Decideo - Data Science, Big Data, Intelligence Augmentée

L'IA on en parle à coups de milliards, de data centers, et de LLMs... mais on parle peu des données : expliquez nous l'importance des données dans le processus d'intelligence artificielle - On parle parfois des données synthétiques qui permettraient de compenser l'absence de données réelles. Vous n'y croyez pas ? - Vous mentionnez les data space, et vous dites que des milliards ont été investi sur le sujet. De quoi s'agit-il et ou sont passés les milliards ? Parce que honnêtement, personne ne connait ! - Aux Etats-Unis, ils sont plutôt bons pour la collecte de données, mais ils n'ont pas de data spaces... est-ce qu'on n'aurait pas encore une fois choisi la complexité en Europe ?

Vous en avez assez d’entendre parler de LLM, de prompt, de text token, ou de adversarial machine learning ? Ça tombe bien, le 6 septembre dernier, le Journal Officiel de la République Française a publié, pour la rentrée des classes, la liste relative au vocabulaire de l’intelligence artificielle. La commission d’enrichissement de la langue française a retenu quatorze termes ; elle les a traduits, et définit.

Ainsi, vous pourrez parler de Grands Modèles de Langage, les GML ; d’instructions génératives pour les prompts, de jeton textuel pour les text token, et d’apprentissage antagoniste pour l’adversarial machine learning.

Plus aucune excuse pour truffer vos textes et vos vidéos de ces anglicismes qui ne rendent pas hommage à notre langue. Ça fait plus chic ? C’est plus court ? Tout le monde le dit ? Toutes ces excuses sont valables, mais avec un petit effort, vous verrez que vos textes en ressortiront de meilleure facture. Et ne devenez pas ces directeurs marketing que je rencontre régulièrement et qui commencent leur présentation en s’excusant des mots anglais qu’ils utiliseront... sous prétexte que, vous savez, je vis aux States depuis plusieurs années, et je ne sais plus comment on dit en français.

Cinq pages du JO du 6 septembre à imprimer donc, et à garder bien visible sur votre bureau.

Ah tiens d’ailleurs, il y en a un qui manque ! Je n’ai pas trouvé la traduction de RAG, Retrieval Augmented Generation. Il va falloir continuer l’enrichissement du dictionnaire. J’ai trouvé sur Internet une traduction sous forme de Génération Augmentée de Récupération. Pourquoi pas. Qu’en pensez-vous ?

A tiens, amis québécois qui nous écoutez, vous qui êtes si prompts à défendre la langue française, montrez l’exemple ! Le problème c’est que nous ne sommes pas toujours d’accord sur les traductions... Ainsi l’Office Québécois de la Langue Française recommande d’utiliser le terme de « requête » pour désigner les prompts. Alors requête ou instruction générative ? Qu’en pensez-vous ?

Les prompts sont des données : va-t-il falloir les cataloguer ?

Selon une enquête de l’Associated Press, déjà 70 % des rédacteurs utilisent l’IA générative pour produire du contenu. Les données sont omniprésentes dans la démarche : dans l’alimentation des modèles, dans les prompts et dans les contenus produits.

