Étendre les cas d’utilisation de la gestion des connaissances avec l’IA générative
L’intelligence artificielle bouleverse de nombreux secteurs d’activité. Le potentiel de cette technologie est particulièrement visible dans le domaine du service client, de la gestion des talents et de la modernisation des applications. Selon l’IBM Institute for Business Value (IBV), l’IA peut gérer les dossiers des centres d’appel, améliorant l’expérience client de 70 %. En outre, l’IA peut augmenter la productivité des RH de 40 % et accélérer la modernisation des applications de 30 %. La réduction de la charge de travail via l’automatisation de la gestion des tickets d’assistance à l’aide d’opérations informatiques en est un exemple. Cependant, si ces chiffres indiquent des possibilités de transformation pour les entreprises, la mise à l’échelle et l’opérationnalisation de l’IA ont toujours représenté des difficultés pour les organisations.
La qualité de l’IA dépend des données qui l’alimentent, et la nécessité d’établir un socle de données solide ne s’est jamais autant fait ressentir.
Les données étant stockées dans le cloud et dans des environnements sur site, il devient difficile de pouvoir y accéder tout en gérant la gouvernance et en contrôlant les coûts. Pour ne rien arranger, les utilisations des données sont de plus en plus variées et les entreprises doivent gérer des données complexes ou de mauvaise qualité.
Une étude menée par Precisely a révélé qu’au sein des entreprises, les data scientists consacraient 80 % de leur temps à nettoyer, à intégrer et à préparer les données, sous de nombreux formats, notamment des documents, des images et des vidéos, l’objectif global étant de mettre en place une plateforme de données fiable et intégrée pour l’IA.
Avec l’accès aux données adaptées, il est plus facile de démocratiser l’IA pour tous les utilisateurs en tirant parti de la puissance des modèles de fondation pour prendre en charge un large éventail de tâches. Les opportunités et les risques liés aux modèles de fondation doivent toutefois être pris en compte, en particulier la fiabilité de ces modèles pour un déploiement de l’IA à grande échelle.
Le manque de confiance est l’un des principaux facteurs qui empêchent les parties prenantes d’adopter l’IA. En fait, l’IBV a découvert que 67 % des dirigeants étaient préoccupés par les responsabilités potentielles liées à l’IA. Les outils d’IA responsable existants manquent de capacités techniques et sont limités à des environnements spécifiques, ce qui signifie que les clients ne peuvent pas les utiliser pour gérer la gouvernance des modèles sur d’autres plateformes. Cette situation est alarmante, compte tenu du fait que les modèles génératifs produisent souvent des résultats contenant un langage toxique (propos haineux, abusifs et injurieux, HAP), ou conduisent à des fuites de données à caractère personnel (PII). Les entreprises sont de plus en plus critiquées sur leur utilisation de l’IA, ce qui nuit à leur réputation. La qualité des données a un impact considérable sur la qualité et la pertinence du contenu produit par les modèles d’IA. C’est bien la preuve qu’il est nécessaire de relever les défis qui les entourent.
La gestion des connaissances est une application émergente de l’IA générative. Grâce à la puissance de l’IA, les entreprises peuvent utiliser des outils de gestion des connaissances pour collecter, créer, consulter et partager des données pertinentes afin d’obtenir des informations organisationnelles. Les applications logicielles de gestion des connaissances sont souvent mises en œuvre dans un système centralisé (base de connaissances) pour soutenir des domaines et des tâches spécifiques de l’entreprise, notamment la gestion des talents, le service client et la modernisation des applications.
RH, gestion des talents et IA
Les services RH peuvent exploiter l’IA pour des tâches comme la génération de contenu, la génération augmentée de récupération (RAG) et la classification. La génération de contenu peut être utilisée pour créer rapidement la description d’un rôle. La génération augmentée de récupération (RAG) peut aider à identifier les compétences requises pour un rôle sur la base des documents RH internes. La classification peut aider à déterminer si le candidat convient à l’entreprise sur la base de sa candidature. Ces tâches rationalisent le traitement des candidatures en réduisant le délai entre le dépôt du dossier et la réponse donnée au candidat.
Service client et IA
Les services client peuvent tirer parti de l’IA en utilisant la RAG, la synthèse et la classification. Les entreprises peuvent par exemple intégrer sur leur site web un chatbot de service client utilisant l’IA générative pour donner des réponses plus conversationnelles et mieux adaptées au contexte. La génération augmentée de récupération peut être utilisée pour effectuer des recherches dans les documents internes contenant des connaissances organisationnelles afin de répondre à la demande du client et de générer un résultat personnalisé. La synthèse peut aider les employés en leur fournissant un résumé du problème du client et de ses interactions précédentes avec l’entreprise. La classification de texte peut être utilisée pour catégoriser le sentiment du client. Ces tâches peuvent réduire le travail manuel tout en améliorant le support client et, avec un peu de chance, la satisfaction et la rétention client.
