Quand utiliser l'IA générative ou l'IA traditionnelle ?

Ce document vous aide à déterminer quand l'IA générative, l'IA traditionnelle ou une combinaison des deux peut convenir à votre cas d'utilisation professionnel.

Dans ce document, l'IA traditionnelle fait référence aux fonctionnalités et aux cas d'utilisation d'IA qui peuvent ne pas nécessiter d'utilisation des fonctionnalités d'IA générative, tels que certains cas d'utilisation de l'IA de classification et de prédiction. Les modèles d'IA traditionnels sont d'excellents outils pour apprendre à partir des données existantes afin de classer des informations ou de prédire les résultats futurs en fonction de modèles historiques. Les modèles d'IA générative augmentent ces capacités pour créer des résumés, découvrir des corrélations cachées complexes ou générer de nouveaux contenus, comme du texte, des images ou des vidéos, qui reflètent le style et les schémas des données d'entraînement.

Quand utiliser l'IA générative ?

En général, les solutions d'IA générative excellent dans les tâches suivantes :

  • Créer et recommander du contenu
  • Optimiser la recherche conversationnelle et les chatbots
  • Scaling et automatisation des workflows pour les tâches répétitives
  • Utiliser le raisonnement associatif pour dégager des insights et des relations au sein de documents et de données
  • Génération de code et assistance aux développeurs pour l'écriture, l'explication et la documentation du code

Les sections suivantes fournissent des exemples de cas d'utilisation courants de l'IA générative pouvant être personnalisés pour différents secteurs.

Création et recommandation de contenu

  • Générer des contenus marketing tels que des images de produits, des posts sur les réseaux sociaux et des e-mails avec des images pertinentes
  • Traduire du contenu tel que des documents, du contenu de sites Web et des conversations de chatbots multilingues
  • Résumé de contenu textuel, y compris de documents, d'articles, de commentaires des clients et de rapports, afin de prendre des décisions plus éclairées basées sur les données
  • Création de résumés d'informations provenant de plusieurs sources pouvant inclure du texte, des images et des composants vidéo ou audio
  • Sous-titrage automatique de vidéos
  • Créer du contenu multimédia créatif, comme créer des images à partir de descriptions de requêtes textuelles, modifier ou corriger des images à l'aide de requêtes textuelles (par exemple, supprimer un objet ou changer le jeu de couleurs), et générer de courtes vidéos ou animations à partir de requêtes textuelles ou de scripts.
  • Générer des voix synthétiques réalistes pour des contenus audio, tels que des pistes de voix off et de la musique.
  • Analyse et compréhension du comportement, des préférences, des avis et des interactions passées des utilisateurs pour fournir des recommandations de contenu personnalisées. L'analyse peut être combinée à des facteurs en temps réel tels que la localisation pour personnaliser les recommandations de contenus (produits, articles et vidéos, par exemple).

Recherche conversationnelle et chatbots

  • Création d'assistants virtuels pour les interactions utilisateur telles que le service client et les ventes en ligne
  • Permettre la recherche conversationnelle via de grandes bases de connaissances avec des requêtes en langage naturel
  • Trouver des réponses à des questions complexes combinant des requêtes textuelles avec des images associées

Compréhension des documents et des données

  • Extraction de données et analyse de contenu à partir de textes tels que rapports, factures, reçus, transactions financières ou contrats, afin de mettre en évidence d'éventuelles erreurs ou des problèmes de conformité, identifier les risques potentiels ou découvrir les anomalies indiquant des fraudes.
  • L'analyse du sentiment du contenu généré par les utilisateurs comme les posts sur les réseaux sociaux et les avis sur les produits.
  • Analyse des transcriptions de conversations au sein des centres d'appels afin d'extraire des informations telles que les raisons les plus courantes pour lesquelles les clients accordent une mauvaise note aux interactions avec les centres d'appels.

  • Analyse des données de cybersécurité, telles que des rapports sur les menaces, des articles et des dépôts, afin d'extraire les indicateurs clés de menaces. Cette analyse permet à la cybersécurité proactive de résumer et de hiérarchiser les stratégies d'atténuation avec des recommandations pour une réponse plus rapide.

    L'analyse peut traduire des graphiques d'attaque complexes en explications en texte brut de l'exposition. Elle peut également simuler des chemins d'attaque possibles pour mettre en évidence les éléments concernés et recommander des mesures d'atténuation pour que les éléments puissent être exploités.

