A quoi ressemblera l'IA appliquée en 2022 ?

décembre 29, 2021 Par admin 0
A quoi ressemblera l'IA appliquée en 2022 ?

Crédit image: Getty Images


Écoutez les DSI, les CTO et d'autres cadres supérieurs et cadres supérieurs sur les stratégies de données et d'IA lors du Sommet sur l'avenir du travail du 12 janvier 2022. Apprendre encore plus


L'adoption de l'IA a explosé au cours des 18 derniers mois. Outre Joe McKendrick, qui a écrit l'article fondamental sur HBR, les professionnels qui travaillent sur l'IA attesteraient volontiers de cette déclaration. La recherche Google semble également être dans ce domaine pas si secret: lorsque vous êtes invité à indiquer «Adoption de l'IA», sa saisie semi-automatique jaillit «ont monté en flèche au cours des 18derniers mois».

Les preuves anecdotiques et les enquêtes dont nous avons connaissance semblent pointer dans la même direction. Exemple : l'enquête AI Adoption in the Enterprise 2021 par O'Reilly, menée début 2021, a reçu trois fois plus de réponses qu'en 2020, et la culture d'entreprise n'est plus l'obstacle le plus important à l'adoption.

En d'autres termes, de plus en plus de personnes travaillent avec l'IA, c'est maintenant pris au sérieux et la maturité augmente. C'est une bonne nouvelle. Cela signifie que l'IA n'est plus un jeu auquel les chercheurs jouent – elle devient appliquée, occupant une place centrale pour Microsoft et Amazon et au-delà.

Ce qui suit examine les piliers que nous attendez-vous à ce que l'IA appliquée s'appuie sur en 2022.

Puces d'IA

Généralement, lorsqu'on parle d'IA, les gens pensent aux modèles et aux données, et pour cause. Ce sont les parties sur lesquelles la plupart des praticiens pensent pouvoir exercer un certain contrôle, tandis que le matériel reste pour la plupart invisible et ses capacités considérées comme fixes. Mais est-ce le cas?

Les puces d'IA, une nouvelle génération de matériel conçu pour exécuter de manière optimale les charges de travail liées à l'IA, connaissent une croissance et une innovation explosives. Les piliers du cloud tels que Google et Amazon construisent de nouvelles puces d'IA pour leurs centres de données – TPU et Trainium, respectivement. Nvidia a dominé ce marché et construit un empire autour de son écosystème matériel et logiciel.

Intel cherche à rattraper son retard, que ce soit via des acquisitions ou sa propre R&D. Le statut d'Arm reste quelque peu flou, l'acquisition annoncée par Nvidia faisant l'objet d'un examen réglementaire. De plus, nous avons un grand nombre de nouveaux joueurs à différents stades de leur cheminement vers l'adoption, dont certains – comme Graphcore et SambaNova – ont déjà atteint le statut de licorne.

Qu'est-ce que cela Cela signifie que pour l'IA appliquée, choisir où exécuter les charges de travail d'IA ne signifie plus simplement choisir entre les processeurs Intel et les GPU Nvidia. Il y a maintenant de nombreux paramètres à prendre en compte, et ce développement n'est pas seulement important pour les ingénieurs en apprentissage automatique, mais aussi pour les praticiens et les utilisateurs de l'IA. Les charges de travail d'IA exécutées de manière plus économique et efficace signifient qu'il y aura plus de ressources à utiliser ailleurs avec un délai de mise sur le marché plus rapide.

    MLOps et centrage des données

    La sélection du matériel sur lequel exécuter les charges de travail d'IA peut être considérée comme faisant partie de le processus de bout en bout de développement et de déploiement de modèles d'IA, appelé MLOps – l'art et la science d'amener l'apprentissage automatique à la production. Pour établir la connexion avec les puces d'IA, les normes et les projets tels que ONNX et Apache TVM peuvent aider à combler le fossé et à alléger le processus fastidieux de déploiement de modèles d'apprentissage automatique sur diverses cibles.

