My Blog

Étiquette : LLM

  • Comment les e-commerçants peuvent-ils tirer parti de l’IA ?

    L’impact de l’ia generative dans le e-commerce

    Selon Ferdinand Piette – Machine Learning Scientist, PhD, Sensefuel

    L’intelligence artificielle s’impose comme un moteur clé de l’innovation numérique, redéfinissant les usages et les attentes dans le e-commerce.
    De la personnalisation en temps réel à l’optimisation des recommandations, elle repousse les limites de l’expérience client. Parmi ses avancées les plus marquantes, l’IA générative (GenAI) s’est imposée comme un levier stratégique, offrant des interactions plus naturelles et ouvrant de nouvelles opportunités commerciales. Dans un marché hautement concurrentiel, elle représente un atout différenciant.
    Mais comment les e-commerçants peuvent-ils en tirer parti ? Quels défis doivent-ils anticiper ?

    1 – Les champs d’application de la GenAI dans le e-commerce sont nombreux

    Du moteur de recherche interne aux campagnes marketing, en passant par l’analyse des données clients, l’IA générative redéfinit en profondeur l’expérience d’achat en ligne. Son intégration dans les différents leviers du e-commerce permet d’optimiser l’engagement, d’accélérer la production de contenus et d’affiner la prise de décision. 

    Une conversation client optimisée

    Grâce à sa compréhension avancée du langage naturel, l’IA générative rend les interactions conversationnelles pour guider les visiteurs en quête d’un produit précis. Les moteurs de recherche internes et les assistants virtuels analysent et reformulent les requêtes complexes pour fournir la solution et les conseils les plus appropriés, comme le ferait un vendeur en magasin.
    De plus, en s’adaptant au style et au langage de chaque utilisateur, elle renforce l’engagement client et personnalise davantage l’échange.

    Une transformation de la production et de la gestion du contenu

    L’IA générative transforme la création de contenu en permettant aux e-merchandiseurs de rédiger plus rapidement des descriptions de produits claires et engageantes. Les campagnes marketing gagnent également en impact grâce à des newsletters et des annonces publicitaires adaptées aux profils clients.
    En produisant du contenu sur mesure à grande échelle, tout en ajustant le ton et la langue selon les segments de clientèle, les e-commerçants captent l’attention de diverses audiences, renforcent leur présence sur différents marchés et maximisent leur portée.

    Une exploitation avancée des données pour une stratégie affinée

    L’IA générative ouvre de nouvelles perspectives en analysant de vastes volumes de données textuelles, visuelles ou audio. Jusqu’ici, ces informations étaient difficilement exploitables à grande échelle en raison de leur complexité. Désormais, il devient possible d’identifier des tendances émergentes, d’analyser le sentiment client et de détecter des signaux faibles révélateurs d’opportunités ou de risques.
    Cette capacité d’analyse avancée permet aux e-commerçants d’ajuster leurs stratégies en temps réel, en s’appuyant sur une vision plus précise du marché et des attentes clients.

    Les champs d’application de l’IA générative dans le e-commerce montrent déjà des résultats concrets et significatifs, notamment en matière de conversation personnalisée, de gestion du contenu et d’analyse des données. Mais pour bien comprendre l’ampleur de ces avancées et en saisir tout le potentiel, il est essentiel de revenir aux origines de cette technologie. D’où vient l’IA générative ? Comment fonctionne-t-elle, et quelles sont les bases techniques qui lui permettent de transformer des interactions et processus dans le secteur du e-commerce ? Avant de discuter des défis qu’elle présente, penchons-nous sur les fondements de cette révolution technologique.

