Utiliser un LLM ou ne pas l'utiliser ?

Regardez la vidéo!

Ressentez-vous la pression d'adopter les dernières tendances en matière d'IA, mais n’êtes pas sûr que ce soit la bonne décision pour votre entreprise ? Avec tout le buzz autour des grands modèles de langage (les LLMs) et les dizaines de vidéos que je fais sur les nouvelles techniques puissantes, certaines entreprises pourraient s'inquiéter d’être laissées pour compte. Mais les LLMs sont-ils vraiment la solution magique à tous vos problèmes ? Est-ce que toutes les entreprises en ont vraiment besoin ?

Bien sûr, on adore les LLMs, mais parfois, ils sont juste beaucoup trop exagérés et consomment trop de ressources informatiques et financières alors qu’une solution beaucoup plus simple aurait suffi…

Dans ce blogue, on va plonger dans les domaines où les LLMs brillent vraiment, et plus important encore, où ils peuvent avoir des lacunes, ainsi que les compromis à considérer. Cela devrait donner une idée claire de si les LLMs sont adaptés ou non à votre problème actuel.

Où et pourquoi on pourrait avoir besoin d’un LLM

Commençons par les domaines où les LLMs peuvent vraiment faire la différence. Avez-vous déjà eu du mal avec une tâche créative, comme écrire ou trouver de nouvelles idées ? Les LLMs sont fantastiques pour stimuler la créativité. C’est comme avoir un ami prêt à vous aider à rédiger un email, écrire un article de blog ou même trouver un slogan marketing accrocheur. Avant, j’écrivais constamment à mes amis avec des idées ou des questions, mais maintenant, je suis toujours sur ChatGPT. C’est un partenaire créatif toujours plein d’idées, mais il faut souvent vérifier son travail, parce que, soyons honnêtes, les LLMs peuvent parfois inventer des choses assez étrange. Ils sont aussi assez répétitifs et reconnaissables. Ils sont géniaux pour générer des idées, mais il faut toujours apporter des corrections et travailler avec eux de manière itérative. Les brouillons qu’ils produiront seront souvent très génériques, et ceux qui ont l’habitude de travailler avec des LLMs pourront vite deviner que ça vient d’un modèle.

Prenez GitHub Copilot ou Cursor, par exemple. Les développeurs adorent ces outils, car ils suggèrent des extraits de code utiles en un clic, ce qui augmente la productivité et facilite la vie. Dans le service client, les chatbots propulsés par LLMs ont changé la donne, rendant les interactions plus personnalisées et efficaces. JPMorgan Chase, l’une des plus grandes banques des États-Unis, en est un excellent exemple. Ils ont intégré des chatbots basés sur des LLMs dans leur système de support client pour fournir de meilleures réponses et plus rapidement, tout en passant la main à des humains lorsque nécessaire.

Dans le domaine de l’éducation, les LLMs sont utilisés pour personnaliser les expériences d’apprentissage, comme dans la nouvelle entreprise de Andrej Karpathy, très connu en IA. Imaginez une application de tutorat qui s’adapte au rythme et au style d’apprentissage de chaque étudiant. En analysant les progrès des étudiants, le LLM peut proposer des exercices et des explications sur mesure, rendant l’apprentissage plus engageant et efficace. C’est comme avoir un tuteur personnel disponible pour tout le monde, à tout moment.

Ce sont des problèmes majeurs que les LLMs peuvent résoudre, souvent liés à la créativité ou à l’adaptation de contenus généraux à des individus spécifiques à partir de grandes quantités de données.

