Hello,

Bienvenue aux nouveaux membres de FreeA, la newsletter pour découvrir les dernières avancées dans l'IA et les comprendre au-delà des titres aguicheurs.

On est maintenant 7493*

Que tu sois passionné, effrayé ou curieux de l'IA, tu vas pouvoir mieux comprendre et maîtriser cet outil aussi puissant que dangereux.

Et c'est parti pour la plongée !

Théo

Cette newsletter t'as été transférée ? Reçois les prochaines en t'inscrivant ici

*Oui, le chiffre a anormalement baissé. Je vous explique pourquoi juste après

Dans l'email d'aujourd'hui :

• Aujourd'hui, je quitte Substacks

• Google DeepMind développe une IA pour vérifier les réponses des IA comme ChatGPT

• Comment optimiser la productivité de son entreprise avec l'IA (Partie 1)

• OpenAI lance un concurrent à ElevenLabs dans le clonage de voix

• 40% des couches des LLMs peuvent être supprimés

La semaine prochaine dans l'IA Émergée :

- Comment ouvrir des nouveaux revenus dans son entreprise grâce à l'IA (partie 2)

- Comment résoudre un problème structurel de son entreprise grâce à l'IA (partie 3)

Tu peux voter pour les prochains sujets de newsletter ! Ca se passe ici

Aujourd'hui, je quitte Substacks

Aujourd'hui, je quitte Substacks pour passer à Beehiiv, leur concurrent. D'ailleurs, vous avez du recevoir ce mail en double à la fois depuis l'adresse Substacks ainsi que de l'adresse Beehiiv.

(Vous comprenez la diminution du nombre de membres de la newsletter, près de 250 adresses mail n'ont pas pu être importées)

Alors, pourquoi ce changement ?

Plusieurs raisons.

La première, c'est que Substacks est assez contraignant. En plus de manquer de fonctionnalités et de ne permettre que peu de personnalisation, l'éditeur ne s'adapte pas à mon format d'écriture. Vous l'aurez peut-être remarqué lorsque j'oublie de rechanger le format, mais j'écris mes newsletter sur un éditeur au format markdown avant de les mettre sur Substacks, et je dois ensuite refaire la mise en page à la main. C'est long, ennuyeux et inutile.

Ensuite, c'est parce que Beehiiv offre quelques fonctionnalités très sympathiques. Ca faisait quelques mois que j'en entendais parler, et que d'autres newsletters avoir de fortes hausses en visibilité sans avoir de contenu organique pour attirer une nouvelle audience. Et ce grâce à une feature : les boosts.

Pour expliquer ça, imaginez que vous découvrez ma newsletter grâce à mon contenu sur Linkedin. Vous vous abonnez, et plutôt que de s'arrêter là, Beehiiv vous recommande plusieurs newsletters sur l'IA que je lis et apprécie. Et si vous vous y abonner, je touche une commission.

C'est à la fois la meilleure méthode pour augmenter la taille de son audience avec des abonnés de qualité, mais également pour la monétiser en apportant de la valeur. En bref : je suis convaincu. Et ce n'est qu'une des fonctionnalités mises en place. Mais grâce à ça, vous comprenez mieux ma décision de quitter Substacks !

(Si certains parmi vous ont une newsletter ou souhaite juste échanger sur le sujet, n'hésitez pas à répondre à ce mail si vous voulez un retour d'xp plus développé)

Comment optimiser la productivité de son entreprise avec l'IA (Partie 1)

Hello !

Aujourd'hui, on se retrouve pour un micro-cours en 3 parties sur comment transformer son entreprise de la bonne manière grâce à l'IA. On va partir du plus simple et intuitif au plus "complexe" et contre-intuitif, mais avec autant (si ce n'est plus) d'effet.

Dans cette première partie, nous verrons comment optimiser les tâches au quotidien des collaborateurs de l'entreprise pour gagner du temps. Lundi, on parlera de la méthode pour ouvrir de nouveaux revenus grâce à l'IA sans coûts supplémentaires, avant de parler jeudi prochain de comment identifier et résoudre un problème structurel de l'entreprise grâce à l'IA.

Le micro-cours d'aujourd'hui va se décomposer en trois parties.

1- Identifier les tâches optimisables

2- Hiérarchiser la rentabilité de ces optimisations

3- Améliorer concrètement les workflows

Et c'est parti !

Identifier les tâches optimisables

La première étape ne va pas dépendre de vous. Enfin, pas directement. Vous allez devoir faire de vos collaborateurs concernés des "chercheurs". C'est eux qui vont chercher dans leur travail de tous les jours si leurs tâches sont optimisables - forcément, c'est eux qui les font donc ils maîtrisent mieux la question que vous. Mais alors, comment on transforme quelqu'un en chercheur ?

