-
IA générative
L’IA générative est là :
êtes-vous prêt ?Innovation Intel® intégrée
-
-
-
Par où commencer ?
La nouvelle ère de l’IA générative
L’IA générative (GenAI) est exploitée à grande échelle par les organisations et les individus, d’où un impact significatif sur la société. L’IA destinée au grand public, comme ChatGPT et DALL-E, a suscité l’engouement du monde entier avec sa capacité à générer du contenu. Pourtant, l’impact de l’IA générative sur les organisations laisse envisager de nombreux avantages supplémentaires, y compris une productivité accrue, une réduction des coûts et une transformation de nos modes de travail.
-
L’IA générative transforme les organisations
L’IA générative présente des atouts, mais s’accompagne également de nouveaux défis et risques. Les organisations adoptent de plus en plus l’IA générative, mais franchir la ligne d’arrivée en premier n’est pas une raison suffisante pour mettre en péril la confiance des clients et la forte valeur ajoutée de leurs données.
-
-
-
Le rôle essentiel de vos données à l’ère de l’IA générative
Les données et les risques vont de pair. Les données contribuent à la progression de vos projets d’IA générative, mais vous devez également évaluer les risques potentiels liés à l’hébergement des modèles d’IA générative dans les Clouds publics, y compris la perte de propriété intellectuelle, les fuites de données, les problèmes de confidentialité, les violations des règles de conformité, la perte de crédibilité et d’intégrité, les préjugés et la violation de propriété intellectuelle.
-
-
Gestion des risques et valeur accrue
Au début de votre transition, il est crucial de coordonner vos investissements en technologie et en formation pour accroître la maturité opérationnelle, réduire les risques, améliorer le contrôle et optimiser la valeur pour votre organisation. Avec une IA générative clé en main, vous avez le contrôle des accès à vos données.
-
-
Avantages et inconvénients de l’utilisation d’une IA générative encore en développement par rapport à une IA générative clé en main en tenant compte du niveau de risques et de maturité opérationnelle.
-
-
-
Réussir avec l’IA générative
Si les entreprises ont identifié des centaines de cas d’utilisation sur tous les marchés verticaux, il est crucial de choisir les bons.
-
-
-
-
-
-
L’IA au cœur des données
Tirez parti des données pertinentes
Les meilleurs cas d’utilisation tirent parti de vos données détaillées et s’appuient sur votre niveau de préparation pour l’IA, tout en exigeant une combinaison adéquate de compétences, de budgets et de ressources pour les soutenir. Il est important que les équipes métier et IT collaborent pour établir des priorités.
Bien que le déploiement d’instances privées de modèles linguistiques volumineux d’IA générative, tels que Llama 2 ou Falcon, offre des avantages en matière de vitesse et de déploiement, il peut également impliquer des coûts plus élevés et d’autres inconvénients. Quoi qu’il en soit, l’IA générative interne vous permettra probablement de tirer le meilleur parti de vos premiers efforts.
-
-
-
Création de contenu
-
Recherche en langage naturel
-
Génération de code
-
Support Assistant
-
Conception et création de données
-
Automatisation des documents
-
-
-
-
Conservez vos modèles d’IA générative au plus proche de vos données
-
-
En ce qui concerne l’affectation des charges applicatives, l’IA générative ne diffère en rien. Pour obtenir les meilleurs résultats, placez-la dans l’environnement le plus pertinent en fonction de vos besoins métier et techniques.
Le schéma ci-dessous illustre les concepts et les cadres qui entrent en jeu lors du choix de l’affectation des charges applicatives d’IA générative.
-
-
-
5 raisons de placer l’IA au cœur de vos données
-
-
Affectation des charges applicatives d’IA générative dans les Clouds privés et publics.
-
-
Gestion des données pour l’IA générative
La plupart des organisations adoptent une approche double concernant leur stratégie d’IA générative. Elles testent des déploiements tactiques pour acquérir de l’expérience et éviter de prendre du retard, tout en élaborant une stratégie à long terme pour s’adapter aux nombreux scénarios d’utilisation qui apparaîtront progressivement. Cette approche nécessite une stratégie de gestion des données à deux niveaux.
PRÉPARATION DES DONNÉESINGÉNIERIE DE DONNÉES -
-
-
Préparation des données
-
Court terme : préparation des données
La préparation des données implique l’identification des jeux de données et la définition des exigences en matière de données, ainsi que le nettoyage, l’étiquetage et l’anonymisation des données, puis leur normalisation sur toutes les sources de données. Il convient également de créer des pipelines de données pour intégrer les données dans un modèle.
