Monique van Dusseldorp, basée à Amsterdam, est une professionnelle très occupée dans le domaine des évènements, organisant des conférences sur la technologie, les médias et l’innovation. La recherche de nouvelles idées d’évènements et de panels a toujours fait partie de sa vie professionnelle.
Mais depuis peu, Mme van Dusseldorp utilise une nouvelle méthode pour mener à bien ses recherches. Par un matin de novembre très chargé, elle s’est assise à son clavier et a tapé une question : « Pouvez-vous créer une expérience immersive qui rassemble les gens, basée sur l’univers du célèbre illustrateur Roland Topor? »
Bientôt, un texte a commencé à clignoter sur l’écran. Voici la réponse proposée :
Je propose une « promenade dans un jardin surréaliste » dans un parc public ou un jardin botanique. Le jardin sera transformé par des sculptures et des installations inspirées des œuvres d’art de Topor, créant ainsi une atmosphère fantaisiste et légèrement inquiétante. Des haut-parleurs cachés diffuseront des ambiances sonores surréalistes et des sculptures bougeront ou se transformeront subtilement lorsque les gens s’en approcheront.
Mme van Dusseldorp a poursuivi : « Quels types de médias et de technologies peuvent contribuer à créer une expérience immersive? » La réponse était :
Pensez à l’audio spatial : L’utilisation de la technologie du son 3D pour créer un environnement auditif réaliste et immersif, où le son change dynamiquement avec les mouvements de l’utilisateur(-trice).
Il ne s’agit pas d’un texte sur une page Web ou d’une réponse d’un(e) collègue dans un forum industriel. Mme van Dusseldorp était plutôt dans une session d’idéation et d’apprentissage avec ChatGPT.
Mme van Dusseldorp fait partie des millions de professionnels à travers le monde qui utilisent de grands modèles linguistiques (GML) dans le cadre de leur travail. Aujourd’hui, cette technologie est appelée à remodeler la gestion de l’apprentissage et des connaissances, qu’il s’agisse du partage d’informations et d’expertise au sein de grandes entreprises ou de l’apprentissage et du développement professionnels continus pour les opérateurs solitaires. Et ce, avant même d’aborder les vastes implications pour l’apprentissage et l’éducation traditionnels.
Il s’agit d’un changement pour l’apprentissage aussi important que l’avènement de l’internet à la fin des années 1990. Une transformation de la manière dont nous stockons, interagissons et partageons les connaissances. Comment les professionnels du secteur et du monde universitaire utilisent-ils aujourd’hui les GML? Quel rôle jouent ces outils au sein des grandes organisations? Que cachera l’avenir?
Un outil de travail exceptionnellement flexible
Nous savons tous que les GML ont fait l’objet d’un grand engouement au cours des dernières années. Et bien sûr, certaines questions associées à ces modèles (qu’il s’agisse des prédictions apocalyptiques liées à l’IA ou de celles liées à l’imminence d’une superintelligence) portent les marques d’un cycle d’engouement pour la technologie. Mais au-delà des grands titres, il n’est pas surprenant que de nombreux professionnels s’intéressent de près aux grands modèles de langage.
Les grands modèles de langage sont fondés sur des modèles de transformation : un type particulier de réseau neuronal capable d’auto-apprendre les séquences sous-jacentes aux données séquentielles. Lorsqu’ils sont entraînés sur de grandes quantités de texte, les modèles de transformation cernent les relations statistiques profondes entre les mots tels qu’ils sont couramment utilisés dans les phrases. Le résultat est une IA dotée d’une compétence linguistique étonnante, qui lui permet de comprendre les éléments de langage naturel et de générer en réponse des textes pertinents, détaillés et manifestement significatifs.
Cela fait des GML (pensez à GPT-4 ou à Llama 2 de Meta) un outil de connaissance d’une souplesse quasi unique. Un outil ayant accès à d’immenses réserves de renseignements et capable de générer des réponses textuelles naturelles de toutes sortes.
La rédaction de textes (courriels, présentations et rapports) est une pratique courante au travail. Mais aujourd’hui, de nombreux professionnels établissent des procédures de recherche et d’apprentissage continu autour de ces outils.
Henry Coutinho-Mason est un conférencier et un futuriste. Il a récemment formé un GML sur deux de ses propres ouvrages consacrés aux tendances de la consommation et à l’innovation. Aujourd’hui, il utilise l’application qui en résulte comme outil de recherche :
« Je passe à l’application et pose des questions telles que "Que pensez-vous de la nouvelle épingle Humane AI? Expliquez les tendances qui sous-tendent cette innovation", et il reviendra avec une première série d’idées et de points de vue », a expliqué M. Coutinho-Mason.