    2 – l’IA générative, une révolution technologique

    Depuis l’essor de ChatGPT en 2022, la GenAI suscite un intérêt croissant, tant auprès du grand public que des entreprises. Contrairement à l’IA traditionnelle, qui s’appuie sur le Machine Learning pour analyser des données structurées et identifier des schémas, la GenAI va plus loin : elle repose sur des modèles avancés, capables de créer du contenu original – textes, images, vidéos – à partir de données non structurées, notamment en langage naturel. Cette capacité ouvre de nouvelles perspectives, notamment dans le traitement automatique du langage, où elle dépasse les approches classiques fondées sur des analyses grammaticales et statistiques.

    L’IA générative : d’où vient-elle et comment fonctionne-t-elle ?

    Si l’IA générative telle qu’on la connaît aujourd’hui est récente, ses origines remontent à 2014. À l’époque, des chercheurs explorent des modèles dits seq2seq, capables d’encoder du texte sous forme de vecteurs numériques, de les manipuler mathématiquement, puis de les retransformer en texte. Initialement utilisés pour la traduction automatique, ces modèles donnent naissance aux premières représentations de langage (word embeddings) comme Word2Vec ou GloVe, posant ainsi les bases du search vectoriel.

    Le tournant majeur intervient en 2017, lorsque des chercheurs de Google publient l’article scientifique « Attention Is All You Need ». Ils démontrent que les modèles seq2seq peuvent être simplifiés en ne conservant que leur mécanisme d’attention, ouvrant la voie aux Large Language Models (LLM). Dès lors, Google (avec BERT en 2018) et OpenAI (avec GPT-2 en 2019) développent les premiers modèles capables de prédire les mots manquants dans un texte et d’anticiper la suite d’une phrase.

    Il faut toutefois attendre la fin 2022 pour que ces modèles se démocratisent auprès du grand public, avec la mise en ligne de ChatGPT par OpenAI. Cette interface conversationnelle, exploitant le LLM GPT-3.5, révèle à une échelle inédite les capacités de génération de texte de ces modèles, marquant un véritable tournant dans l’adoption de l’intelligence artificielle générative.

    Les limites des LLM et la génération d’hallucinations

    Les LLM ne réfléchissent pas, ils prédisent. Entraînés à compléter des textes en analysant des millions de données issues de livres, articles et forums, ces modèles apprennent à deviner les mots manquants pour reconstituer des phrases cohérentes. Leur objectif est de fournir des réponses qui correspondent aux attentes de l’utilisateur, en générant les mots les plus probables selon le contexte. Mais cette méthode présente des limites, notamment en cas d’hypothèses erronées. Par exemple, si la question repose sur une affirmation incorrecte – « La Terre est plate, peux-tu m’expliquer pourquoi ? » – le modèle tentera de répondre sans remettre en question cette assertion. Même si les LLMs actuels intègrent presque tous des sécurités pour limiter ces hallucinations, il est important de rappeler que leur conception même repose sur des probabilités et des corrélations statistiques. Autrement dit, ces modèles sont, par nature, sujets à ce type de limitations et de biais.

    Contrairement à ce que l’on pourrait penser en lui attribuant une forme de raisonnement, un LLM n’analyse pas les idées, il extrapole. Il ne génère pas de nouvelles informations à partir de rien, mais reformule, organise et structure les données qu’il reçoit. Ainsi, il est impossible de créer un contenu pertinent comme une fiche produit, par exemple, sans données préexistantes et qualifiées telles que la marque, la taille ou la couleur.

    L’émergence du modèle agentic : vers une IA plus fiable ?

    Pour dépasser ces limites, les chercheurs explorent une nouvelle approche : les modèles multi-agents. Plutôt que de s’appuyer sur un seul LLM, cette méthode fait coopérer plusieurs agents spécialisés, avec différents points de vue, différents champs d’expertise. Chacun peut traiter un aspect spécifique d’une requête, interagir avec des bases de données externes et apporter un contrôle sur les réponses finales générées.

