• IA générative

    L’IA générative est là :
    Êtes-vous prêt?

    L’innovation Intel® intégrée‎

      • Par où commencer

        Une nouvelle ère d’IA générative

        L’IA générative (GenAI) est exploitée à grande échelle par les organisations et les individus, provoquant des retombées sociétales importantes. L’IA grand public, comme ChatGPT et DALL-E, a captivé l’imagination de tous par sa capacité à générer du contenu. Cependant, l’impact de l’IA générative sur les organisations promet encore plus de valeur, y compris une productivité accrue, une réduction des coûts et une transformation de la façon dont nous travaillons.

      • 76 %

        des responsables informatiques pensent que la GenAI sera importante, voire transformatrice, pour leur organisation.

        L’IA générative va transformer les organisations.

        L’IA générative est porteuse de récompenses, mais elle s’accompagne également de nouveaux défis et risques. Alors que les organisations entament leur parcours en IA générative, elles ne peuvent pas risquer la confiance des clients et la grande valeur de leurs données pour la seule récompense d’être les premiers sur la ligne d’arrivée.

        76 %

        des responsables informatiques pensent que la GenAI sera importante, voire transformatrice, pour leur organisation.

      • Des données adaptées à votre utilisation

        Pour tirer parti efficacement de la puissance de la GenAI, les organisations doivent utiliser des données riches et de haute qualité stratégiquement. Les meilleurs cas d’utilisation reposent sur ces données et nécessitent un mélange équilibré de compétences, de budgets et de ressources, ce qui souligne l’importance de la collaboration entre les équipes commerciales et informatiques pour établir les priorités.

        • Création de contenu

        • Recherche en langue naturelle

        • Génération de code

        • Assistant numérique

        • Conception et création de données

        • Automatisation des documents

      • Le succès de l’IA générative

        Bien que les entreprises aient découvert des centaines de cas d’utilisation dans tous les domaines, il est essentiel de trouver les bons cas d’utilisation.

      • Personnel et équipes

        Préparez votre organisation à saisir la chance que représente l’IA générative, les organisations informatiques se concentrant sur l’intérieur et l’entreprise se tournant vers l’extérieur.

      • Processus et politiques

        Définissez et communiquez sur la manière dont votre organisation tirera parti de l’IA et faites-en un aspect essentiel de votre activité pour susciter l’engagement du personnel.

      • Technologie

        Offrez un accès sécurisé à l’IA générative dans l’ensemble de votre organisation, en évitant les instances de Shadow AI pour garantir l’intégrité et la conformité des données.

      • Stratégie

        Saisissez l’état actuel « tel quel » de votre environnement pour déterminer la vision stratégique et les principes directeurs des projets d’IA générative.

      • Le rôle vital de vos données dans l’IA générative

        Les données et les risques vont de pair. Les données feront avancer vos projets d’IA générative, mais vous devez également évaluer les risques liés à l’hébergement de modèles d’IA générative dans des nuages publics, notamment : la perte de propriété intellectuelle, la fuite de données, les problèmes de confidentialité, les violations de la conformité, la perte de crédibilité et d’intégrité, la partialité et la violation de la propriété intellectuelle.

        • Gérer les risques et accroître la valeur

          Alors que vous entamez votre parcours, il est essentiel d’aligner les investissements dans la technologie et la formation afin de renforcer la maturité opérationnelle, de réduire les risques, d’améliorer le contrôle et de maximiser la valeur pour votre organisation. Avec l’IA générative prête pour l’entreprise, vous gagnez en contrôle sur les personnes qui peuvent accéder à vos données.

      • GenAI prête pour l’entreprise GenAI immature Maturité opérationnelle Risque
        Graphique démontrant que le risque (axe des y) diminue au fil du temps à mesure que vous atteignez la maturité opérationnelle (axe des x) dans le traitement de vos données. Le début de la pente du graphique indique une IA immature présentant un risque élevé et une faible maturité opérationnelle. La tendance à la baisse sur le graphique indique que l’IA prête pour l’entreprise réduit les risques et représente une maturité opérationnelle élevée.

