Sémantique de l’IA, confusion des AI

Concrètement : commençons par la fin de l’histoire en parlant justement de la GenAI. L’AI générative est une famille d’algorithmes et d’usages dont les applications sont fascinantes, ce n’est pas étonnant que cela crée un tel buzz. Mais est-ce pour autant une discipline à part ? Est-ce que la GenAI crée des GenAI Scientists, des GenAI Officer, etc, ou n’est-ce qu’une nouvelle corde à l’arc des Data Scientists et une nouvelle famille de cas d’usage pour les Chief Data (& AI) Officer ?

La vague de la GenAI a été tellement soudaine et haute, que pour nombre de locuteurs (journalistes, marketeurs, décideurs etc.) elle a balayé sur son passage tout ce qui existait en matière d’Intelligence Artificielle ou de traitement algorithmique de la donnée.

Ce qui rappelle ce qu’avait produit, mais de façon moins puissante, la ré émergence des réseaux de neurones et donc du deep learning il y a quelques années.

Mais cette fois, c’est comme si on repartait à zéro. Concrètement cela produit des évènements comme un CEO qui se pose la question de créer le poste de Chief GenAI Officer à côté de celui Chief Data Officer. Dont le comex n’avait peut-être pas trop conscience de tout son travail sur la qualité et la gouvernance de la donnée, sur l’engineering d’une data plateforme (préalable à la GenAI) qui permet d’ingérer et d’exposer cette donnée, sur tous les cas d’usage business développés avec des algorithmes des plus sophistiqués, etc.

Mais n’y a-t-il pas tout de même des cas ou la GenAI écrase tout ? Si bien sûr, elle peut s’imposer en effet : quand la GenAI a des applications hypertrophiées par rapport à tout le reste. Dans les industries créatives par exemple. C’est sûr que là, s’il y avait un head of data qui gérait quelques dashboards et régressions logistiques pour prédire les ventes, il ou elle n’est sans doute pas équipé(e) pour gérer la transformation colossale que va susciter la GenAI. Mais prenons un cas modéré, où la GenAI a des applications très impactantes tout de même : les industrie ou la R&D est très importante par exemple. Là on va pouvoir explorer des millions de pages de thèses et de recherche et en tirer des idées de nouvelles molécules, de nouveaux process, de nouvelles applications thérapeutiques… Mais ce ne seront que des nouveaux cas d’usage (pas si nouveaux d’ailleurs, IBM Watson le faisait), adressés par des nouveaux algorithmes dont le maniement sera accessible aux équipes en place qui ont déjà l’habitude de s’auto former aux innovations de leurs disciplines.

Mais quid de l’AI alors ? Il est en effet apparu un abus de langage qui crée une autre confusion : on entend maintenant partout AI pour genAI ! fini la vision artificielle (l’IA d’avant, autre abus de langage), fini le machine learning, la data science etc. Autant dire que tout ce qui ne fabrique pas des images ou des textes est passé à l’ombre de la GenAI pour le grand public (et pour les décideurs généralistes).

Bref, tout cela ça va très vite, chaque public comprend différemment les mots à l’instant t, et c’est là que des incompréhensions peuvent naitre entre les différents interlocuteurs de la transformation.