Où ils peuvent échouer

Parlons maintenant des domaines où les LLMs ne sont pas tout à fait à la hauteur. Malgré leurs forces, ils ne sont pas prêts à prendre des décisions cruciales. On ne peut pas se fier uniquement à un LLM pour diagnostiquer une condition médicale. C’est risqué. IBM Watson pour l’oncologie a été critiqué pour avoir suggéré des traitements incorrects et même dangereux parce qu’il travaillait avec des données obsolètes ou incomplètes. Les LLMs peuvent donner des conseils qui semblent bons mais qui pourraient être nuisibles, car ils ne comprennent pas vraiment le contexte ou les conséquences. Il faut toujours qu’un expert vérifie ce qu’ils génèrent, idéalement l’utilisateur lui-même.

Les tâches spécialisées, comme le travail juridique, peuvent aussi poser problème aux LLMs, où un langage précis et une interprétation nuancée sont cruciaux. Par exemple, un outil basé sur un LLM a mal interprété des clauses contractuelles, ce qui aurait pu entraîner de graves risques légaux. Même si des LLMs spécifiques au droit sont en cours de développement, il est toujours sage de vérifier les faits avant de prendre de grandes décisions. Je pense que les avocats utiliseront principalement ces outils pour gagner du temps dans la récupération d’informations avec des systèmes RAG plutôt que pour obtenir des conseils juridiques, du moins à court terme.

Les industries réglementées, comme la finance, posent aussi des défis pour les LLMs. Certaines institutions financières ont tenté d’utiliser des LLMs pour le trading et la gestion des risques, mais elles ont rencontré des problèmes, car les LLMs peuvent être une sorte de "boîte noire". Sans explications claires, les régulateurs ont rapidement réagi, entraînant des problèmes de conformité et de possibles pénalités. Cependant, il existe aussi des succès. PayPal utilise les LLMs pour détecter les fraudes en analysant les modèles de transactions, aidant à repérer les activités suspectes avant qu’elles ne causent des dégâts. Dans ces cas, les avantages d’utiliser les LLMs l’emportent sur les risques, mais seulement parce qu’ils ont été mis en œuvre avec soin, avec des données et des pratiques de confidentialité robustes.

Quand un modèle simple peut suffire

Tout cela est impressionnant (ou effrayant), mais tous les problèmes liés au langage ne nécessitent pas la puissance d’un LLM. Parfois, un modèle plus petit (SLM) suffit largement. Ces modèles sont plus légers, avec moins de paramètres, mais ils peuvent être incroyablement efficaces, surtout dans des industries spécialisées comme la santé, le droit ou la finance.

Par exemple, si on gère une petite entreprise et qu’on a besoin d’un chatbot pour le service client, un LLM pourrait être excessif. Un modèle plus petit, dédié à notre problème, comme une version réduite de Llama 3, peut traiter efficacement la plupart des requêtes des clients, économisant des ressources sans sacrifier les performances pour notre cas spécifique.

Points Clés à Retenir sur l’Utilisation des LLMs

Les LLMs ne sont pas magiques. Ce sont des outils puissants, mais comme tout, ils ont leurs problèmes. Savoir quand et où les utiliser est crucial, surtout si on est responsable de leur mise en œuvre. Que ce soit pour gérer les coûts, faire face à la dette technique ou considérer les besoins spécifiques d’une industrie, prendre des décisions éclairées sur le déploiement des LLMs garantit qu’on ne saute pas simplement dans le train de l’IA, mais qu’on en tire vraiment profit.

Et rappelez-vous, le monde de l’IA évolue rapidement. Ce qui semble être la meilleure approche aujourd’hui pourrait changer à mesure que de nouveaux modèles et techniques émergent. Ce qui semble impossible aujourd’hui pourrait être résolu la semaine prochaine. Rester flexible et prêt à s’adapter permettra de rester en avance.

Enfin, il ne faut pas avoir peur d’expérimenter. Essayez différentes approches, voyez ce qui fonctionne dans votre contexte spécifique et gardez à l’esprit que parfois, la meilleure solution n’est pas la plus évidente. Que ce soit en utilisant un LLM, un SLM ou une combinaison de différents modèles, l’important est de trouver le bon équilibre pour répondre à vos besoins et atteindre vos objectifs.