Les intelligences artificielles génératives, type LLM, deviendront-elles un jour véritablement fiables ? Malgré des avancées spectaculaires, pourquoi voyons-nous encore surgir des erreurs, voire des hallucinations, même venant des modèles les plus avancés ? La scène tech semble actuellement à la recherche de la recette miracle pour stopper ces failles embarrassantes. Mais une jeune pousse, Probably, pourrait-elle enfin changer la donne ?
Probably, nouvelle venue sur le marché après une levée de fonds de 9 millions de dollars menée par Andreessen Horowitz, promet de verrouiller les errements des IA avec une rigueur inédite. Mais est-il vraiment possible d’atteindre le niveau d’exactitude des systèmes déterministes — ce fameux 99,99 % — avec des intelligences fondées sur l’apprentissage automatique ? Qu’est-ce qui différencie leur approche de celle des géants qui font la pluie et le beau temps dans la sphère IA ?
La réponse résiderait dans le tout premier produit de Probably : un outil d’analyse de données censé offrir des réponses ultra-rapides à partir de jeux de données étoffés. À chaque résultat, une citation et une traçabilité complète sont fournies. Suffisant face à l’ampleur du défi ? Derrière cette apparente transparence, Probably a développé un « exosquelette » pour son LLM : chaque réponse est systématiquement validée par un système déterministe, qui écarte toute divergence par rapport aux données initiales. Leur secret ne serait-il pas autant dans la technique que dans la stratégie ?
À l’heure où la confiance dans l’IA est chancelante, faut-il repenser notre manière même de concevoir les modèles linguistiques ?
D’après Peter Elias, fondateur de Probably, perfectionner cet exosquelette élimine quasiment toute ambiguïté, autorisant même l’utilisation de modèles bien plus modestes… mais tout aussi efficaces, sinon plus. Pourquoi s’entêter avec des IA surdimensionnées, coûteuses en ressources et en jetons, si l’ingénierie contextuelle peut faire mieux à moindres frais ? Un pari audacieux, surtout à l’heure où les entreprises réévaluent sans cesse l’équilibre fragile entre budget et performance en IA.
Ainsi, la prouesse de Probably est double : garantir une fiabilité accrue tout en réduisant les coûts. Selon Elias, leur système, nettement moins puissant qu’un modèle de pointe, fonctionne pourtant localement sur de simples ordinateurs de bureau, contournant la nécessité de serveurs puissants et dispendieux. De simples ajustements d’ »harness engineering » pourraient-ils faire baisser la facture de l’IA à grande échelle ?
L’ambition ne s’arrête pas là : Probably imagine déjà transposer son moteur dans des secteurs critiques, de la comptabilité à la médecine, où la moindre anomalie ne pardonne pas. Mais pourquoi, selon Elias, les poids lourds de l’IA n’ont-ils pas osé s’aventurer sur ce terrain ? N’auraient-ils pas intérêt économiquement à laisser circuler des modèles… perfectibles ?
Si la startup réussit son pari, le secteur pourrait bien être forcé de revoir ses standards de fiabilité. Mais cette ère de l’IA transparente et économique est-elle réellement à portée de main… ou n’est-ce qu’un mirage de plus ?
Source : Techcrunch