    En 2021, avec les enseignements tirés de l'opérationnalisation de l'IA, l'accent est désormais mis sur des nouveaux modèles brillants vers des aspects peut-être plus banals, mais pratiques, tels que la qualité des données et la gestion du pipeline de données, qui sont tous des éléments importants des MLOps. Comme toute discipline, MLOps voit de nombreux produits sur le marché, chacun se concentrant sur différentes facettes.

    Certains produits sont plus axés sur les données, d'autres sur les pipelines de données, et certains couvrent les deux . Certains produits surveillent et observent des éléments tels que les entrées et les sorties des modèles, la dérive, la perte, la précision et l'exactitude du rappel des données. D'autres font des choses similaires, mais différentes, autour des pipelines de données.

    Les produits centrés sur les données répondent aux besoins des scientifiques des données et des responsables de la science des données, et peut-être aussi des ingénieurs en apprentissage automatique et des données analystes. Les produits centrés sur le pipeline de données sont davantage orientés vers les ingénieurs DataOps.

    En 2021, les gens ont essayé de donner des noms à divers phénomènes relatifs aux MLOps, de découper et de découper le domaine MLOps, d'appliquer contrôle de version des données et apprentissage automatique continu, et exécutez l'équivalent du développement piloté par les tests pour les données, entre autres.

    Ce que nous considérons comme le changement le plus profond, cependant, est l'accent mis sur l'IA dite centrée sur les données. D'éminents leaders d'opinion et praticiens de l'IA tels qu'Andrew Ng et Chris Ré ont discuté de cette notion, qui est étonnamment simple dans son essence.

    Nous avons maintenant atteint un point où l'apprentissage automatique les modèles sont suffisamment développés et fonctionnent bien dans la pratique. À tel point, en fait, qu'il ne sert à rien de concentrer les efforts sur le développement de nouveaux modèles à partir de zéro ou sur la mise au point à la perfection. Selon la vision centrée sur les données, ce que les praticiens de l'IA devraient faire à la place, c'est de se concentrer sur leurs données: nettoyer, affiner, valider et enrichir les données peut grandement contribuer à améliorer les résultats des projets d'IA.

    Grands modèles linguistiques, modèles multimodaux et IA hybride

    Les grands modèles linguistiques (LLM) ne sont peut-être pas la première chose qui vient à l'esprit lorsqu'on discute de l'IA appliquée. Cependant, les connaisseurs pensent que les LLM peuvent intérioriser les formes de base du langage, qu'il s'agisse de biologie, de chimie ou de langage humain, et nous sommes sur le point de voir se développer des applications inhabituelles de LLM.

    Pour étayer ces affirmations, il convient de mentionner que nous voyons déjà une sorte d'écosystème se construire autour des LLM, principalement l'API GPT-3 disponible dans le commerce par OpenAI en collaboration avec Microsoft. Cet écosystème se compose principalement d'entreprises proposant des services de rédaction tels que des textes marketing, des e-mails et des messages LinkedIn. Ils n'ont peut-être pas encore mis le feu au marché, mais ce n'est que le début.

    Nous pensons que les LLM connaîtront une adoption accrue et conduiront à des produits innovants en 2022 dans un certain nombre de manières: grâce à davantage d'options de personnalisation des LLM comme GPT-3; grâce à davantage d'options pour la création de LLM, telles que NeMo Megatron de Nvidia; et par le biais d'offres de LLM en tant que service, telles que celle de SambaNova.

    Comme l'a noté Kyle Wiggers de VentureBeat dans un article récent, les modèles multimodaux deviennent rapidement un réalité. Cette année, OpenAI a publié DALL-E et CLIP, deux modèles multimodaux qui, selon les laboratoires de recherche, sont «un pas vers des systèmes avec meilleure compréhension du monde. Si les LLM sont quelque chose à faire, nous pouvons raisonnablement nous attendre à voir des applications commerciales de modèles multimodaux en 2022.

    Une autre direction importante est celle de l'IA hybride, qui consiste à infuser connaissances en apprentissage automatique. Des dirigeants tels que Gadi Singer d'Intel, Mike Dillinger de LinkedIn et Frank van Harmelen d'Hybrid Intelligence Centre soulignent tous l'importance de l'organisation des connaissances sous la forme de graphiques de connaissances pour l'avenir de l'IA. Reste à savoir si l'IA hybride produira des applications d'IA appliquées en 2022.

