La mise en œuvre de l’IA générative peut s’apparenter au célèbre paradoxe de l’œuf ou de la poule. Dans une récente enquête de l’IBM Institute for Business Value, 64 % des PDG ont déclaré qu’ils devaient moderniser leurs applications avant de pouvoir utiliser l’IA générative. Mais dans le même temps, l’IA générative a le pouvoir de transformer le processus de modernisation des applications grâce à la rétro-ingénierie et à la génération de code, à la conversion d’un langage à un autre, à la définition d’un workflow de modernisation et à d’autres processus automatisés. Voici comment les DSI et les directeurs techniques doivent évaluer leurs technologies et leurs données, déterminer les possibilités qui s’offrent à eux et enfin établir une feuille de route.
Les DSI et les directeurs techniques doivent :
Au cours de la dernière décennie, IBM a préconisé une stratégie de cloud hybride pour soutenir une innovation, une productivité et une efficacité évolutives basées sur l’IA. De notre point de vue, le débat sur l’architecture est clos. Les organisations qui maîtrisent le cloud hybride sont bien placées pour mettre en œuvre l’IA générative dans l’ensemble de leurs services. Le cloud hybride leur permet de tirer parti de grands modèles de langage (LLM) open source très performants, d’utiliser des données et des ressources informatiques publiques pour entrainer leurs propres modèles et les affiner en toute sécurité tout en gardant leurs informations exclusives confidentielles. En plus d’apporter une valeur ajoutée considérable à l’expérience client et employé, à la fonction RH et au service client, l’IA générative dans le cloud hybride offre aux DSI et aux directeurs techniques une agilité exceptionnelle pour automatiser les opérations informatiques et moderniser les applications, éliminant potentiellement leur dette technique et permettant une modernisation véritablement continue.
Même pour les DSI et les directeurs techniques qui se sont engagés dans la voie du cloud hybride, la modernisation se heurte à des obstacles organisationnels. Tout d’abord, les responsables technologiques doivent estimer l’impact financier global de la modernisation (par rapport au coût de la non-modernisation) dans l’ensemble de l’organisation. Ils doivent promouvoir la modernisation en tant qu’initiative métier, et non en tant que projet seulement informatique. Les dirigeants sont également tenus de combler le manque d’expertise en donnant la priorité au développement des talents et en obtenant l’adhésion de l’entreprise pour la modernisation en tant qu’investissement stratégique et pérenne, plutôt qu’en tant que simple enjeu technologique opérationnel.
Ensuite, les dirigeants doivent comprendre la valeur métier que l’IA générative peut apporter à la modernisation pour savoir où investir. D’après l’expérience de nos équipes IBM Consulting, les entreprises qui entament tout juste leur modernisation ont besoin d’éclairages sur « l’art du possible », s’agissant de comprendre les avantages et la valeur de l’automatisation basée sur l’IA. Les entreprises plus avancées dans leur parcours recherchent des éclaircissements sur les cas d’utilisation dans leur secteur et une assistance pour gérer des opportunités uniques.
Dans le domaine des opérations informatiques, les cas d’utilisation de l’IA générative comprennent le tri automatique des systèmes pour respecter les objectifs de niveau de service, la gestion, la communication, l’assistance et la résolution des demandes et des tickets, ainsi que la détection et la gestion des événements et des anomalies. Il est possible d’améliorer l’automatisation informatique en créant et en exécutant des runbooks et en aidant les utilisateurs à passer à de nouvelles bases de connaissances et à de nouveaux logiciels. L’IA peut également faciliter l’ingénierie de plateforme, par exemple en générant des pipelines DevOps et des scripts d’automatisation pour le middleware.
On pourrait parler encore longtemps sur le rôle central des opérations informatiques dans la modernisation. Mais ici, nous allons nous concentrer sur quatre workflows auxquels l’IA générative peut être appliquée.
Les directeurs techniques et les DSI devraient envisager les gains rapides liés à l’utilisation de l’IA générative dans ces fonctions. Il s’agit de rechercher des opportunités relativement isolées et à faible risque pour étudier la faisabilité du projet. Commencez petit, testez et évoluez.
Sélectionner les bons modèles de fondation dès le départ vous permet d’obtenir de meilleurs résultats pour votre entreprise.
L’architecture des transformers privilégie la taille : les modèles les plus grands produisent les meilleurs résultats. Il y a donc une course dans l’IA générative pour développer des modèles de fondation toujours plus grands pour des applications toujours plus étendues. Mais s’il est vrai que les plus grands modèles sont très performants, un modèle complexe comptant plusieurs milliards de paramètres n’est pas toujours la meilleure option pour une entreprise. Un modèle plus petit, qui a été affiné pour une tâche spécifique, peut souvent surpasser un grand modèle standard. Ces modèles peuvent fonctionner sur des LLM polyvalents avec un réglage minime si la fondation sous-jacente est adaptée à un usage professionnel. Par exemple, les modèles de fondation Granite d’IBM à 13 milliards de paramètres, disponibles dans la prochaine version de watsonx.ai, sont beaucoup plus petits que les LLM les plus volumineux (qui contiennent des centaines de milliards de paramètres), mais sont performants sur des tâches précises telles que la synthèse, la réponse aux questions et la classification, tout en étant beaucoup plus efficaces.