-
-
-
Ingénierie de données
-
Long terme : ingénierie de données
Les organisations ont besoin d’un référentiel de données bien structuré, tel qu’un Data Lake ou un Data Lakehouse, pour intégrer leurs données aux modèles d’IA générative. Envisagez de créer le Data Lake de manière itérative pour étendre progressivement les fonctionnalités du référentiel de données d’IA générative, tandis que l’équipe améliore ses compétences en matière de gestion des données et d’IA générative.
-
-
-
-
-
-
« Cette collaboration [avec Dell Technologies] permettra aux sociétés de créer leurs propres systèmes d’IA en tirant parti de l’innovation incroyable de la communauté Open Source tout en bénéficiant de la sécurité, de la conformité et des performances des systèmes Dell. »
-
-
-
-
-
-
UNE IA PARFAITEMENT DIMENSIONNÉE
Définir l’infrastructure et dimensionner l’IA
Vos données uniques vous permettent de vous appuyer sur des exemples d’utilisation propres au domaine et à l’entreprise, ce qui crée de la valeur spécialisée par le biais de tâches ou de fonctions pour lesquelles vous seul disposez des données. Les différents types d’IA générative ont des points d’entrée et des investissements correspondants qui sont nécessaires pour garantir la réussite. Les modèles linguistiques volumineux entraînés à partir de grandes quantités de texte ressemblent à des encyclopédies et sont utiles pour une utilisation générale, mais ne sauront sans doute pas répondre à des questions spécifiques concernant vos données organisationnelles.
-
-
-
Vos données améliorent considérablement l’efficacité et la valeur de l’IA générative
-
Comparaison des types de modèles, y compris les modèles d’entreprise, les modèles propres au domaine et les modèles linguistiques volumineux.
-
-
-
Modèles de déploiement de l’IA : évaluation des compromis en matière de coûts et de valeur
Les trois premiers types de modèles de déploiement présentés ci-dessous sont ceux implémentés actuellement par la plupart des organisations, en commençant par « l’augmentation du modèle », pour finir par une « optimisation des modèles ». Le modèle d’IA que vous choisissez sera déterminé par le niveau de maturité de votre organisation en termes de science des données, les modèles de déploiement et les conséquences de chaque choix.
-
Modèle pré-entraîné
Appelée « ingénierie d’invites », cette approche consiste à interroger un modèle pré-entraîné et à recevoir un résultat.
Exemple : ChatGPTAugmentation du modèle
Améliorez votre modèle d’IA générative en ajoutant vos données pour fournir un contexte supplémentaire pour ses réponses, telles que l’inférence, qui englobe des exemples d’utilisation tels que la génération augmentée de récupération (RAG).
Optimisation des modèles
Cette étape consiste à ajuster la pondération du modèle et à intégrer vos données. Bien qu’elle génère de meilleurs résultats, elle nécessite également plus d’efforts lors de la configuration.
Entraînement du modèle
Cette étape englobe la création d’un modèle spécifique, puis son entraînement à l’aide d’un jeu de données. Elle implique généralement le plus de travail et de ressources et est souvent réservée à la résolution de problèmes complexes.
Effort Coût Valeur et
différenciationIntégration des données Infrastructure Client – serveur Client – serveur Optimisé pour le processeur graphique Déploiement de processeurs graphiques volumineux Compétences IT Ops Développeur Experts en science des données Experts en science des données
-
Choisissez l’infrastructure adaptée à votre modèle
L’infrastructure prenant en charge votre déploiement d’IA générative dépend en grande partie des exigences de calcul, influencées par le type et la taille de modèle, et le nombre d’utilisateurs. On peut également citer d’autres considérations, comme la capacité de stockage nécessaire pour les données utilisées lors du déploiement, de l’entraînement et du perfectionnement du modèle.
-
Comment le type et la taille du modèle, et le nombre d’utilisateurs influencent l’infrastructure d’IA générative pour votre déploiement.
-
-
-
-
-
Accélération de votre transition vers l’IA
Commencez par un premier succès
La génération augmentée de récupération (RAG) est un cas d’utilisation précoce idéal pour de nombreuses organisations qui utilisent des ressources supplémentaires, telles que leurs propres données, pour augmenter un modèle sans l’entraîner une nouvelle fois. Explorez la configuration des cas d’utilisation RAG qui peuvent être appliqués pour améliorer votre entreprise et vos données.
-
Cas d’utilisation RAG
Appliquer le mode RAG à un jeu de données PDF personnalisé
-
DELL VALIDATED DESIGN FOR RAG
Déployer un assistant numérique sur Dell APEX Cloud Platform for Red Hat OpenShift
-
-
Laissez-nous vous aider à accélérer votre transition
Dell élimine les obstacles et favorise l’adoption d’une stratégie d’IA générative à l’échelle de l’entreprise avec une approche globale de bout en bout, du bureau au datacenter.
-