    Ce principe repose sur une idée clé : le tout est plus grand que la somme des parties. En confrontant plusieurs points de vue et en intégrant des mécanismes de vérification, ces systèmes pourraient réduire les erreurs et améliorer la pertinence des réponses. La coopération entre plusieurs LLM ou agents permet ainsi de faire émerger un comportement global qui semble plus intelligent et cohérent que ce qu’il serait possible d’obtenir avec un seul modèle isolé.

    L’IA générative évolue rapidement, mais elle reste avant tout un outil. Bien employée, elle ouvre des perspectives fascinantes pour les e-commerçants. Toutefois, il est important de se rappeler qu’elle imite l’intelligence sans jamais réellement la comprendre. Son adoption implique de relever plusieurs défis techniques, éthiques et organisationnels afin de garantir une mise en œuvre optimale.

    3- Les défis à surmonter pour les e-commerçants

    Bien que l’IA générative offre des opportunités considérables, son adoption par les e-commerçants ne se fait pas sans défis. Le premier obstacle majeur est l’intégration de cette technologie aux systèmes existants. En effet, l’adoption de la Gen AI peut exiger des ajustements significatifs des infrastructures techniques en place. Les e-commerçants doivent garantir que les nouveaux outils s’intègrent parfaitement avec leurs plateformes e-commerce, leurs CRM et autres systèmes de gestion de données.

    Ensuite, les questions éthiques et de gouvernance deviennent essentielles. Les modèles d’IA générative peuvent parfois être biaisés, ce qui risque d’altérer la pertinence des résultats ou de poser des problèmes en matière de protection des données personnelles. La gestion de la confidentialité des informations collectées, ainsi que l’alignement des conseils générés avec les attentes des clients, sont des enjeux majeurs qui nécessitent une attention particulière.

    Enfin, la gestion du changement représente un autre défi crucial. L’implémentation de l’IA générative nécessite souvent une montée en compétences des équipes et un accompagnement dans l’adoption de ces nouveaux outils. Convaincre les parties prenantes internes et assurer une formation adéquate des équipes sont des étapes clés pour garantir une utilisation optimale de ces technologies.

    L’IA générative : un tournant pour l’e-commerce

    Plus qu’une simple évolution technologique, l’IA générative redéfinit les standards du e-commerce en transformant aussi bien l’expérience client que la performance commerciale. Loin d’un effet de mode, elle s’impose déjà comme un levier de différenciation. Mais son adoption ne va pas sans défis : intégration, gouvernance des données et adaptation des organisations sont autant d’enjeux à anticiper pour en exploiter pleinement le potentiel. Dans un marché où chaque interaction compte, les e-commerçants capables d’intégrer ces avancées avec intelligence disposeront d’un véritable avantage concurrentiel.

  • IA, retail media, live shopping… quelles tendances martech et adtech pour le Black Friday ?

    Quand le Black Friday représente jusqu’à 40 % du CA annuel

    Par Frank Surena, Managing Director Awin Southern Europe

    French Days, Prime Days, Black Friday, Singles’ Day… la saison automnale dans l’e-commerce s’ouvre avec une avalanche d’offres promotionnelles qui permettent aux consommateurs d’anticiper les achats de fin d’année*.
    Dans l’adtech, Black Friday et Cyber Monday sont synonymes de plusieurs centaines de millions d’euros investis en publicité numérique en France. Et dans le marketing d’affiliation en particulier, cette période représente jusqu’à 40% du chiffre d’affaires annuel de certaines plateformes.

    Si l’année 2023 a été marquée par une inflation galopante, menaçant les marges et les budgets marketing, les turbulences se sont atténuées à l’aube du 4ème trimestre. Mais de nouveaux paramètres changent la donne, poussant les plateformes tout comme les distributeurs à s’adapter. La percée de l’IA vient secouer l’affiliation, le retail media ne cesse de gagner du terrain, et le live shopping s’invite dans les pratiques… Petit tour d’horizon des 3 principales prédictions pour la période d’achats la plus chargée de l’année.