Modernisation des applications et IA
La modernisation des applications peut également s’appuyer sur des tâches de synthèse et de génération de contenu. Avec un résumé des connaissances et des objectifs métier de l’entreprise, les développeurs passent moins de temps à chercher les informations nécessaires et peuvent en consacrer davantage au codage. L’équipe informatique peut également demander un résumé pour gérer rapidement les problèmes associés à un ticket de support et les trier par ordre de priorité. Les développeurs peuvent faire une autre utilisation de l’IA générative, en communiquant avec de grands modèles de langage (LLM) en langage humain et en demandant au modèle de générer du code. Ils peuvent ainsi traduire différents langages de code, résoudre les bugs et passer moins de temps à coder, pour une idéation plus créative.
Les organisations ont besoin d’un data lakehouse pour relever les défis en matière de données inhérents au déploiement d’un système de gestion des connaissances basé sur l’IA. Cette solution qui allie la flexibilité des data lakes aux performances des entrepôts de données facilite la mise à l’échelle de l’IA. Un data lakehouse est un magasin de données adapté à des besoins spécifiques.
Pour préparer les données à l’IA, les ingénieurs de données doivent pouvoir accéder à tous les types de données provenant d’une grande variété de sources et d’environnements de cloud hybride à partir d’un point d’entrée unique. Un data lakehouse doté de plusieurs moteurs de requête et modes de stockage permet aux membres de l’équipe de partager des données dans des formats ouverts. En outre, les ingénieurs peuvent nettoyer, transformer et standardiser les données pour la modélisation IA/ML sans dupliquer ni créer de pipelines supplémentaires. De même, les entreprises devraient envisager d’adopter des solutions de lakehouse qui intègrent l’IA générative pour permettre aux ingénieurs de données et aux utilisateurs non techniques de découvrir, augmenter et enrichir facilement les données en utilisant le langage naturel. Grâce aux data lakehouses, le déploiement de l’IA et la génération de pipelines de données sont plus efficaces.
Les systèmes de gestion des connaissances alimentés par l’IA contiennent des données sensibles, notamment les e-mails RH automatisés, les traductions de vidéos marketing et l’analyse des transcriptions des centres d’appel. Quand on a affaire à ce type d’informations sensibles, il est primordial de sécuriser l’accès à ces données. Les clients ont besoin d’un data lakehouse qui offre une gouvernance centralisée intégrée et une application automatisée des politiques locales, avec un catalogage des données, des contrôles d’accès, la sécurité et la transparence de la traçabilité des données.
Grâce au socle de données établi par le data lakehouse, les data scientists peuvent utiliser des données gouvernées pour créer, entraîner, ajuster et déployer des modèles d’IA, en toute confiance.
Comme mentionné précédemment, les chatbots sont une forme populaire de système de gestion des connaissances alimenté par l’IA, utilisés dans le contexte de l’expérience client. Cette application peut être créatrice de valeur pour l’entreprise, mais elle présente également des risques.
Par exemple, le chatbot d’un établissement de santé peut réduire la charge de travail des infirmières et améliorer le service client en répondant aux questions sur les traitements à partir des informations collectées lors des interactions précédentes. Cependant, si les données sont de mauvaise qualité ou si un biais est introduit dans le modèle lors du réglage fin ou de l’optimisation des prompts, le modèle risque de manquer de fiabilité. Le chatbot pourrait alors répondre au patient en utilisant un langage inapproprié ou en divulguant les informations personnelles d’un autre patient.
Pour éviter cet écueil, les organisations doivent mettre en place des mesures proactives de détection et d’atténuation des biais et des dérives lorsqu’elles déploient des modèles d’IA. La mise en place d’une capacité de filtrage automatique permettant de détecter les contenus haineux, abusifs et injurieux et les données à caractère personnel réduirait la charge de travail des validateurs associée à la validation manuelle des modèles visant à s’assurer de l’absence de contenus toxiques.
Comme nous l’avons mentionné, une stratégie de gestion des connaissances fait référence à la collecte, à la création et au partage des connaissances au sein d’une organisation. Elle est souvent mise en œuvre dans un système de partage des connaissances qui peut être partagé avec les parties prenantes pour apprendre et tirer parti des connaissances collectives et des informations organisationnelles existantes. Par exemple, une tâche d’IA basée sur la RAG peut identifier les compétences nécessaires pour un poste en fonction de documents RH internes ou permettre à un chatbot de service client de rechercher des réponses dans des documents internes pour traiter la demande d’un client et générer un résultat personnalisé.
Lorsqu’elles envisagent de déployer des modèles d’IA, les entreprises devraient faire appel à un partenaire de confiance ayant créé ou obtenu des modèles efficaces à partir de données de qualité : des modèles pouvant être adaptés aux données et aux objectifs de l’entreprise.
Pour aider nos clients à résoudre les problèmes de gestion des connaissances, nous proposons IBM watsonx.ai. Élément du portefeuille de produits d’IA IBM watsonx qui regroupe de nouvelles capacités d’IA générative, watsonx.ai s’appuie sur des modèles de fondation et le machine learning traditionnel pour créer un studio performant couvrant l’ensemble du cycle de vie de l’IA. Avec watsonx.ai, vous pouvez entraîner, valider, ajuster et déployer en toute facilité des fonctionnalités d’IA générative et de machine learning ainsi que des modèles de fondation, et créer des applications d’IA beaucoup plus rapidement, avec seulement une fraction des données disponibles.