Les modèles de fondation adaptés permettent également aux organisations d’automatiser et d’accélérer la modernisation en générant des extraits de code et des composants d’application, ainsi qu’en automatisant les tests d’application. S’appuyant sur les modèles de code intégrés à watsonx.ai, IBM watsonx Code Assistant peut également être utilisé pour convertir du code, par exemple de COBOL vers Java. Dans watsonx Code Assistant, les développeurs de tous niveaux d’expérience peuvent formuler des requêtes en langage clair et obtenir des recommandations générées par l’IA, ou générer du code basé sur du code source existant. watsonx.ai inclut également l’accès au grand modèle de langage StarCoder, entraîné à partir de données sous licence ouverte provenant de GitHub. Les développeurs peuvent exploiter StarCoder pour accélérer la génération de code et augmenter la productivité pour la modernisation des applications et des systèmes d’information.
Au-delà de la taille, les directeurs techniques doivent également tenir compte, lors du choix d’un modèle de fondation, des langages naturels et de programmation pris en charge par le modèle et du degré de réglage nécessaire.
Dans le domaine de l’IA générative, les méthodes de calcul du retour sur investissement (ROI) ne sont ni matures ni normalisées, et les analyses comparatives font souvent défaut. Pour les applications d’entreprise, le réglage fin, le prompt engineering et l’exécution des workloads gourmands en calcul nécessitent des investissements importants.
Lors de la sélection et du déploiement d’un modèle, quatre facteurs clés doivent être pris en compte, qui varient selon le domaine, le secteur et le cas d’utilisation. Le premier facteur de coût est la méthode de tarification ou de licence. Celle-ci est déterminée par l’utilisation de l’API sur les clouds publics et gérés, et par les coûts d’hébergement et de calcul sur les clouds hybrides et privés. Le deuxième facteur de coût est lié aux efforts de développement, qui sont plus importants sur les clouds hybrides et privés et qui sont étroitement liés au troisième facteur, la sécurité des données d’entreprise. Enfin, il faut tenir compte des risques liés à la propriété intellectuelle et à la sécurité, et à leurs répercussions, qui sont moindres dans les environnements hybrides et privés.
Les facteurs de disponibilité et de gouvernance des données doivent également être pris en compte dans l’évaluation du ROI. Grâce à la gamme de produits d’IA watsonx, IBM fait des progrès significatifs dans la fourniture de modèles de fondation ciblés sur les besoins des utilisateurs professionnels : l’entrepôt de données adapté et fourni dans watsonx.data, basé sur une architecture de lakehouse ouverte, permet aux entreprises de personnaliser leurs modèles quel que soit l’endroit où se trouvent leurs workloads. Les outils de watsonx.governance aideront également les organisations à mettre efficacement en place des workflows responsables, transparents et explicables dans toute l’entreprise.
À mesure que les capacités et les utilisations de l’IA générative s’accélèrent, il peut être difficile de chiffrer précisément le retour sur investissement. Mais il est judicieux pour les DSI et les directeurs techniques d’examiner les nombreuses façons dont les entreprises ont créé de la valeur à partir de l’IA traditionnelle, puis d’extrapoler la valeur potentielle de leurs tests et de leurs gains rapides en matière d’IA générative.
Que ce soit dans le cadre de programmes ESG formels ou de missions d’entreprise, le développement durable est plus qu’une question d’éthique : il est de plus en plus reconnu comme une pratique rentable. Les entreprises qui s’engagent efficacement en faveur de la durabilité peuvent ainsi accroître leur valeur économique et améliorer le retour pour les actionnaires, la croissance du chiffre d’affaires et la rentabilité. C’est pourquoi il est judicieux que les directeurs techniques prennent en compte la durabilité dans leur calcul d’adoption de l’IA générative.
L’entraînement, le réglage et l’exécution de modèles d’IA peuvent engendrer une empreinte carbone considérable. Voilà pourquoi IBM propose des modèles de fondation fiables, portables et économes en énergie pour adapter l’IA générative aux besoins des entreprises. La mise en place de modèles plus petits et une utilisation plus efficace des ressources informatiques réduisent considérablement les dépenses et les émissions de carbone. IBM Research développe également des technologies d’entraînement de modèles plus efficaces, telles que l’algorithme LiGo qui recycle les petits modèles et les intègre dans des modèles de plus grande taille, réduisant ainsi jusqu’à 70 % le temps, les coûts et les émissions de carbone.
Enfin, la mise en œuvre efficace de l’IA générative dépend de personnes qualifiées et enthousiastes. Par conséquent, le service des ressources humaines doit être au cœur de la stratégie de votre organisation. Commencez par requalifier les collaborateurs des RH eux-mêmes, qui utilisent probablement déjà des outils de recrutement basés sur l’IA. Ensuite, élaborez une initiative de gestion formelle visant à communiquer les domaines dans lesquels les tests et l’adoption de l’IA générative sont en cours et à fournir un retour d’information.