Que sont les modèles de base?

Le terme « modèle de base » est couramment employé pour illustrer le rôle que jouent ces systèmes comme couche fondamentale de l’intelligence artificielle d’entreprise. Alors que les modèles traditionnels sont souvent conçus pour exécuter des tâches précises, les modèles de base constituent un point de départ polyvalent qui peut être adapté à des applications en aval. Ces modèles sont généralement entraînés à partir d’ensembles de données variés comprenant du texte, du code, des images et du contenu audio. Ils acquièrent ainsi une compréhension générale des schémas, des concepts et du contexte. Les grands modèles de langage (LLM) en sont un exemple bien connu. Ils sont généralement conçus pour traiter et générer le langage humain avec une grande maîtrise.

Leur principale innovation réside dans leur capacité d’adaptation. Un seul modèle préentraîné peut être affiné pour remplir de nombreuses fonctions, qu’il s’agisse de résumer des documents complexes, d’écrire du code, d’analyser des données visuelles ou de repérer des menaces de sécurité. En servant de fondement, ces modèles permettent aux organisations d’accélérer l’innovation et de réduire le délai de rentabilisation de leurs initiatives d’intelligence artificielle.

Les modèles de base présentent généralement les principales caractéristiques suivantes :

• Échelle : ils sont généralement entraînés à partir d’ensembles de données immenses et variés, au moyen de ressources de calcul considérables.
• Apprentissage autonome : le processus d’entraînement est en grande partie autonome. Le modèle apprend directement à partir des données afin d’en dégager les schémas et les relations, sans nécessiter d’exemples étiquetés manuellement.
• Adaptabilité : un même modèle préentraîné peut être personnalisé pour de nombreuses applications, ce qui permet d’économiser beaucoup de temps et de ressources par rapport à l’entraînement d’un nouveau modèle spécialisé à partir de zéro.

La puissance d’un modèle de base repose généralement sur un processus en deux étapes : une première phase d’entraînement exigeante en ressources, suivie d’une phase d’adaptation plus efficace. Cette approche vise à rendre les capacités avancées de l’intelligence artificielle accessibles à un plus grand nombre de développeurs et d’organisations.

Préentraînement à partir de données générales

La première étape est celle du préentraînement. Durant cette phase, un réseau neuronal est exposé à un vaste volume de données non étiquetées, comme des textes et des images provenant d’Internet. À l’aide de techniques d’apprentissage autonome, le modèle peut notamment être chargé de prédire les mots manquants dans des phrases. Cet exercice l’amène à acquérir une compréhension générale et approfondie du langage, des concepts et du contexte. Cet entraînement initial vise à doter le modèle d’une vaste base de connaissances. L’entraînement exige une puissance de calcul considérable.

Adaptation à des tâches précises

Une fois préentraîné, le modèle passe à l’étape d’adaptation, aussi appelée affinage. Le modèle polyvalent peut alors être spécialisé pour un domaine ou une tâche précise. En poursuivant son entraînement à partir d’un ensemble de données beaucoup plus restreint et soigneusement sélectionné, comme des contrats juridiques, des images médicales ou des rapports sur les menaces de cybersécurité, le modèle apprend à appliquer ses connaissances générales à ce contexte précis.

Ce cycle de vie, du préentraînement et de l’affinage jusqu’à l’inférence, soit l’utilisation du modèle pour générer des résultats, peut permettre aux organisations de tirer parti de la puissance de l’intelligence artificielle à grande échelle sans assumer l’intégralité des coûts et de la complexité associés au développement initial. 

Dans les discussions sur l’intelligence artificielle avancée, les termes « modèle de base » et « modèle d’intelligence artificielle de pointe » sont souvent employés, mais ils ne sont pas interchangeables. Comprendre la différence entre ces deux types de modèles aide à prendre des décisions stratégiques sur l’adoption de l’intelligence artificielle. En termes simples, tous les modèles d’intelligence artificielle de pointe sont des modèles de base, mais tous les modèles de base ne sont pas des modèles d’intelligence artificielle de pointe. Un modèle d’intelligence artificielle de pointe est une sous-catégorie de modèles de base qui regroupe les systèmes les plus puissants et les plus avancés disponibles à un moment donné.