« Mon travail consiste à inciter les professionnels à voir ce qui se prépare et à réfléchir à ce que cela signifie pour eux. Cela signifie que l’apprentissage des technologies et innovations émergentes est une partie essentielle de mon travail. Mon GML personnalisé aide vraiment avec cela. »
« Ce que les gens doivent comprendre, c’est que pour des utilisations telles que celle-ci, il ne s’agit pas que le GML me donne "la réponse", a-t-il poursuivi. « Il s’agit plutôt de fournir des pistes de réflexion ou de me donner un aperçu de la forme générale d’un espace technologique émergent. Ensuite, je pourrai le refiner. De cette manière, le GML accélère vraiment mon apprentissage et ma recherche. »
Accompagnateurs de processus de travail
Il n’est donc pas étonnant que les grandes organisations expérimentent également les GML en tant qu’outils internes. Et ici, les possibilités de dynamiser l’apprentissage sont encore plus vastes.
Les grandes organisations sont confrontées à des défis particuliers ayant trait à l’apprentissage et à la gestion des connaissances. Les connaissances et les types de savoir-faire plus informels sont généralement distribués dans l’ensemble de l’organisation et stockés de multiples façons, qu’il s’agisse de documents, de diapositives, de feuilles de calcul ou autres. Même pour un(e) employé(e) expérimenté(e), trouver la bonne source de connaissances ou la bonne personne peut prendre des heures, des jours, voire des semaines de recherche.
Aujourd’hui, certaines organisations développent de grands modèles de langage afin de relever autrement ces défis. En août, le groupe de consultants McKinsey a présenté Lilli, un grand modèle de langage mis au point à l’aide d’un contenu exclusif couvrant plus de 100 000 documents. Pour le personnel de McKinsey, il s’agit d’une nouvelle façon d’accéder à l’immense réserve de connaissances, de données et d’autres éléments spécifiques au secteur accumulés par le groupe au fil des décennies.
« Avec Lilli, les consultants de McKinsey peuvent utiliser la technologie pour tirer parti de l’ensemble de nos connaissances et de nos ressources... C’est le premier de nombreux cas d’utilisation qui nous aideront à restructurer notre entreprise », a déclaré Jacky Wright, responsable de la technologie et de la plateforme de McKinsey.
Adi Pradhan, partenaire associé, utilise quant à lui Lilli comme un outil d’apprentissage : « J’utilise Lilli pour me donner des cours particuliers sur de nouveaux sujets et établir des liens entre les différents domaines de mes projets », révèle-t-il. « Il me permet de réduire mon temps de préparation aux réunions jusqu’à 20 %. Mais surtout, il améliore la qualité de mon expertise et de mes contributions. »
McKinsey est loin d’être le seul à explorer cette nouvelle frontière. Morgan Stanley a affiné GPT-4 en utilisant des connaissances exclusives sur l’investissement, les affaires générales et les processus d’investissement pour créer une IA conversationnelle qui peut aider leur conseillers financiers. Le géant financier Bloomberg a créé Bloomberg GPT, un GML formé sur ses données financières exclusives et disponible pour son personnel ainsi que certains de ses clients.
La destination finale? Bientôt, de nombreux employés s’attendront à avoir accès à ce type d’entités conversationnelles alimentées par l’IA. Pensez à un assistant, un guide et un compagnon d’apprentissage sur le lieu de travail, prêt à vous aider 24 heures sur 24 et 7 jours sur 7. Il s’agit d’une révolution des modes de transmission et d’assimilation du savoir. Ces compagnons sont appelés à devenir des outils d’apprentissage essentiels pour le personnel, et ils joueront un rôle clé dans l’accueil et la formation des nouveaux employés.
Comment les GML changeront les universités?
Ce n’est pas seulement dans le secteur que les GML vont transformer l’apprentissage. Nous constatons déjà des effets importants dans le cadre de l’éducation formelle.
Parlez-en aux éducateurs et vous apprendrez rapidement que certains de ces effets sont difficiles à gérer. Ils sont confrontés à une nouvelle forme de plagiat, dans laquelle les étudiants remettent des travaux entièrement ou principalement créés par une IA. Des outils apparaissent pour permettre la détection des textes générés par l’IA mais, tout aussi rapidement, les étudiants trouvent des moyens de les contourner.
Cette course ne s’arrêtera pas. Mais à plus long terme, l’augmentation du plagiat alimenté par les GML poussera les éducateurs à trouver de nouvelles formes de cours et d’évaluation : « Rédigez un essai sur ce sujet, puis faites un exposé de 15 minutes présentant les principaux arguments de l’essai. »
En attendant, les GML sont toujours enclins à commettre des erreurs factuelles ou à avoir des « hallucinations ». On ne peut pas s’y fier en excluant toutes les autres sources d’information. Mais les progrès techniques ont déjà permis de réduire considérablement les taux d’hallucination, et ce processus est appelé à se poursuivre.
Aaron Woodcock est chargé de cours à l’Institut international d’études et de langues de l’université de Reading. Il organise des modules de cours pour des partenaires d’enseignement en Chine, qui enseignent l’anglais académique à leurs étudiants de premier cycle dans le domaine des STIM. Cela implique beaucoup de planifications.
