Les chatbots d’IA et les systèmes de questions-réponses existent depuis des décennies, mais jamais auparavant ils n’avaient capté l’attention du monde avec une telle intensité. ChatGPT, principal responsable de cet engouement, a vu plus d’un million d’utilisateurs interagir avec lui dès sa 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 basées sur GPT, dans le but de bouleverser le secteur de la recherche grand public. Google a rapidement suivi en annonçant son propre compagnon d’IA pour la recherche, « Bard » – mais avec un accueil mitigé en raison d’une erreur factuelle lors de sa grande présentation. ;
Alors, qu’est-ce qui provoque toute cette agitation récente ?
Enfin cohérent
L’une des avancées les plus déterminantes de l’IA générative récente est la cohérence des sorties du modèle. Les versions précédentes de ChatGPT (comme GPT-2) et les modèles génératifs plus anciens avaient souvent du mal à produire un texte facile à suivre, logique et suffisamment fluide, rendant leurs résultats difficiles à utiliser dans des applications réelles.
Ces derniers mois, cela a changé. L’itération actuelle de ChatGPT/GPT-3+ a démontré sa capacité à produire des réponses globalement cohérentes et fluides, conférant à ses réponses une crédibilité convaincante. Ils sont également devenus bien plus aptes à la synthèse – la capacité à analyser et résumer des informations et des conversations complexes. ;
Cette combinaison de cohérence des réponses et de capacité de synthèse expose ainsi une interface vers l’immense volume de connaissances implicites sur le monde stockées dans ces modèles. L’usage général de ChatGPT au cours des dernières semaines a su convaincre le public du potentiel de révolutionner notre façon de découvrir, d’apprendre et de travailler. ;
{{richtext-banner-component}}
Confiance dans la connaissance
Lorsque les modèles n’ont pas été entraînés sur des données d’un domaine donné – ou n’y ont pas été exposés –, les connaissances implicites du modèle sur le monde peuvent toutefois devenir contre-productives. Exemples de domaines : la médecine, le juridique, ou le jargon interne que vous utilisez au travail. Même si certains domaines sont couverts par l’immense corpus d’entraînement des LLMs modernes (essayez de demander à ChatGPT un avis juridique !), la plupart des données d’entreprise se trouvent dans des jardins clos. Cela signifie que les inconvénients de la confusion entre cohérence et connaissance peuvent devenir très évidents en environnement d’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 du secteur de l’éducation). Pour les employés de Glean, « Scholastic » (un clin d’œil à la pile de moteur de recherche populaire « Elastic ») désigne notre système d’extraction et de scoring vectoriel, basé sur l’apprentissage. ;
Les meilleurs modèles sont ceux qui résolvent l’adaptation au domaine : des systèmes conçus pour apprendre à partir d’informations spécifiques à un domaine et enrichir leur connaissance de base, afin de surmonter la confusion linguistique grâce à la désambiguïsation.
Ces types de LLMs sont essentiels pour offrir une meilleure expérience de recherche et de découverte des connaissances, suffisamment affinée pour l’environnement d’entreprise. Cette expérience de recherche de qualité, capable de rester cohérente face à de nouvelles connaissances, est la clé pour libérer le potentiel de l’IA générative et délivrer toute la valeur qu’elle peut apporter aux travailleurs du savoir collaborant dans des environnements numériques complexes. ;
L’avenir des modèles génératifs propres à l’entreprise ;
Exploiter des modèles génératifs pour le question answering en entreprise n’est que la partie émergée de l’iceberg. À l’avenir, des modèles génératifs dotés de la connaissance de votre entreprise pourront faire bien davantage. En entraînant ces modèles dans le domaine, ils peuvent être ajustés (fine-tuned) pour enrichir nos workflows et transformer complètement notre manière de travailler. Imaginez un monde où ces systèmes rédigent des documents de conception technique, remplissent automatiquement des RFPs ou résument votre boîte de réception hebdomadaire pour relecture. ;
Nous pensons que développer des expériences d’IA générative pour faciliter l’accès à l’information et sa découverte est la première étape pour libérer tout ce potentiel dans les environnements d’entreprise. Glean est à la pointe de l’entraînement de modèles par domaine et du fine-tuning de LLMs pour alimenter ces avancées. Si vous souhaitez en savoir plus sur la manière dont nous contribuons à transformer la découverte des connaissances et la recherche en entreprise, inscrivez-vous dès aujourd’hui pour une démo. ;