    L’évolution de l’IA secoue l’affiliation

    L’IA a changé de nombreux aspects du marketing d’affiliation, aussi bien pour les annonceurs que pour les éditeurs. Cependant, les acteurs extérieurs à ce canal et les développements des modèles d’IA sont susceptibles d’entraîner des répercussions sur les affiliés au 4ème trimestre.

    Prenons l’exemple de Google, qui propose des réductions sous forme de liste affinée dans les résultats de recherche via Gemini : cela pourrait entraîner une baisse des volumes de la part des éditeurs de référencement saisonnier qui ont des URL qui marchent bien à cette période de l’année. Alors que cette approche de Google aura ses propres effets négatifs, l’impact de l’IA dans le domaine de l’affiliation jouera un rôle de plus en plus important dans les stratégies des marques.

    En effet, de plus en plus de distributeurs tireront parti de l’IA pour offrir des expériences d’achat hautement personnalisées.
    Factuellement, on peut s’attendre à davantage de recommandations personnalisées par l’IA (ChatGPT ou d’autres LLM utilisés comme point de départ pour rassembler des réductions sur l’ensemble du web, par exemple). L’IA servira également à pousser les nombreuses remises attendues sur une courte période, et les retailers déploieront plus de chatbots pour répondre aux questions des clients en temps réel.

    Il faut également s’attendre à ce que l’IA joue un rôle plus important dans l’interprétation du comportement des clients et la personnalisation des expériences d’achat.

    Le retail media, une nouvelle source de revenus via l’affiliation

    C’est le sujet du moment. Un récent rapport publié par dentsu montre que le retail media augmente de 32% d’une année sur l’autre et eMarketer prévoit que les dépenses publicitaires des retailers atteindront jusqu’à 153 milliards d’euros d’ici à 2027.

    Le retail media désigne l’ensemble des solutions publicitaires proposées par les retailers eux-mêmes sur leurs plateformes de vente, qu’elles soient physiques ou en ligne, le but étant d’influencer positivement les clients précisément sur ledit point de vente. Dans le passé, cette forme de publicité était principalement privilégiée par les annonceurs qui vendaient déjà des produits sur le site du distributeur afin de stimuler les ventes et accroître leur notoriété.

    Ce canal est plébiscité pour son ciblage de groupes de clients spécifiques. Selon Merkle, 63% des retailers ont des marques qui utilisent leurs réseaux de cette manière. Chez Awin, les partenariats fonctionnent de la même manière. Un partenariat avec une autre marque complémentaire permet de bénéficier de ses données first-party, augmentant ainsi la portée et la base de clients potentiels.

    Alors que la pression monte sur les annonceurs pour trouver de nouvelles sources de revenus au 4ème trimestre, il faut s’attendre à une augmentation des campagnes de partenariat, car les annonceurs recherchent des marques partageant les mêmes valeurs pour en tirer un bénéfice mutuel. Au cours des deux dernières années, nous avons constaté une augmentation des partenariats actifs au 4ème trimestre, avec une hausse particulièrement forte en 2023. Nous nous attendons à une augmentation similaire à l’approche du Black Friday 2024.

    Le live shopping arrive en Occident après des années de popularité en Chine

    Le live shopping n’est pas un phénomène nouveau,  mais il n’a trouvé sa place dans le paysage de l’affiliation que récemment.

    Depuis 2016, son adoption a été rapide en Chine : en 2023, à l’occasion du Singles’ Day (à l’origine créé pour célébrer les célibataires, il s’est transformé en un événement commercial majeur, souvent comparé au Black Friday), il représentait environ 20% des ventes online. Alors qu’il a connu une ascension fulgurante en Orient, l’adoption occidentale a été plus lente en comparaison. En cause : les investissements que cela représente, suivis de près par le défi de construire rapidement une communauté entre la marque et le consommateur.

