L’intelligence artificielle générative (GenAI) est apparue comme une technologie transformatrice dont la gamme d’applications semble illimitée et qui promet des avantages considérables pour la société.
Cinq jours seulement après son lancement public en novembre 2022, ChatGPT, l’outil GenAI le plus populaire, avait gagné un million d’utilisateurs et son site web attire actuellement plus de 1,5 milliard de visites chaque mois. La popularité des outils de GenAI s’explique non seulement par le large éventail d’applications qu’ils proposent, mais aussi par leur accessibilité. En plus d’être souvent gratuits, ces services sont très intuitifs grâce à une interface de chatbot familière et à une communication basée sur le langage naturel.
Cependant, sous les promesses considérables de la GenAI se cachent une multitude de défis éthiques et commerciaux qui exigent un examen attentif.
À mesure que l’utilisation de la GenAI se développe et que de plus en plus d’entreprises l’intègrent dans leurs produits et services, son impact sociétal devient de plus en plus évident. C’est pourquoi il est urgent de se pencher sur les dimensions éthiques de l’utilisation généralisée de ces outils afin de s’assurer que le développement et le déploiement s’alignent sur nos valeurs fondamentales en tant que société.
Dans une courte série de billets de blog, nous espérons explorer en détail le paysage éthique entourant la GenAI – une exploration des implications profondes, des dilemmes complexes et des résolutions potentielles.
Avant d’explorer les dimensions éthiques et les dilemmes associés à la GenAI, il est important de comprendre comment fonctionne la GenAI si nous voulons surmonter les idées fausses et la confusion qui accompagnent souvent les débats sur cette nouvelle technologie.
Qu’est-ce que la GenAI ?
À la base, GenAI fait référence à une famille de modèles d’apprentissage profond dotés de la capacité extraordinaire de créer du contenu – qu’il s’agisse de texte, d’images ou d’autres types de données – qui ressemble étroitement aux informations sur lesquelles ils ont été formés. En examinant minutieusement les modèles au sein des données d’apprentissage, ces algorithmes acquièrent la capacité de générer des résultats frais et innovants, produisant essentiellement de nouveaux échantillons dans le même format de données.
Figure 1 Génération de contenu à l’aide de ChatGPT
Les modèles de GenAI se présentent sous diverses formes, classées en fonction du type de résultat qu’ils produisent ou de l’architecture sous-jacente qu’ils emploient. Les modèles axés sur la génération de contenu visuel sont souvent identifiés comme des réseaux adversoriels génératifs (GAN) ou des modèles de diffusion.
À l’inverse, ceux qui sont conçus pour générer du texte ou de l’audio appartiennent généralement à la catégorie autorégressive, prédisant les valeurs à venir en utilisant les données antérieures comme intrants. Chacune de ces approches a conduit au développement de produits et services innovants qui non seulement font progresser notre compréhension de l’IA, mais offrent également des avantages significatifs par rapport aux produits et services qui n’intègrent pas la GenAI. Cependant, les modèles autorégressifs sont également adaptés aux tâches de génération d’images et de traitement vidéo.
Figure 2 Modèles de diffusion et modèles autorégressifs
Les modèles de diffusion et de GAN brillent lorsqu’il s’agit de créer des contenus visuels et multimédias ou d’exécuter des tâches telles que l’incrustation et l’extirpation d’images, en particulier lorsqu’ils sont accompagnés d’une invite textuelle détaillant le résultat souhaité. Il existe plus de 7 000 modèles de diffusion stable et il n’est pas facile de choisir le bon modèle. Parmi les modèles de diffusion les plus connus pour la génération d’images, citons DALL-E 3, Midjourney et Stable Diffusion.
D’autre part, les modèles autorégressifs pilotent les grands modèles de langage (LLM) tels que le très répandu GPT. Ces modèles génèrent du texte de manière incrémentale, un mot à la fois, en utilisant le texte saisi par l’utilisateur en conjonction avec le texte qu’ils ont précédemment généré. Les LLM affichent des performances exceptionnelles dans une myriade de tâches de traitement du langage naturel, grâce à leur formation sur de vastes ensembles de données à l’échelle de l’internet.
Cas d’utilisation de la GenAI dans différents secteurs
Les applications potentielles de la GenAI couvrent de nombreux secteurs, notamment les services financiers, l’éducation et les soins de santé.
Dans le secteur bancaire, la GenAI peut s’avérer précieuse pour la détection des transactions frauduleuses, la génération de données synthétiques pour l’entraînement des modèles d’apprentissage automatique, la protection des données des clients pour estimer la valeur à risque, et la prédiction des pertes potentielles dans des scénarios spécifiques.
Dans le domaine de l’éducation, il a la capacité de révolutionner la conception de cours personnalisés, d’améliorer l’apprentissage des étudiants grâce à des simulations virtuelles et de restaurer des supports d’apprentissage historiques.
En outre, dans le domaine des soins de santé, les applications comprennent la découverte et le développement de médicaments, les traitements personnalisés, l’imagerie médicale et la gestion de la santé de la population.
Les dilemmes éthiques de la GenAI se cachent sous la surface
Au milieu de cette promesse éblouissante et de ce potentiel apparemment illimité, la GenAI n’est pas sans inconvénients. L’utilisation de cette technologie pose toute une série de problèmes éthiques, notamment la perpétuation de préjugés préexistants, les préoccupations relatives à la propriété, à la propriété intellectuelle, à la violation des droits d’auteur et à la responsabilité, le potentiel de production de fausses nouvelles et la capacité inquiétante d’usurper l’identité d’une personne. Ces questions cruciales nécessitent un examen approfondi et des solutions réfléchies.
Dans les prochains articles, nous approfondirons ces préoccupations éthiques, en explorant les complexités qu’elles présentent et en proposant des pistes pour trouver un équilibre entre le progrès technologique et la responsabilité éthique. Rejoignez-nous pour naviguer sur le terrain éthique complexe de la GenAI, où l’avenir converge avec l’éthique, et ensemble, nous nous efforçons de façonner un avenir responsable, équitable et prometteur.
Abhishek Sakhuja Chief AI & Data Officer NTT DATA