      • UTILISEZ L’IA AVEC VOS DONNÉES

        Gardez les modèles d’IA génératifs près de vos données

        • Comprendre les risques et les avantages des différentes options de déploiement est essentiel pour déterminer le placement optimal des charges de travail de votre organisation pour la GenAI. Lorsqu’il est temps d’amener l’IA à vos données, le déploiement d’instances privées de grands modèles de langage (LLM) de l’IA générative, tels que Llama 2 ou Falcon, offre des avantages en termes de rapidité et de déploiement, il peut également impliquer des coûts plus élevés et d’autres inconvénients. Quoi qu’il en soit, l’IA générative en interne fournira probablement la plus grande valeur pour vos premiers efforts.

          En termes de placement de la charge de travail, l’IA générative n’est pas différente de n’importe quelle autre charge de travail. Pour obtenir les meilleurs résultats, placez-le dans l’environnement le plus approprié en fonction des exigences de votre entreprise et de vos besoins techniques.

          Le diagramme ci-dessous présente les concepts et les cadres qui entrent en jeu lorsqu’il s’agit de déterminer l’emplacement de la charge de travail de l’IA générative.

        • Les 5 principales raisons d’apporter l’IA à vos données

      • Où résident les données Coût Rentabilisation plus rapide Précision et personnalisation Cas d’utilisation à usage général Accès sécurisé Nuage public Nuage privé
        Un graphique représentant six facteurs à prendre en compte lors du choix entre le nuage privé ou le nuage public pour le placement des charges de travail GenAI. « Là où résident les données » et « Accès sécurisé » penchent fortement en faveur du nuage privé. Le « coût » penche modérément vers le nuage privé et la « précision et la personnalisation » penchent légèrement vers le nuage privé. « Rentabilisation plus rapide » penche légèrement du côté du nuage public. Et les « cas d’utilisation à usage général » penchent fortement vers le nuage public.

        • Gestion des données pour l’IA générative

          La plupart des organisations adoptent une approche à deux volets pour leur stratégie d’IA générative. Elles expérimentent des déploiements tactiques pour apprendre et éviter de prendre du retard, tout en développant une stratégie à long terme pour prendre en compte les nombreux cas d’utilisation qui émergeront au fil du temps. Cette approche nécessite une stratégie de gestion des données à deux niveaux.

        PRÉPARATION DES DONNÉES
        INGÉNIERIE DES DONNÉES

        • Préparation des données

        • Découverte des données

          Identifier les ensembles de données et définir les exigences de données

        • Exploration et enrichissement des données

          Concevoir et mettre en œuvre un pipeline de données pour marquer, nettoyer, étiqueter et rendre anonymes les données.

        • À court terme : préparation des données

          La préparation des données comprend l’identification des ensembles de données et la définition des exigences en matière de données, suivies du nettoyage, de l’étiquetage et de l’anonymisation des données, puis de leur normalisation entre les sources de données. Il faut également créer des pipelines de données pour intégrer les données dans un modèle.

        • Ingénierie des données

        • Ingestion de données

          Intégrer les données de l’entreprise dans de grands modèles de langage

        • Observabilité et performance

          Vérifier que les données transformées répondent aux objectifs

        • À long terme : ingénierie des données

          Les organisations ont besoin d’un référentiel de données bien structuré, tel qu’un lac de données (ou un data lakehouse), pour intégrer leurs données aux modèles de l’IA générative. Envisager de constituer le lac de données de manière itérative afin d’étendre progressivement les capacités du référentiel de données de l’IA générative pendant que l’équipe améliore ses compétences en matière de gestion des données et d’IA générative.