    IA appliquée dans les soins de santé et fabrication

      Terminons avec quelque chose de plus ancré: des domaines prometteurs pour l'IA appliquée en 2022. Adoption de l'IA d'O'Reilly dans l'enquête Enterprise 2021 cite la technologie et les services financiers comme les deux domaines menant l'adoption de l'IA. Ce n'est guère surprenant, étant donné la volonté de l'industrie technologique de «manger sa propre nourriture pour chiens» et la volonté de l'industrie financière d'obtenir chaque centimètre d'avantage concurrentiel possible en utilisant ses poches profondes.

      Mais que se passe-t-il au-delà de ces deux industries? L'enquête d'O'Reilly cite les soins de santé comme le troisième domaine d'adoption de l'IA, ce qui est cohérent avec notre propre expérience. Comme l'ont noté les auteurs de State of AI Nathan Benaich et Ian Hogarth en 2020, la biologie et les soins de santé connaissent leur moment d'IA. Cette vague d'adoption était déjà en mouvement, et l'avènement de COVID-19 l'a encore accélérée. , par exemple, « Je pense que ce gène est responsable de cette maladie, allons le poursuivre et voyons si c'est vrai. » Ensuite, il y a les gens plus axés sur les logiciels qui sont dans cette nouvelle ère de la pharma. Ils se penchent principalement sur des expériences à grande échelle et posent de nombreuses questions en même temps. De manière impartiale, ils ont laissé les données dessiner la carte de ce sur quoi ils devraient se concentrer », a déclaré Benaich pour résumer l'approche axée sur l'IA.

      La seule façon de valider si l'approche pharmaceutique du nouvel âge fonctionne, c'est si elles peuvent générer des candidats-médicaments qui s'avèrent réellement utiles en clinique, et finalement faire approuver ces médicaments, a ajouté Benaich. Parmi ces sociétés «pharma du nouvel âge», Recursion Pharmaceuticals a été introduite en bourse en avril 2021 et Exscientia a déposé une demande d'introduction en bourse en septembre 2021. Elles ont toutes deux des actifs générés grâce à leur approche basée sur l'apprentissage automatique qui sont réellement utilisés en clinique.

      En ce qui concerne la fabrication, il y a plusieurs raisons pour lesquelles nous choisissons de la mettre en avant parmi les nombreux domaines en retard dans l'adoption de l'IA. Premièrement, il souffre d'une pénurie de main-d'œuvre que l'IA peut aider à atténuer. Selon une étude publiée par Deloitte et The Manufacturing Institute, jusqu'à 2,1 millions d'emplois dans le secteur manufacturier pourraient ne pas être pourvus d'ici 2030. Les solutions d'IA qui effectuent des tâches telles que les inspections physiques automatisées de produits entrent dans cette catégorie.

      Deuxièmement, la nature des applications industrielles nécessite de combiner des pans de données avec le monde physique de manière très précise façons. Ceci, certaines personnes l'ont noté, se prête bien aux approches hybrides d'IA.

      Et last but not least, des données concrètes. Selon une enquête de 2021 de The Manufacturer, 65% des leaders du secteur manufacturier travaillent à piloter l'IA. La mise en œuvre dans les seuls entrepôts devrait atteindre un taux de croissance annuel composé de 57,2 % au cours des cinq prochaines années.

        VentureBeat

        La mission de VentureBeat est d'être une place de ville numérique pour les décideurs techniques afin d'acquérir des connaissances sur la technologie transformatrice et d'effectuer des transactions. Notre site fournit des informations essentielles sur les technologies et les stratégies de données pour vous guider dans la gestion de vos organisations. Nous vous invitons à devenir membre de notre communauté, pour accéder à :

            des informations à jour sur les sujets qui vous intéressent
              nos newsletters

          • pensée fermée- contenu leader et accès à prix réduit à nos événements prisés, tels que Transform 2021 : Apprendre encore plus
          • fonctionnalités de mise en réseau, et plus

        Devenir membre