Ellen Loeshelle de Qualtrics : Choisissez votre IA en fonction du problème que vous essayez de résoudre

Jul 11, 2023

En collaboration avec notreArticle Numéro du moissur la volonté des consommateurs d'interagir avec des solutions basées sur l'intelligence artificielle (IA), No Jitter s'est entretenu avecÀ Ellen Loeshe,Qualtrics ' Directeur du développement de produits IA. Elle a partagé ses idées sur une variété de sujets liés à l’IA qui sont présentés ici sous forme de questions et réponses.

NJ : Pouvez-vous parler de l'impulsion qui a poussé à passer du type d'IA utilisé dans la catégorie « conversationnelle » – traitement du langage naturel (NLP) et compréhension du langage naturel (NLU) – à l'IA générative (Gen AI) et aux grands modèles de langage ( LLM) qui les alimentent ?

À Ellen Loeshe : La PNL est en réalité le terme générique désignant l’utilité de ces algorithmes. Les LLM ne sont qu'un ensemble d'outils au sein de cette boîte à outils que nous utiliserions pour le traitement du langage naturel ou la compréhension du langage naturel. Je ne les considère pas comme totalement dichotomiques.

Lorsque vous faites de la PNL, vous pouvez utiliser une multitude d'outils différents pour comprendre le processus, interpréter, générer un langage – certains aussi simples que l'écriture de règles, d'expressions régulières ou d'autres choses de ce genre. Il existe également des capacités d'apprentissage automatique plus basiques qui sont sur le marché depuis longtemps. Et puis vous avez les modèles d’apprentissage profond, les grands modèles de langage, etc.

Ce que nous avons découvert avec les grands modèles de langage, c'est qu'ils ont des performances vraiment impressionnantes dans la génération d'un langage de type humain - ce n'est pas parfait. Tout d’abord, ce n’est pas toujours précis, mais cela semble le plus natif de tout ce que j’ai vu.

Les LLM fournissent donc une sorte de « bond en avant » en termes de précision, de relativité, etc., que les autres stratégies de PNL n'ont pas vraiment eu le même impact ou du moins généré le même type de battage médiatique. C'est l'un des mouvements depuis que je suis dans l'espace qui semble tectonique.

Mais nous sommes toujours au milieu d’un cycle de battage médiatique. J'essaie toujours d'exprimer mes propres réactions et celles de tout le monde et de dire, d'accord, la technologie mise à part, quel est le buzz et comment pouvons-nous garder le cap sur une grande partie de ce qui se passe ?

NJ : D'accord, mais pourquoi les LLM fonctionnent-ils mieux que les approches PNL plus traditionnelles ?

Loeshelle : De nombreux data scientists ne savent pas vraiment pourquoi ils sont tellement meilleurs, mais le plus grand indice que nous ayons jusqu'à présent réside dans le mot « grand ». La taille des ensembles de formation pour les LLM est bien plus grande que tout ce que nous avons utilisé historiquement. Ainsi, les LLM ont plus de pratique, plus d'expérience avec les modèles de langage réels, par rapport aux autres approches que nous avons utilisées dans le passé, qui étaient basées sur des ensembles de langues plus petits ou optimisées pour le coût plutôt que pour les performances. Nous sommes toujours dans cet espace étrange où les LLM sont dans de nombreux cas d'un coût prohibitif pour les entreprises à utiliser ou à construire les leurs. Cela va devoir changer.

NJ : Existe-t-il des enseignements tirés des « types plus anciens » d'IA qui peuvent être appliqués à ces cas d'utilisation plus récents ?

Loeshelle : Totalement. Je lisais même un article intéressant ce week-end sur le rôle que jouent les ontologies – on peut considérer une ontologie comme fondamentalement une taxonomie de termes ou de concepts et, souvent, [ces taxonomies] sont hiérarchiques. Ce genre de choses peuvent éclairer un modèle génératif en tant qu’entrée.

Je suis donc très passionné par le fait qu’il n’existe pas de technologie universelle. Nous devons choisir le type d'algorithme en fonction du problème que nous essayons de résoudre ainsi que de nos contraintes commerciales. Le coût étant évidemment énorme. Si je ne peux pas me le permettre, cela ne vaut peut-être pas les 2 % supplémentaires en termes de précision. Peut-être que je devrais simplement utiliser quelque chose qui a fonctionné historiquement pour moi auparavant.

Mais à mon avis, les utiliser ensemble produira généralement de meilleurs résultats à un coût plus rentable. Ma philosophie chez Qualtrics est que la Gen AI est un outil que nous pouvons exploiter lorsqu'il a du sens et nous offre des avantages uniques. Mais ce n'est pas le seul outil. Ce n'est pas quelque chose que nous faisons juste pour le faire.