Qu’est-ce qui caractérise un modèle d’intelligence artificielle de pointe?

Les modèles d’intelligence artificielle de pointe sont généralement considérés comme les modèles de base les plus avancés. Ils représentent l’avant-garde des capacités et du rendement de l’intelligence artificielle. Ils sont entraînés à partir d’ensembles de données immenses, au moyen de ressources de calcul considérables, et produisent des résultats avancés dans un large éventail de tâches. Ces modèles présentent souvent des capacités avancées de raisonnement, de compréhension du langage, de résolution de problèmes et de traitement multimodal.

Comparaison stratégique pour les dirigeants

Pour les dirigeants d’entreprise et des TI, cette distinction est importante sur les plans de la stratégie, de l’investissement et de la gestion des risques. Un modèle de base standard offre une voie vers l’adoption de l’intelligence artificielle, tandis qu’un modèle d’intelligence artificielle de pointe constitue une approche à risque élevé et à fort potentiel de gains pour obtenir un avantage décisif.

Les modèles de base constituent une technologie classique à « double usage » : ils offrent un potentiel de transformation positive, tout en ouvrant de nouvelles possibilités d’exploitation malveillante. Pour les organisations, il est essentiel de comprendre cette dualité afin de concilier innovation et gestion rigoureuse des risques.

Retombées positives : lorsqu’ils sont appliqués aux opérations défensives, les modèles de base peuvent démultiplier l’efficacité des équipes de sécurité. En traitant et en mettant en corrélation en temps réel de vastes volumes de télémétrie, de journaux réseau et d’informations sur les menaces, ces modèles peuvent :

• Accélérer l’intervention en cas d’incident : automatiser le tri des alertes afin que les analystes puissent se concentrer sur les menaces prioritaires.
• Améliorer la traque des menaces : repérer les schémas et les anomalies que les systèmes traditionnels fondés sur des règles pourraient ne pas détecter.
• Simplifier les opérations : générer des résumés en langage naturel d’incidents de sécurité complexes.

Risque d’utilisation malveillante : à l’inverse, la même capacité d’adaptation qui rend les modèles de base puissants pour les entreprises abaisse également les obstacles à l’entrée pour les acteurs malveillants. Comme les modèles de base peuvent être affinés ou guidés par des invites pour exécuter des tâches complexes, ils peuvent être détournés afin d’intensifier les opérations offensives. Les cybermenaces potentielles comprennent notamment :

• Hacking social automatisé  : générer à grande échelle des courriels d’hameçonnage hautement convaincants et personnalisés, ainsi que du contenu hypertruqué.
• Développement de logiciels malveillants et contournement des systèmes de détection : utiliser l’intelligence artificielle pour faire évoluer rapidement du code malveillant afin d’échapper aux systèmes de détection.
• Découverte et exploitation de vulnérabilités : aider les agresseurs à repérer et à exploiter plus rapidement les vulnérabilités logicielles en analysant les bases de code à la recherche de faiblesses potentielles.
• Multiplication des attaques : automatiser les phases de reconnaissance et d’exploitation afin de permettre aux adversaires de cibler un plus grand nombre de systèmes avec un minimum d’intervention manuelle.

À mesure que ces capacités évoluent, le contexte de la sécurité continuera vraisemblablement de se transformer. Une posture proactive, qui intègre une défense fondée sur l’intelligence artificielle tout en maintenant une gouvernance rigoureuse et une chaîne d’approvisionnement sécurisée, constitue un moyen efficace de tirer parti des avantages des modèles de base tout en atténuant les risques liés à leur utilisation malveillante.

À mesure que les modèles de base deviennent essentiels aux activités de l’entreprise, ils soulèvent de nouveaux enjeux de sécurité. Comme de nombreuses applications peuvent reposer sur un même modèle de base, toute vulnérabilité présente dans ce modèle peut se répercuter sur chacune des applications qui en dépendent. 

Les recherches indiquent que même les modèles propriétaires les plus avancés peuvent être vulnérables à des attaques en plusieurs échanges capables de contourner les mesures de sécurité intégrées. Cela souligne la nécessité d’adopter une approche axée sur la sécurité pour le développement et le déploiement de l’intelligence artificielle. Pour innover en toute confiance, les organisations doivent privilégier la sécurité dès le départ.