        • « Cette collaboration [avec Dell Technologies] permettra aux entreprises de créer leurs propres systèmes d’IA en tirant parti de l’incroyable innovation de la communauté du code source libre, tout en bénéficiant de la sécurité, de la conformité et des performances des systèmes Dell. »

          Jeff Boudier, Responsable des produits et de la croissance, Hugging Face

      • L’IA À SA JUSTE MESURE

        Définir l’infrastructure et l’IA qu’il vous faut

      • 75 %

        Les solutions d’IA Dell pour l’inférence des LLM sur place peuvent être jusqu’à 75 % plus rentables que le nuage public.1

          Vos données uniques vous permettent de recourir à des cas d’utilisation spécifiques au domaine et à l’entreprise, en créant de la valeur industrielle par le biais de tâches ou de fonctions pour lesquelles vous avez la propriété exclusive des données. Les différents types d’IA générative ont des points d’entrée correspondants et des investissements nécessaires pour garantir le succès. Les LLM formés sur de grandes quantités de texte sont comme des encyclopédies, utiles pour un usage général, mais qui peuvent ne pas convenir pour répondre à des questions spécifiques concernant vos données organisationnelles.

          75 %

          Les solutions d’IA Dell pour l’inférence des LLM sur place peuvent être jusqu’à 75 % plus rentables que le nuage public.1

          •  

             

          • Vos données améliorent considérablement l’efficacité et la valeur de l’IA générative.

          • Fonctionnalité limitée Plus petit/plus rentable Expertise du domaine Plus précis Plus petite taille Encore plus précis Plus d’hallucinations Coûteux et énergivore Diversité des cas d’utilisation Usage général Propre à l’entreprise Spécifique au domaine Grands modèles de langage Valeur
            Graphique montrant les quantités relatives de données requises pour trois types de modèles d’IA, ainsi que leur valeur commerciale. Les grands modèles de langage, ou LLM, sont destinés à des cas d’utilisation à usage général et utilisent le plus de données. Ils peuvent être coûteux et énergivores et ils sont plus sujets aux hallucinations. L’IA spécifique au domaine utilise moins de données, mais elles sont plus précises. Elle a des fonctionnalités limitées, mais elle est plus pertinente pour votre entreprise et a plus de valeur. L’IA spécifique à l’entreprise utilise encore moins de données, mais elle est la plus précise, et offre la plus grande valeur à votre entreprise.

          • Modèles de déploiement de l’IA : Évaluer les compromis en termes de coûts et de valeur

            Les trois premiers types de modèles de déploiement présentés ci-dessous sont ceux que la plupart des organisations mettent actuellement en œuvre, en commençant par l’« augmentation du modèle », puis en décidant finalement d’« affiner les modèles ». Le modèle d’IA que vous choisirez dépendra du niveau de préparation de votre organisation en matière de science des données, des modèles de déploiement et des implications de chacun.

          • Modèle préentraîné

            Appelée la « rédactique », cette approche consiste à poser une question à un modèle préentraîné et à recevoir une réponse.
            Exemple : ChatGPT

            Augmentation du modèle

            Améliorez votre modèle d’IA générative en ajoutant vos données pour fournir un contexte supplémentaire à ses réponses, comme l’inférence, qui comprend des cas d’utilisation tels que la génération augmentée par récupération (RAG).

            Affinement des modèles

            Il s’agit d’ajuster la pondération du modèle et d’intégrer vos données. Bien que cette approche permette d’obtenir de meilleurs résultats, cela demande également plus d’efforts lors de la mise en place.

            Entraînement des modèles

            Cette approche consiste à élaborer un modèle spécifique et à l’entraîner à l’aide d’un ensemble de données. Cela nécessite généralement le plus de travail et de ressources et est souvent réservé à la résolution de problèmes complexes.
            Effort Peu d’effort Effort moyen Beaucoup d’effort Effort important
            Coût Faible coût Coût moyen Coût élevé Coût important
            Valeur et
            différenciation            		 Valeur et différenciation minimales Valeur et différenciation moyennes Valeur et différenciation élevées Valeur et différenciation importantes
            Intégration des données Pas d’intégration de données Intégration de données élevée Intégration de données élevée Intégration importante des données
            Infrastructure Client – serveur Client – serveur Processeur graphique optimisé Déploiement d’un processeur graphique à grande échelle
            Compétences Opérations informatiques Développeur Expert en sciences des données Expert en sciences des données
            Référence de déploiement simplifiée

          • Choisissez la bonne infrastructure pour votre modèle

            L’infrastructure soutenant votre déploiement d’IA générative dépend largement des exigences de calcul, influencées par le type de modèle, la taille du modèle et le nombre d’utilisateurs. D’autres considérations incluent la capacité de stockage nécessaire pour les données utilisées lors du déploiement, de la formation et de l’affinement du modèle.