Génération de code et assistance pour les développeurs

L'IA générative peut vous aider à effectuer les types de tâches suivants à toutes les étapes du cycle de développement logiciel (SDLC) :

  • Génération de spécifications d'API et de documentation à l'aide de requêtes en langage naturel
  • Créer des éléments tels que du code, des fonctions, des commandes de ligne de commande et des scripts Terraform à partir de requêtes en langage naturel.
  • Génération de tests et d'explications sur le code, y compris des commentaires et de la documentation pour expliquer le code

Pour en savoir plus sur la façon dont l'IA générative peut transformer les opérations commerciales telles que le service client, la productivité des employés et l'automatisation des processus, consultez la section Cas d'utilisation professionnels de la page "IA générative sur Google Cloud".

Quand utiliser l'IA traditionnelle ?

Les cas d'utilisation traditionnels de l'IA se concentrent généralement sur la prédiction des résultats futurs ou sur la classification d'une catégorie basée sur un modèle d'IA entraîné sur des sources de données historiques existantes, telles que des données et des images tabulaires. Les solutions d'IA traditionnelle suffisent souvent à traiter plusieurs cas d'utilisation de l'IA prédictive et de classification, tels que les suivants :

  • Cas d'utilisation de la classification :
    • Filtrage des e-mails indésirables en classant les e-mails comme spam ou non spam, sur la base d'un modèle d'IA de classification traditionnel entraîné à partir de données historiques.
    • Entraînement d'un modèle de classification d'images traditionnel sur des images spécifiques de produits en bon état ou défectueux afin de faciliter l'inspection en temps réel et la détection des défauts lors de la fabrication.
  • Cas d'utilisation de la régression :
    • Prédire des valeurs numériques continues (par exemple, prédire le prix des maisons en fonction de caractéristiques et d'un lieu spécifiques)
    • Prédire le revenu qu'un client générera d'une plate-forme d'e-commerce au cours de sa relation avec l'entreprise en fonction des données d'achat historiques.
  • Cas d'utilisation des prévisions de séries temporelles : prévoir les ventes et la demande.
  • Cas d'utilisation du clustering : segmentation de la clientèle.

Pour plus d'informations sur l'utilisation de l'IA traditionnelle, consultez la section Utilisations et exemples d'analyse prédictive de la page "Qu'est-ce que l'analyse prédictive ?"

Choisir entre l'IA traditionnelle et l'IA générative

L'arbre de décision simplifié suivant fournit une référence générale pour certains chemins de décision basés sur des cas d'utilisation. Dans certains cas, il peut être préférable d'utiliser l'IA traditionnelle et l'IA générative, comme décrit dans la section suivante, "Quand combiner l'IA générative avec l'IA traditionnelle".

Un arbre de décision indique quand utiliser l'IA générative, la classification traditionnelle ou l'IA prédictive ou un modèle d'IA pré-entraîné.

L'arbre de décision comprend les questions et réponses suivantes basées sur les cas d'utilisation :

  • Si votre cas d'utilisation est lié à la classification ou à la détection, vérifiez si un modèle d'IA traditionnelle pré-entraîné peut répondre aux exigences de votre cas d'utilisation. Les modèles traditionnels pré-entraînés incluent des API d'IA telles que Document AI, Vision AI, l'API Natural Language et l'API Video Intelligence.

    • Si un modèle pré-entraîné répond à vos exigences, utilisez-le.
    • Si un modèle pré-entraîné ne peut pas répondre à vos exigences, vérifiez si les données d'entraînement disponibles sont suffisantes pour l'entraînement personnalisé.
      • Si suffisamment de données d'entraînement sont disponibles, quelle priorité doit être donnée : mieux contrôler l'entraînement de modèle ou accélérer la mise sur le marché (GTM) ?
        • Si vous avez besoin d'exercer un contrôle élevé sur l'entraînement du modèle avec des personnalisations, par exemple en utilisant n'importe quel algorithme de modèle préféré, en développant vos propres fonctions de perte, en utilisant des caractéristiques spécifiques d'explicabilité du modèle, le nombre de couches du modèle, le taux d'apprentissage et d'autres hyperparamètres du modèle, utilisez un entraînement personnalisé d'un modèle d'IA traditionnel. Pour en savoir plus sur les différences entre l'entraînement personnalisé ou l'entraînement d'un modèle dans Vertex AI à l'aide d'AutoML, consultez la section Choisir une méthode d'entraînement.
        • Si votre priorité est d'accélérer la commercialisation, utilisez l'IA générative. Si votre cas d'utilisation est spécialisé, vous pouvez améliorer les performances d'un modèle en utilisant des réglages de modèle, tels que le réglage supervisé pour la classification, l'analyse des sentiments ou l'extraction d'entités.
      • Si aucun ensemble de données d'entraînement n'est disponible ou si les ensembles de données disponibles ne sont pas assez volumineux pour entraîner un modèle personnalisé, utilisez des modèles d'IA générative avec le prompt engineering. Ces modèles peuvent être affinés pour effectuer des tâches spécialisées à l'aide d'exemples de données.