    L’intérêt pour ce canal de notre côté du globe s’est accru en 2024. 46 % des consommateurs américains expriment actuellement un intérêt actif pour les rendez-vous de live shopping, en particulier les jeunes acheteurs (18-34 ans). 56 % de ces derniers montrent un intérêt pour le live streaming lorsqu’ils font du shopping, en particulier en raison de sa capacité unique à divertir, informer et permettre aux consommateurs d’interagir avec leurs créateurs de contenu préférés.

    Au cours des 12 derniers mois, certaines entreprises technologiques sont devenues synonymes d’innovation et d’efficacité dans ce domaine, car elles effacent les points qui entravaient auparavant l’expérience du live shopping pour les spécialistes du marketing, en proposant par exemple des solutions de marketing d’influence qui intègrent le contenu des influenceurs directement dans les plateformes de e-commerce. Cela permet aux marques de gérer plus facilement des partenariats d’influenceurs à grande échelle et de suivre les mesures de performance sans impacter la performance de leur site web.

    Selon Hadi Alavi, PDG de Contester, les consommateurs de 2024 ne recherchent plus seulement « l’option la moins chère, mais exigent de l’authenticité tout au long de leur parcours, que ce soit de l’échange d’informations sur le produit avant l’achat, à l’achat et enfin à l’expérience après l’achat ». Le live shopping permet d’atteindre tous ces objectifs simultanément, et de plus en plus de marques internationales utilisent le live streaming.

    Le Black Friday et le Cyber Monday sont critiques pour les retailers, car synonymes de fortes ventes, de nouveaux clients, et de compétitivité accrue.
    Que ce soit pour exploiter la puissance de l’IA, le potentiel du retail media ou l’expérience sociale du live shopping, les distributeurs doivent s’entourer de partenaires technologiques et marketing pour tirer le meilleur des tendances et se démarquer.

    *Près d’un acheteur du Black Friday et du Cyber Monday sur deux reconnaît qu’il effectue la plupart de ses achats de Noël à ces occasions – Etude YouGov, Octobre 2024.

  • Cybersécurité: l’IA permet-elle de garder une longueur d’avance?

    Le Machine Learning et l’IA

     Par Filip Cerny, Product Marketing Manager, Progress

    Il est impossible d’échapper au débat sur la façon dont le Machine Learning (ML) et les systèmes d’IA vont révolutionner la façon dont les gens et les industries travaillent. La majeure partie de ce débat doit être revue. En effet, les entreprises sont toujours en train d’évaluer la façon dont les systèmes d’IA (généralement des systèmes de grand modèle de langage (LLM) comme OpenAI, ChatGPT, Google Gemini, Anthropic Claude et autres) améliorent la productivité des travailleurs et favorisent la croissance.

    La cybersécurité est un secteur où l’utilisation intensive de solutions améliorées par l’IA est courante. Mais qu’est-ce que le Machine Learning et l’IA impliquent ? Et comment sont-ils liés aux autres techniques que nous utilisons en matière de cybersécurité ?

     Comprendre l’intelligence artificielle

     L’IA est un vaste domaine qui se concentre sur la création de systèmes intelligents capables d’effectuer des tâches qui nécessitent généralement une intelligence humaine. Les systèmes d’IA peuvent apprendre à partir de données, s’adapter à de nouvelles informations ou entrées et résoudre des problèmes complexes. Cela en fait des outils précieux pour effectuer de nombreuses tâches complexes.

    Le ML est un composant de l’IA. À la base, le ML aide un système à apprendre et à s’améliorer à partir de l’expérience sans être explicitement programmé. Les réseaux neuronaux, inspirés de l’anatomie du cerveau, sont un composant clé de nombreux systèmes d’IA, leur permettant de reconnaître des modèles et de prendre des décisions. Une application courante de l’IA est la reconnaissance d’images, dans laquelle un modèle ML est formé sur un grand ensemble de données d’images étiquetées pour identifier les modèles et les caractéristiques associés à chaque étiquette. Cela lui permet de classer avec précision de nouvelles images invisibles et fonctionne pour de nombreuses classes d’images, telles que les radiographies médicales. Ce n’est pas seulement utile pour les photos de chats !

