Les organisations utiliseront trois fois plus de petits modèles d'IA spécifiques à une tâche que de grands LLM à usage général, pour des réponses plus rapides et moins de puissance de calcul

D'après Gartner

Les organisations utiliseront trois fois plus de petits modèles d'IA spécifiques à une tâche que de grands LLM à usage général, pour des réponses plus rapides et moins de puissance de calcul, d'après Gartner

Gartner prévoit que d'ici 2027, les organisations mettront en œuvre de petits modèles d'IA spécifiques à une tâche, dont le volume d'utilisation sera au moins trois fois supérieur à celui des grands modèles de langage (LLM) à usage général.

Ces prévisions de Gartner interviennent à un moment où beaucoup d'organisations sont encore dans les premières étapes d'intégration de l'IA. Une étude de Komprise a révélé que les entreprises mettent en place une infrastructure d'IA à moindre coût, 70 % d'entre elles expérimentent encore l'IA mais la décrivent comme une priorité stratégique absolue. Cependant, malgré cet intérêt, près de 60 % signalent une pénurie de personnel spécialisé dans la sécurité, la conformité et la gestion des données sensibles.

Alors que les modèles linguistiques généraux offrent de solides capacités de langage, la précision de leurs réponses diminue pour les tâches nécessitant un contexte spécifique au domaine d'activité.

« La variété des tâches dans les flux de travail des entreprises et le besoin d'une plus grande précision conduisent à une évolution vers des modèles spécialisés affinés sur des fonctions spécifiques ou des données de domaine », a déclaré Sumit Agarwal, VP Analyst chez Gartner. « Ces modèles plus petits et adaptés à des tâches spécifiques fournissent des réponses plus rapides et utilisent moins de puissance de calcul, ce qui réduit les coûts d'exploitation et de maintenance. »


Les entreprises peuvent personnaliser les LLM pour des tâches spécifiques en employant des techniques de génération augmentée de récupération (RAG) ou de réglage fin pour créer des modèles spécialisés. Dans ce processus, les données de l'entreprise deviennent un élément clé de différenciation, nécessitant une préparation des données, des contrôles de qualité, une gestion des versions et une gestion globale pour s'assurer que les données pertinentes sont structurées de manière à répondre aux exigences de réglage fin.

« Comme les entreprises reconnaissent de plus en plus la valeur de leurs données privées et des informations dérivées de leurs processus spécialisés, elles vont probablement commencer à monétiser leurs modèles et à offrir l'accès à ces ressources à un public plus large, y compris à leurs clients et même à leurs concurrents », a déclaré Sumit Agarwal. « Cela marque le passage d'une approche protectrice à une utilisation plus ouverte et collaborative des données et des connaissances. »

En commercialisant leurs modèles propriétaires, les entreprises peuvent créer de nouvelles sources de revenus tout en favorisant un écosystème plus interconnecté.

Mise en œuvre de petits modèles d'IA spécifiques à une tâche

Selon Gartner, les entreprises qui souhaitent mettre en œuvre de petits modèles d'IA spécifiques à une tâche doivent tenir compte des recommandations suivantes :

• Piloter des modèles contextualisés : Mettre en œuvre de petits modèles contextualisés dans des domaines où le contexte commercial est crucial ou lorsque les LLM n'ont pas répondu aux attentes en termes de qualité ou de rapidité des réponses.
• Adopter des approches composites : Identifier les cas d'utilisation où l'orchestration d'un modèle unique n'est pas suffisante, et utiliser à la place une approche composite impliquant plusieurs modèles et étapes du flux de travail.
• Renforcer les données et les compétences : Donner la priorité aux efforts de préparation des données pour collecter, conserver et organiser les données nécessaires à l'affinement des modèles de langage. Simultanément, investir dans le renforcement des compétences du personnel au sein des groupes techniques et fonctionnels tels que les architectes de l'IA et des données, les scientifiques des données, les ingénieurs IA et des données, les équipes chargées des risques et de la conformité, les équipes chargées de l'approvisionnement et les experts en matière de métier, afin de mener efficacement ces initiatives.

Cette évolution vers des systèmes d'IA rationalisés et spécifiques aux tâches est également façonnée par des défis d'intégration persistants. Les recherches menées par Tray.io indiquent que plus de 90 % des entreprises rencontrent des difficultés à intégrer l'IA dans leurs piles technologiques. Alors que les fonctionnalités de l'IA sont intégrées dans un nombre croissant d'applications SaaS, des problèmes tels que le provisionnement, la gestion continue et l'absence de cadres de mise en œuvre standardisés aggravent les obstacles à la gestion du changement au sein des organisations.

Source : Gartner

Et vous ?

Quel est votre avis sur le sujet ?
Trouvez-vous ces prévisions de Gartner crédibles ou pertinentes ?

Voir aussi :

L'IA générative est la solution d'IA la plus déployée dans les organisations, l'intégration de l'IA générative dans les applications existantes est la meilleure utilisation de l'IA générative, d'après Gartner

L'IA redéfinit les priorités des responsables informatiques : 42 % d'entre eux déclarent que s'ils pouvaient intégrer l'IA, cela ferait la plus grande différence pour leur organisation, selon Flexera

Quelle est la meilleure option pour les entreprises : des services d'IA libres ou commerciaux ? défis et limites d'une approche open source de l'intelligence artificielle