          • CALCUL GÉNÉRAL (Axé sur les processeurs) OPTIMISÉ POUR L’IA (Processeurs graphiques intensifs) Ordinateurs portables Dell Postes de travail Precision Serveurs PowerEdge montés sur bâtis Serveur PowerEdge XE Stockage ObjectScale Stockage PowerScale Stockage PowerFlex Commutateurs PowerSwitch série Z Entraînement des modèles Affinement des modèles Augmentation du modèle Modèle préentraîné Millions de paramètres Milliards de paramètres Trillions de paramètres Nombre d’utilisateurs faible Nombre d’utilisateurs élevé
            Un graphique représentant trois exigences de GenAI et mise en correspondance des solutions matérielles Dell appropriées. La puissance des solutions matérielles va des options de calcul général, qui sont axées sur le processeur, aux options optimisées pour l’IA, qui sont gourmandes en ressources graphiques. Les options spécifiques commencent par les ordinateurs portables Dell pour le calcul général, et progressent à travers les postes de travail Precision et les serveurs PowerEdge, pour se terminer avec les serveurs PowerEdge XE du côté des solutions optimisées pour l’IA. Veuillez noter que le matériel de stockage et de réseautage Dell peut être utilisé sur l’ensemble de la gamme. Trois attributs de l’infrastructure GenAI sont associés à ces solutions dans une progression qui nécessite de plus en plus de puissance de traitement. La complexité du modèle peut aller de l’utilisation de modèles préentraînés et de l’augmentation ou de l’affinement des modèles à l’entraînement de nouveaux modèles. Le nombre de paramètres peut aller de millions à des milliards, jusqu’à des trillions.

          • Accélérez votre parcours en IA

            Commencer par une victoire rapide

            La génération augmentée par récupération (RAG) est un cas d’utilisation précoce idéal pour de nombreuses organisations qui exploitent des ressources supplémentaires, telles que leurs propres données, pour augmenter un modèle sans le réentraîner. Explorez les cas d’utilisation de RAG qui peuvent être appliqués pour améliorer votre entreprise et vos données.

          • RAG Use Case

            Cas d’utilisation de la RAG

            Appliquer la RAG à un jeu de données PDF personnalisé

          • Retrieval augmented generation

            CONCEPTION POUR LA RAG VALIDÉE PAR DELL

            Déployez un assistant numérique sur Dell APEX Cloud Platform for Red Hat OpenShift

        • Laissez-nous vous aider à accélérer votre parcours

          Dell peut vous aider à éliminer les obstacles et à permettre l’adoption de l’IA générative à l’échelle de l’entreprise grâce à une approche holistique de bout en bout, du bureau au centre de données.

        • Serveurs PowerEdge pour l’IA

        • Stockage pour l’IA

        • Gestion des données pour l’IA

        • Postes de travail Precision

        • Services professionnels pour l’IA

        • 1 Selon un résumé économique d’Enterprise Strategy Group commandé par Dell et intitulé « Maximizing AI ROI : Inferencing On-premises with Dell Technologies Can Be 75% More Cost-effective Than Public Cloud » comparant l’infrastructure sur place de Dell à l’infrastructure native de nuage public en tant que service et aux API basées sur des jetons, avril 2024. Les coûts attendus ont été modélisés à l’aide de RAG pour les petites (5 000 utilisateurs), les moyennes (10 000 utilisateurs) et les grandes (50 000 utilisateurs) et deux LLM (paramètres 7B et 70B) sur 3 ans. Les résultats réels peuvent varier.  Résumé économique