« Jusqu’à récemment, on me donnait un ou deux modules à convoquer. Aujourd’hui, nous sommes deux à faire sept modules, ce qui signifie qu’il y a beaucoup plus de planification de cours à faire », a-t-il expliqué. « L’utilisation d’un GML m’a rendu beaucoup plus productif. Je vais discuter avec l’IA et lui faire part de mes notes et de mes réflexions. Ensuite, nous ferons des allers-retours pour concevoir une leçon. Ensuite, je demanderai à l’IA de rédiger cette leçon sous la forme d’un plan complet, et je travaillerai dessus.
« Il me faut encore deux heures pour obtenir un plan de cours qui me convient. Pourtant, l’utilisation de l’IA facilite grandement le démarrage, ce qui accélère l’ensemble du processus. Les enseignants qui utilisent les plans de cours m’ont fait part de leurs commentaires positifs.
« Cela m’a permis de réaliser que j’ai toujours trouvé l’écriture difficile et que j’ai toujours repoussé au dernier moment les tâches qui impliquaient l’écriture. L’IA change tout cela et a donc vraiment amélioré ma façon de travailler. »
M. Woodcock utilise également un GML pour traiter et synthétiser des informations provenant d’un grand nombre de commentaires d’étudiants. Gérer et répondre à ce type de retour de rétroaction fait désormais partie intégrante de la vie des universitaires et des enseignants de l’enseignement supérieur.
« L’IA repère immédiatement dans la rétroaction des schémas qu’il m’aurait fallu plusieurs jours pour voir », a-t-il expliqué. « Nous avons été davantage en mesure d’élaborer des plans d’action à partir des commentaires des étudiants, puis nous avons passé des mois à mettre en œuvre ces actions. Cela était vraiment avantageux pour moi pendant le cours et m’a énormément aidé à faire des rapports et à informer les gens autour de moi. »
Et concernant le défi du plagiat par l’IA? « Oui, l’utilisation des GML par les étudiants pose des problèmes, a déclaré M. Woodcock. Mais pour moi, c’est l’occasion de s’éloigner de la dépendance à l’égard des dissertations et de la régurgitation des connaissances. »
L’université de Reading et de nombreuses autres institutions universitaires encouragent désormais les éducateurs à explorer de nouvelles formes d’apprentissage et d’évaluation, y compris des évaluations plus directes des connaissances, et de la réflexion.
« Cette technologie n’est pas près de disparaître. Nous voulons encourager les étudiants à utiliser l’IA, mais de la meilleure façon possible », a expliqué M. Woodcock. « Les GML peuvent également encourager la diversité et l’inclusion; ils donneront des moyens à ceux qui ne sont pas nécessairement à l’aise avec la langue écrite, mais qui ont pourtant beaucoup à offrir. Bien sûr, il y aura toujours des gens qui essaieront de faire passer un travail qu’ils n’ont pas écrit pour le leur. Mais en fin de compte, ce n’est pas différent des étudiants qui achètent des dissertations en ligne, ce qui se fait déjà. »
De nouvelles attentes sur le lieu de travail
Quelle est l’orientation à long terme de tout cela? Une génération d’étudiants s’habituera à travailler avec des GML comme outils de recherche, d’apprentissage et de rédaction.
Ils entreront dans le monde en s’attendant à pouvoir faire de même sur leur lieu de travail. Cela ne fera qu’inciter davantage les employeurs à former leurs propres modèles d’IA sur mesure, en les proposant comme compagnons de connaissance et d’apprentissage 24 heures sur 24 et 7 jours sur 7 pour leur personnel.
L’avenir appartient aux organisations (et aux professionnels individuels) les mieux à même de combiner leur propre intelligence et leur créativité avec l’IA afin d’apprendre davantage, de voir plus loin et de produire des résultats encore meilleurs.
Nous, les humains, sommes uniques dans notre capacité à développer, à stocker et à diffuser des connaissances. Cette vérité sous-tend notre étonnante capacité à coopérer à grande échelle, qui à son tour donne naissance à tout ce que nous construisons : innovations, entreprises, universités, nations et tout ce qui se trouve entre les deux.
Nos sociétés ont toujours été façonnées et remodelées par les outils de connaissance que nous utilisons, de l’écriture elle-même à l’ordinateur personnel, en passant par la presse à imprimer.
Le GLM, et plus largement l’intelligence des machines, induira certainement des transformations, et nous ne sommes qu’au début du parcours. Il reste encore tant à faire et tant à apprendre.
Il est clair que l’application, la mise en œuvre et les implications futures des GML ouvrent la voie à une nouvelle forme de productivité dans l’avenir du travail. Pour découvrir d’autres avancées captivantes qui influenceront notre façon de travailler, consultez notre discussion avec David Mattin sur les méga tendances émergentes de la technologie du travail.
Contacter Meta for Work
Découvrez comment les solutions gérées de Meta Horizon peuvent faire évoluer votre organisation grâce à la réalité virtuelle et mixte. Découvrez comment vous pouvez utiliser la RV et la RM pour façonner l’avenir du travail et de l’éducation grâce à nos histoires de réussite. Pour commencer, veuillez simplement
communiquer avec l’équipe des ventes
. 