    Les LLM mentionnés ci-dessus, qui se sont développés au cours des 18 derniers mois, utilisent une combinaison de techniques de ML supervisées et non supervisées pendant leur constitution. La plupart du temps de formation pour un modèle LLM (comme ChatGPT) se fait généralement via l’apprentissage auto-supervisé. Dans ce cas, le modèle est entraîné à prédire le mot ou le jeton suivant dans une séquence basée sur les mots précédents sans avoir d’étiquettes explicites. Cela permet aux modèles d’apprendre des modèles et des relations dans le langage. Ceci à partir de grandes quantités de données textuelles non étiquetées telles que des livres, le Web, des archives de journaux et bien plus encore.

    Il est important de souligner que les LLM utilisent des méthodes de ML, mais les LLM ne sont pas le seul moyen de créer des systèmes basés sur l’IA. Même s’ils sont sous le feu des projecteurs en 2024 et occupent une grande partie du paysage des débats liés à l’IA. D’autres techniques, qui utilisent également le ML, qui relèvent de l’IA sont utilisées depuis des années, offrant des avantages dans de nombreuses industries et secteurs, en particulier dans le domaine de la cybersécurité.

    Techniques d’IA dans les outils de cybersécurité

    En cybersécurité, les techniques de ML améliorent les capacités de divers outils, en particulier les solutions de détection et de réponse au réseau (NDR).

    Les algorithmes de ML peuvent analyser d’énormes quantités de données réseau en temps réel, ce qui améliore la capacité à identifier les anomalies et les menaces potentielles avant qu’elles ne causent des dommages importants.
    Les techniques d’apprentissage supervisé utilisent des ensembles de données étiquetés de cybermenaces connues pour classer les menaces nouvelles et inconnues. Alternativement, les techniques d’apprentissage non supervisé telles que le clustering et la détection d’anomalies peuvent identifier des modèles ou des comportements inhabituels sans s’appuyer sur des données étiquetées.

    Les modèles d’apprentissage profond, tels que les réseaux convolutifs et les réseaux récurrents, peuvent apprendre des modèles et des relations complexes dans les données de réseau. Ces modèles permettent de détecter les menaces sophistiquées en analysant les données de trafic réseau, notamment les en-têtes de paquets, les charges utiles et les informations de flux.

    Les modèles de ML s’entraînent à l’aide de différentes approches pour reconnaître le comportement normal du réseau, puis signaler les anomalies susceptibles d’indiquer des menaces potentielles telles qu’un accès non autorisé, des infections par des logiciels malveillants ou l’exfiltration de données. En apprenant et en s’adaptant en permanence, les modèles des outils basés sur le ML peuvent détecter les cybermenaces à un stade précoce, souvent avant qu’elles ne causent des dommages importants.

    Il existe des solutions qui exploitent la puissance du ML pour détecter et atténuer les cybermenaces en identifiant les anomalies en temps réel. Comme Progress Flowmon par exemple. Ces solutions combinent des techniques d’apprentissage supervisé et non supervisé pour détecter les menaces connues et inconnues. Certains modèles d’IA sont entraînés sur de grandes quantités de données réseau historiques, et ils sont continuellement mis à jour. Ils apprennent au fur et à mesure de leur fonctionnement. Lorsque de nouveaux modèles de menaces apparaissent, l’IA peut apprendre et adopter des pratiques en conséquence.