Pour ça, il suffit de 2 choses. La personne doit :

1- Être consciente de ce qu'est l'IA, ce qu'elle est capable de faire et ses enjeux

2- Conscientiser ses actions au quotidien

Pour la deuxième partie, c'est juste un état d'esprit. S'empêcher de passer en pilote automatique. Pour la première partie, par contre, il faudra un peu d'éducation. Ca peut passer par un membre de l'entreprise curieux sur le sujet, une formation en ligne, un intervenant externe (vous connaissez Théo Leblanc ? Il paraît qu'il est bon), etc..

Une fois que la personne est en mode "chercheur", elle va noter au quotidien toutes les tâches qu'elles pensent optimisables. Même si elle a un doute ! Au pire, on supprimera par la suite. Et justement, passons à la prochaine étape.

Hiérarchiser la rentabilité de ces optimisations

Une fois que chaque collaborateur a fait sa liste, on va commencer à hiérarchiser l'intérêt de chaque optimisation. Ca peut être soit réalisé par chaque personne individuellement, soit par une personne unique (souvent un intervenant externe) qui va s'en charger en posant des questions si nécessaire.

Ici, l'objectif est de faire ressortir les quelques tâches qu'il est important - urgent - d'optimiser. Que ce soit parce qu'elles sont ennuyeuses au possible ou une perte d'argent, mais on en reparlera juste après. Pour ça, dans notre liste, on va ajouter 2 colonnes :

1- Coût de l'optimisation

2- Gain potentiel

Le but est simple. Pour chaque tâche, il va falloir estimer (environ) le coût et la difficulté de la mise en place de l'optimisation, mais également son gain potentiel en temps et en argent. Et comme c'est impossible de l'estimer précisément, on va donner une note sur 10 au doigt mouillé (en réfléchissant un minimum, mais vous m'avez compris).

Pour être capable de faire une bonne estimation, il faut connaître la tâche concernée mais également les méthodes d'optimisations (automatisations, systèmes d'IA, etc). Une fois que c'est fait, on peut classer les tâches pour faire ressortir celles dont le coût d'optimisation est le plus faible et l'impact le plus fort. Maintenant, il ne reste plus qu'à les mettre en place !

Améliorer concrètement les workflows

Là, on va parler des méthodes d'optimisations. Forcément, je ne vais pas pouvoir être exhaustif ni rentrer dans le détail car c'est presque toujours du cas par cas, mais je pourrais au moins vous donner des pistes de réflexion.

La première méthode, la plus "simple" et également la plus connue, c'est l'automatisation à travers des outils très simples comme Zapier et Make. Si vous voulez en savoir plus, j'ai rédigé une newsletter complète sur le sujet :

La deuxième, ça va être de concevoir des solutions qui permettent d'optimiser le travail de plusieurs personnes en même temps. Par exemple, une base de curation auto-alimentée tous les jours pour permettre à l'équipe de création de contenu d'une entreprise d'avoir rapidement de nouvelles infos (et donc de nouveaux sujets).

La troisième, ça va être de remplacer une partie du travail par une intelligence artificielle. Par exemple, réduire la taille de son équipe support grâce à un premier travail fait par l'IA. Ou rendre le métier d'expert comptable un métier d'optimisation uniquement en remplaçant son travail de pure saisie (même si ça, ça toucherait plus un problème structurel que de l'optimisation).

Bref. J'espère vous avoir créé chez vous de bonnes idées et vous avoir donné envie d'améliorer votre entreprise grâce à l'IA ! On se retrouve la semaine prochaine pour la partie 2, et en attendant je vous laisse avec la suite de la newsletter !

PS : Je n'en parle jamais, mais j'ai une offre de coaching 1 to 1 pour aider les chefs d'entreprise à intégrer l'IA dans leur entreprise sans faire les erreurs communes qui peuvent coûter très cher. Si ça vous intéresse, réservez votre appel ici.

Google DeepMind développe une IA pour vérifier les réponses des IA comme ChatGPT

Une équipe de chercheurs de Google's DeepMind a développé un système basé sur l'IA nommé SAFE, conçu pour vérifier les faits des réponses générées par des modèles de langage de grande taille (LLMs) comme ChatGPT.

Comment ça fonctionne ?

Lors de la vérification des faits des résultats des LLM, les humains s'appuient souvent sur des moteurs de recherche comme Google pour trouver des sources crédibles. L'équipe de DeepMind a adopté une stratégie similaire pour le développement de leur système, nommé Évaluateur de Factualité Augmenté par Recherche (SAFE).

Leur système utilise un LLM pour décomposer le texte généré en faits ou affirmations individuels. Ensuite, il utilise Google Search pour identifier des sources de vérification potentielles. Finalement, il compare les informations de ces sources avec la réponse originale pour évaluer l'exactitude.

Alors, le système est-il bon ?