Si j’écris demain un article à l’aide d’un traitement de texte, c’est moi qui en serai l’auteur et non Word. Mais si j’écris les prompts qui me permettent de demander à ChatGPT de produire cet article, ou le code d’un logiciel, ce serait donc ChatGPT qui deviendrait l’auteur ? Non, et heureusement, il a déjà été établi par jurisprudence dans plusieurs pays, qu’une IA ne pouvait pas obtenir de droits de propriété sur ses propres créations. L’IA n’a pas de personnalité juridique. C’est l’Humain qui a piloté l’IA qui est reconnu comme auteur de ses créations. Mais demain, le journaliste, le scénariste, mais également le programmeur, le rédacteur de documentation, ne manipuleront plus directement les mots, mais les prompts qui serviront à les produire. Pourrait-on aller jusqu’à déposer et protéger un prompt, tout comme on protège un livre, un logiciel ou un scénario ? Peut-être est-ce une idée à creuser. Juristes spécialistes de la propriété intellectuelle, je vous lance la perche ! En tous cas, ces prompts, ce sont également des données. Et il faut les collecter, les stocker, et donc peut-être les protéger, afin de faire le lien entre le prompt et le contenu qu’il a produit. En entreprise, la réplicabilité et l’explicabilité sont des sujets importants. Si je lance deux fois la même requête sur une même base de données, je dois obtenir le même résultat. Sinon, j’ai un problème. Êtes-vous certain que le même prompt lancé dans le même outil d’IA générative, produira le même contenu ? Je ne crois pas, et c’est un vrai problème. Si j’utilise l’IA générative pour transformer une question en langage naturel en requête SQL, la même question donnera-t-elle toujours la même réponse ? Si non, ça sent le crépage de chignon en réunion du lundi matin. Ça peut faire sourire, mais imaginez que votre tableau Excel donne des résultats différents en fonction de l’heure de la journée, de la météo ou de l’âge du capitaine.

Je vous parle beaucoup en ce moment de gouvernance de l’intelligence artificielle. Une des facettes de cette gouvernance, sera la gestion des prompts. Leur historisation, la traçabilité de leur cycle de vie, le lien entre le prompt et son résultat, etc. Des tas de métadonnées qu’il va falloir organiser.

Je ne sais pas encore comment nous l’appellerons, mais c’est un outil qu’il va falloir inventer. On y retrouvera : - L’historisation des prompts utilisés, et de leurs métadonnées ; - La traçabilité, le lineage, qui a mené du prompt au résultat. Quel modèle a été utilisé, quelle version, quelles données d’entrainement, etc..

Cet outil permettra également de vérifier les droits d’accès, la conformité des données utilisées, et produites. Et il assurera la piste d’audit nécessaire pour qu’en cas de besoin, le service conformité ou audit interne, voir une autorité extérieure, puissent remonter l’historique.

Vous voyez que le sujet de la gouvernance de l’IA, et des données qui vont avec, n’est pas une mince affaire. On est loin de votre ado tout fier d’avoir utilisé ChatGPT pour rédiger 10 lignes sur la révolution russe !

Si vous envisagez une utilisation sérieuse, et en production, de l’intelligence artificielle, vous devrez passer par les étapes que je viens de décrire. Et si vous cherchez une idée de business à créer dans le domaine du logiciel, regardez du côté d’une plate-forme de traçabilité des usages de l’IA en entreprise... il y a tout un marché !

Vous avez décidé de suivre la tendance ? Bravo ! C’est à dire de vous appuyer sur les utilisateurs métiers pour gérer et gouverner leurs données. Et vos propriétaires de données développent des data products, en négociation directe avec les consommateurs de ces mêmes données. Fantastique ! Selon plusieurs études, entre 50 et 70 % des entreprises seraient en train de planifier ou de déployer ce type d’architecture.

Généralement, lorsque je présente cette nouvelle organisation à des entreprises, cela soulève deux questions : celle du catalogage des data products, et celle du stockage des données.

Pour ce qui est du stockage, beaucoup de solutions ont émergé; on parle souvent de Snowflake ou de Databricks, mais également de Amazon Data Zone que je vous présentais la semaine dernière.

En ce qui concerne le catalogage des données, c’est plus compliqué.

Par définition, un catalogue de données catalogue ... des données. Or là, ces données sont regroupées dans des jeux de données, ces fameux data products.

Comment un catalogue de données peut-il évoluer vers un catalogue de jeux de données. C’est ce que propose depuis cette semaine Zeenea. Zeenea est un éditeur français, qui propose à ses clients une gestion de catalogue de données.

Dans Zeenea, un Data Product est, je cite, “une collection de Jeux de Données de haute qualité et leurs métadonnées (propriétés, description, termes de glossaire liés, etc.), fournissant un contexte clair aux consommateurs de données”.

L’éditeur a choisi de créer un magasin de data products. A l’image d’un site de commerce électronique, les utilisateurs de données vont pouvoir consulter une “Enterprise Data Marketplace”, dans laquelle les producteurs de données auront déposé leurs data products. Vous pouvez donc dans Zeenea cataloguer vos données, et partager vos data products.