  • Si votre cas d'utilisation est lié à des cas d'utilisation de l'IA prédictive, utilisez l'IA traditionnelle. L'IA prédictive traditionnelle est particulièrement efficace avec les données structurées.

  • Si votre cas d'utilisation est lié à des cas d'utilisation de l'IA générative tels que la synthèse, la génération de contenu ou la transcription avancée, utilisez l'IA générative. L'IA générative inclut des cas d'utilisation qui nécessitent le traitement et la saisie d'informations provenant de plusieurs modalités, telles que du texte, des images, des vidéos ou de l'audio.

Bien que les data scientists et les ingénieurs en ML dirigent généralement le processus de sélection des modèles, il est important de prendre en compte également les avis des principaux intervenants, tels que les chefs d'entreprise, les propriétaires de produits, les experts de domaine et les utilisateurs finaux. Par exemple, ces personnes concernées peuvent s'engager des manières suivantes :

  • Chefs d'entreprise et décisionnaires : approuvent la sélection lorsqu'elle correspond aux priorités de l'entreprise.
  • Propriétaires de produit : peut avoir besoin d'influencer ou d'avoir plus de contrôle sur le comportement du modèle pour l'aligner sur les priorités du produit.
  • Experts du domaine : mettent leur expertise dans le domaine au profit pour améliorer l'efficacité du modèle.
  • Utilisateurs finaux : peuvent avoir besoin de comprendre les résultats du modèle et comment les intégrer pour une prise de décision plus éclairée.

Quand combiner l'IA générative avec l'IA traditionnelle ?

L'IA traditionnelle et l'IA générative ne s'excluent pas mutuellement. Dans certains cas d'utilisation professionnels, ils peuvent être utilisés pour se compléter afin d'atteindre l'objectif commercial final. Par exemple, vous pouvez utiliser le résultat d'un modèle d'IA traditionnel dans la requête d'un modèle d'IA générative. Voici quelques exemples de cas d'utilisation permettant de combiner les fonctionnalités d'IA traditionnelle et d'IA générative :

  • L'IA prédictive traditionnelle peut analyser les données historiques pour prédire la probabilité de perdre des clients. Cette analyse peut être intégrée à un LLM ou un chatbot basé sur l'IA générative, ce qui permet à votre équipe commerciale d'explorer les prédictions à l'aide de conversations en langage naturel. Vous pouvez également générer des tableaux de bord d'informatique décisionnelle via une simple conversation avec le chatbot.
  • L'IA prédictive traditionnelle peut prévoir les risques d'un cas d'utilisation spécifique, tandis que l'IA générative peut simuler différents scénarios pour aider à formuler des stratégies d'atténuation possibles.
  • L'IA prédictive traditionnelle peut identifier des segments de clientèle afin de concevoir un marketing et des campagnes personnalisés. Vous pouvez ensuite utiliser l'IA générative pour générer du contenu marketing personnalisé adapté à chaque segment identifié.
  • La vision par ordinateur de l'IA traditionnelle peut détecter et classifier la langue des signes pour traduire l'entrée vidéo en texte. L'IA générative peut améliorer la compréhension du contexte et des nuances dans la langue des signes, ce qui permet une traduction plus optimisée dans du texte écrit, y compris dans plusieurs langues. L'IA générative peut également générer une sortie vocale à partir de la traduction de texte, ce qui permet une communication bidirectionnelle fluide entre les signeurs et les non signeurs.
  • L'IA traditionnelle peut effectuer des analyses vidéo et utiliser les fonctionnalités d'intelligence vidéo pour extraire des insights et des caractéristiques essentiels à partir des éléments vidéo. Par exemple, il peut effectuer des opérations de détection d'objets, de détection de personnes, de détection de texte et d'extraction à partir d'éléments vidéo. L'IA générative peut ensuite utiliser ces insights pour créer des expériences nouvelles comme des chatbots, des listes, des rapports ou des articles.

Pour maximiser les avantages commerciaux de vos investissements dans l'IA générative et l'IA traditionnelle, hiérarchisez les résultats commerciaux et les besoins des utilisateurs nécessaires (solutions d'IA axées sur l'entreprise et centrées sur l'utilisateur). Cette approche garantit que les solutions restent pertinentes, favorisent leur adoption, améliorent l'efficacité et favorisent l'innovation. Donner la priorité à l'expérience utilisateur dans les solutions basées sur l'IA permet d'aligner les attentes et d'obtenir des résultats significatifs.

Étapes suivantes