Pour le découvrir, l'équipe de recherche l'a testé sur environ 16 000 faits extraits des réponses générées par divers LLMs. Comparé aux vérificateurs de faits humains, SAFE a correspondu aux conclusions humaines 72 % du temps. Et intéressamment, lorsque des désaccords existaient entre SAFE et les humains, SAFE s'est avéré correct environ 76 % du temps !

Un autre grand avantage de SAFE est son efficacité en termes de coûts. Les chercheurs ont trouvé que l'utilisation du système d'IA était environ 20 fois moins chère que de s'appuyer sur des vérificateurs de faits humains. Cela est important car, à l'avenir, à mesure que les modèles génèrent un volume d'informations toujours croissant, avoir une méthode abordable et évolutive pour vérifier les affirmations deviendra de plus en plus crucial.

OpenAI lance un concurrent à ElevenLabs dans le clonage de voix

OpenAI vient de dévoiler une innovation captivante : un moteur vocal capable de générer une voix synthétique à partir d'un échantillon audio de seulement 15 secondes. Cette technologie, en développement depuis fin 2022, promet de transformer notre interaction avec le contenu numérique, permettant de reproduire n'importe quel texte avec la voix de l'utilisateur dans plusieurs langues. Cela ouvre des perspectives fascinantes pour la personnalisation de la communication et la création de contenu dans de nombreux secteurs.

Mais OpenAI ne prend pas cette avancée à la légère, surtout en matière d'éthique. La mise en application de ce moteur vocal se fait avec prudence, OpenAI mettant en place des déploiements limités pour mesurer son impact et élaborer des mesures de protection adéquates. Leur collaboration avec des domaines variés, tels que l'éducation et la santé, montre l'universalité de l'outil. Toutefois, la compagnie reste vigilante, insistant sur le consentement de la personne dont la voix est utilisée et sur la clarté concernant la nature artificielle du contenu produit.

Cet outil marque un tournant dans la technologie vocale IA, suggérant que l'avenir pourrait nous réserver des voix numériques plus authentiques et engageantes. Alors que cette technologie évolue, elle soulève également des questions importantes sur son utilisation éthique et la nécessité éventuelle de réglementations pour prévenir les abus. En promouvant le consentement éclairé et la transparence, OpenAI établit des normes pour le développement responsable de l'IA dans un monde de plus en plus influencé par les technologies génératives.

40% des couches des LLMs peuvent être supprimés

Des chercheurs de Meta, Cisco et du MIT ont fait une découverte surprenante : il est possible de retirer jusqu'à la moitié des couches de certains modèles de langage sans vraiment perdre en précision. Ils ont appliqué différentes techniques, dont l'élagage et le finetuning, sur des modèles de 2 à 70 milliards de paramètres. Cela concerne une gamme de modèles, des familles Llama à Phi.

Voici ce qu'ils ont trouvé :

- Certains modèles Llama ont montré une petite baisse de précision après avoir supprimé 40% à 50% de leurs couches.

- D'autres modèles ont légèrement fléchi en précision avec 20% à 30% de couches en moins.

Comment ont-ils fait ? Ils ont identifié les couches à enlever en cherchant celles qui semblaient redondantes ou moins cruciales, basé sur leur similarité. Ensuite, ils ont retiré progressivement les couches qui changeaient peu les résultats par rapport à leurs voisines.

Après l'élagage, ils ont affiné les modèles avec des techniques spécifiques pour récupérer les performances perdues. Les résultats ont montré que réduire le nombre de couches diminuait aussi le besoin en mémoire et en puissance de calcul, rendant ces gros modèles moins gourmands en ressources.

Une des grandes révélations de cette étude est que les couches superficielles sont vitales, alors que les couches plus profondes peuvent être retirées sans trop d'effet. Cela suggère que nous n'utilisons peut-être pas ces couches profondes de la manière la plus efficace.

Pourquoi est-ce important ? Cette découverte nous fait repenser l'efficacité des modèles d'IA. Elle ouvre la voie à des IA plus rapides et moins coûteuses, remet en question la nécessité de modèles surdimensionnés et souligne l'importance d'améliorer les méthodes d'entraînement pour tirer le meilleur parti de ces technologies avancées. En d'autres termes, cela pourrait changer la façon dont nous construisons et déployons l'intelligence artificielle à l'avenir.

Et voici pour aujourd'hui !

On se retrouve lundi !

En attendant, dis moi-ce que tu as pensé de la newsletter d'aujourd'hui !

PS : Cette newsletter a été écrite à 100% par un humain. Ok, peut-être 80%. 

Envie de plus de contenu sur l'IA ? Suivez-moi sur Linkedin

Envie de faire connaître votre entreprise, produit, offre d'emploi ou évènement auprès de +7000 passionnés d'IA ? Envoyez moi un mail ici

Envie de vous faire accompagner dans l'intégration de l'IA dans votre entreprise pour passer à la vitesse supérieure ? Réservez votre appel ici