La solution est de plus basée sur un graphe de connaissance. Il permet aux utilisateurs de découvrir des données ou des data products, en suivant les liens. Les points essentiels tels que la gestion du cycle de vie, des politiques d’accès aux données, ou encore de la conformité des data products, sont pris en charge par la plateforme. A plus long terme, Zeenea envisage de décentraliser plus encore ses catalogues de données, en intégrant une forme de fédéralisation. Un catalogage géré par les utilisateurs, mais dans un cadre de gouvernance fédéral.

Alors, appelez cela data mesh, ou pas, mais clairement Zeenea va dans la bonne direction. Allez, juste une remarque, Zeenea devrait intégrer la notion de data contracts dans sa plateforme. Ce contrat, signé entre le producteur et le consommateur d’un data product, est justement la partie qui manque à la théorie du data mesh.

DATA DÉMOCRATIE

ÊTRE UN CITOYEN LIBRE A L’ ÈRE DU NUMÉRIQUE

Thomas Jamet, Florian Freyssenet, Lionel Dos Santos De Sousa

Parution le 10 novembre 2022

352 pages – 22€

ISBN : 978-2-35456-518-3

Nos vies, nos économies et nos démocraties ont été mises en réseau. Derrière les écrans, nos données personnelles et collectives sont devenues les enjeux d’un business débridé et d’affrontements géopolitiques vertigineux.

Ancré dans la réalité avec des exemples concrets, DATA DÉMOCRATIE plonge dans une actualité digne des films d’espionnage ou des œuvres dystopiques de science-fiction. Tout en nous offrant un éclairage appuyé sur les grands penseurs d’hier et d’aujourd’hui, cet ouvrage entend armer les esprits en montrant quoi faire, dès aujourd’hui, pour se protéger en ligne et pour comprendre avec recul et sérénité ces technologies sans cesse en évolution ainsi que leurs multiples impacts.

Lucide et porteur de solutions, DATA DÉMOCRATIE veut marquer les consciences et préparer le futur. Documenté et accessible, non partisan et patriote, utopiste et réaliste à la fois, cet ouvrage nourrira les pensées, quelles que soient les appétences politiques ou philosophiques.

Il est essentiel pour tous les enseignants, étudiants, spécialistes de la cybersécurité, entrepreneurs, CFO, CTO, CEO, militants, élus de la Nation ou plus simplement tout citoyen se posant des questions sur l’avenir de ses enfants. Il nous plonge au cœur de tous les sujets bouleversant notre quotidien et nos sociétés : l’évolution de nos droits numériques face à la toute-puissance des entreprises Big Tech ; le choc des titans des grandes nations du Digital ; la position de la France, de ses citoyens, de ses entreprises, de son État et de ses services publics, dans une Europe qui cherche à se réenchanter et à inventer des garde-fous face à des empires numériques devenus plus puissants que ses pays.

DATA DÉMOCRATIE offre un nouveau modèle utopique de démocratie : la « rétocratie », une démocratie des réseaux, par les réseaux et pour les réseaux. Ce nouveau paradigme technopolitique, fruit hybride des modèles avancés des géants du numérique et de notre héritage républicain, permettrait à la France de bénéficier de meilleurs services publics et d’une forme de gouvernement plus à même de servir notre bien commun, pour que nos données soient finalement utilisées pour nous et non plus contre nous.

Thomas Jamet est un spécialiste du digital, de la publicité et de la stratégie média. Il est le CEO du groupe de Communication Mediabrands (Interpublic) en France, président de l’Union des entreprises en conseil et achat média (UDECAM) et professeur à Sciences-Po Paris. Florian Freyssenet est entrepreneur et investisseur dans le secteur de l’immobilier et du Web3. Il dirige TokenLand, un cabinet de conseil spécialisé dans le financement de l’immobilier.

Lionel Dos Santos de Sousa est un spécialiste des marchés financiers. Il travaille pour l’un des plus grands groupes bancaires français sur les marchés boursiers internationaux.