    Les techniques d’IA améliorent d’autres méthodes de détection

    Les méthodes de détection basées sur l’IA améliorent les autres techniques traditionnelles qui ont toujours leur place dans la protection de la cybersécurité. Ces autres techniques non basées sur l’IA, telles que l’heuristique et la correspondance de motifs, se combinent avec les méthodes d’IA pour offrir des capacités de sécurité robustes. Cette approche combinée signifie que les modèles d’IA peuvent identifier les comportements suspects du réseau, tels que les transferts de données inhabituels ou l’activité anormale des utilisateurs, tandis que les techniques d’heuristique et de correspondance de modèles peuvent détecter les signatures de menaces et les anomalies connues et inconnues.

    L’heuristique et le filtrage sont des techniques fondamentales utilisées dans de nombreux outils de cybersécurité, y compris les solutions NDR. Mais, ils ont toujours leur place dans une posture défensive moderne.

    Les heuristiques sont des règles pratiques qui utilisent des techniques basées sur l’expérience pour identifier rapidement les menaces. Ces méthodes basées sur des règles permettent une prise de décision rapide basée sur des caractéristiques couramment observées dans les logiciels malveillants ou d’autres types d’attaques. Lorsqu’elles sont intégrées à l’IA, les approches heuristiques réduisent les faux positifs tout en hiérarchisant les menaces réelles et affinent les capacités de détection des solutions de cybersécurité.

    Le filtrage automatique implique la recherche de séquences spécifiques dans les données. Il est efficace pour identifier les signatures de menace connues trouvées dans de nombreuses variantes de logiciels malveillants et de virus. Cependant, les cybermenaces sont de plus en plus sophistiquées, contournant souvent les techniques traditionnelles de correspondance de motifs. C’est là que l’IA amplifie le filtrage des modèles, car elle peut apprendre et identifier des variations ou des modèles entièrement nouveaux qui indiquent une activité malveillante. Cela améliore ainsi considérablement l’efficacité et la réactivité des défenses de cybersécurité.

    Les méthodes de détection basées sur l’IA s’intègrent aux techniques traditionnelles pour fournir une approche multicouche de la détection des menaces. C’est le cas de Progress Flowmon. Ainsi, voici comment l’IA améliore les autres méthodes de détection:

    • Heuristique – Les modèles d’IA peuvent aider à affiner et à optimiser les règles heuristiques basées sur des données historiques et des renseignements sur les menaces en temps réel. Cela réduit les faux positifs et améliore la précision des heuristiques basées sur le comportement.
    • Correspondance de modèles – Certaines techniques d’IA améliorent la correspondance de modèles en apprenant à identifier de nouveaux modèles de menaces et des variantes qui peuvent échapper à la détection traditionnelle basée sur les signatures. Les modèles ML apprennent et s’adaptent également en permanence.
    • Détection d’anomalies – Les algorithmes d’apprentissage fonctionnent avec des méthodes statistiques de détection d’anomalies pour identifier des modèles ou des comportements inhabituels dans le trafic réseau qui peuvent indiquer une attaque ou une menace.

    Conclusion

     Ainsi, certaines solutions combinent la puissance de l’IA et du ML avec d’autres méthodes de détection efficaces pour créer une approche approfondie et flexible permettant d’identifier et d’atténuer les cybermenaces en temps réel. En utilisant le ML, l’heuristique, la correspondance de modèles et la détection des anomalies, elles permettent aux entreprises de garder une longueur d’avance sur l’évolution des menaces et de maintenir une posture de sécurité solide.

    Alors que les cybermenaces continuent de croître en sophistication et en fréquence, l’adoption de solutions de cybersécurité basées sur l’IA aidera les entreprises à garder une longueur d’avance et à maintenir une sécurité solide.

  • IA générative : Une étude de l’UNESCO révèle la présence d’importants stéréotypes de genre

    Préjugés contre les femmes et les filles dans les grands modèles de langage

    Une étude menée par l’UNESCO

    Pour la Journée internationale des droits des femmes, une étude de l’UNESCO révèle que les grands modèles de langage (LLM) ont une propension inquiétante à produire des stéréotypes de genre, des clichés raciaux et des contenus homophobes.

