LLM modernes (essayez de demander un conseil juridique à ChatGPT !), la plupart des données d'entreprise sont enfermées dans des espaces cloisonnés. Cela signifie que les inconvénients de la confusion entre cohérence et connaissances peuvent devenir très évidents dans l'environnement de l'entreprise.
Par exemple, la définition générale de « Scholastic » renvoie à quelque chose en lien avec l'éducation et la scolarité (et/ou à l'entreprise d'édition éducative du même nom). Pour les employés de Glean, « Scholastic » (un clin d'œil à la pile de moteur de recherche populaire « Elastic ») désigne notre système de récupération et de scoring appris, basé sur les vecteurs.
Les meilleurs modèles sont ceux qui résolvent le problème de l'adaptation au domaine — des systèmes conçus pour apprendre à partir d'informations propres à un domaine et enrichir leurs connaissances de base, ce qui leur permet de surmonter la confusion linguistique grâce à la désambiguïsation.
Ce type de LLM est essentiel pour offrir un système de recherche et de découverte des connaissances suffisamment affiné pour l'environnement de l'entreprise. Cette expérience de recherche de qualité, capable de maintenir la cohérence face à de nouvelles connaissances, est la clé pour libérer le potentiel de l'IA générative et offrir toute sa valeur aux travailleurs du savoir qui collaborent dans des environnements numériques complexes.
L'avenir des modèles génératifs propres à l'entreprise
Exploiter les modèles génératifs pour répondre aux questions en entreprise n'est que la partie émergée de l'iceberg. À l'avenir, les modèles génératifs dotés des connaissances de votre entreprise seront capables de faire bien plus encore. En entraînant ces modèles dans leur domaine, on peut les affiner pour enrichir nos flux de travail et transformer complètement notre façon de travailler. Imaginez un monde où ces systèmes rédigent des documents de conception technique, remplissent automatiquement des appels d'offres ou résument votre boîte de réception hebdomadaire pour révision.
Nous pensons qu'étendre les expériences d'IA générative pour faciliter l'accès à l'information et sa découverte constitue la première étape pour libérer tout ce potentiel dans les environnements d'entreprise. Glean est à l'avant-garde de l'entraînement des modèles dans leur domaine et de l'affinage des LLM pour soutenir ces progrès. Si vous souhaitez en savoir plus sur la façon dont nous contribuons à transformer la découverte des connaissances et la recherche d'entreprise, inscrivez-vous dès aujourd'hui pour une démo.