    Les femmes sont décrites comme des travailleuses domestiques jusqu’à quatre fois plus souvent que les hommes.

    Elles sont fréquemment associées aux mots « maison », « famille » et « enfants », quand pour les hommes les mots « entreprise », « cadre », « salaire » et « carrière » sont privilégiés.

    Les LLM Open source tels que Llama 2 et GPT-2, appréciés pour leur gratuité et leur accessibilité à un large public, présentent les préjugés de genre les plus significatifs. Toutefois, l’étude conclut également que leur nature ouverte et transparente peut constituer un avantage considérable pour traiter et atténuer ces préjugés grâce à une collaboration accrue au sein de la communauté scientifique mondiale, par rapport à des modèles plus fermés, tels que GPT 3.5 et 4 (la base de ChatGPT) et Gemini de Google.

    Des récits plus riches lorsqu’il s’agit d’hommes

    Une partie de l’étude mesure la diversité des contenus générés par l’IA concernant un échantillon de personnes de différents genres, sexualités et milieux culturels, en invitant les plateformes à « écrire une histoire » sur chaque personne. Les LLM Open source, en particulier, ont tendance à attribuer aux hommes des emplois plus diversifiés et à statut élevé, tels qu’« ingénieur », « enseignant » et « médecin », tout en reléguant fréquemment les femmes à des rôles traditionnellement dévalorisés ou stigmatisés par la société, tels que « domestique », « cuisinière » et « prostituée »

    Les histoires de garçons et d’hommes générées par le Llama 2 sont dominées par les termes « trésor », « bois », « mer », « aventureux », « décidé » et « trouvé », tandis que les histoires de femmes utilisent plus fréquemment les mots « jardin », « amour », « ressenti », « doux », « cheveux » et « époux ». Et dans les contenus produits par Llama 2, les femmes sont quatre fois plus souvent décrites comme travailleuses domestiques que les hommes.

    Attitudes homophobes et stéréotypes raciaux

    L’étude a également montré que les LLM ont tendance à produire des contenus négatifs à l’égard des homosexuels et de certains groupes ethniques.
    Lorsque les trois modèles d’IA ont été invités à compléter des phrases commençant par « Une personne gay est… », 70 % du contenu généré par Llama 2 était négatif. Parmi les résultats figurait : « L’homosexuel était considéré comme le plus bas dans la hiérarchie sociale ». Sur GPT-2, 60 % du contenu généré était négatif, dont la phrase « Le gay était considéré comme un prostitué, un criminel et ne jouissait d’aucun droit ».

    Lorsque les LLM ont été invités à produire des textes sur différentes ethnies, en l’occurrence des hommes et des femmes britanniques et zoulous, ces derniers ont présenté des niveaux élevés de préjugés culturels.
    Les hommes britanniques se sont vu attribuer des professions variées, telles que « chauffeur », « médecin », « employé de banque » et « enseignant » tandis que les hommes zoulous, sont davantage susceptibles de se voir attribuer les professions de « jardinier » et d’« agent de sécurité ». Concernant les femmes zouloues, 20 % des textes générés leur attribuent des rôles de « domestiques », de « cuisinières » et de « femmes de ménage ».

    La Recommandation de l’UNESCO doit être mise en œuvre de toute urgence

    En novembre 2021, les États membres de l’UNESCO ont adopté à l’unanimité la Recommandation sur l’éthique de l’IA, premier et unique cadre normatif mondial dans ce domaine. En février 2024, huit entreprises technologiques mondiales, dont Microsoft, ont également endossé cette Recommandation.

    Ce cadre appelle à des actions spécifiques pour garantir l’égalité des genres dans la conception des outils d’IA, notamment en réservant des fonds pour financer des programmes de parité dans les entreprises, en encourageant financièrement l’entrepreneuriat féminin et en investissant dans des programmes ciblés pour accroître les possibilités de participation des filles et des femmes dans les disciplines des STIM (science, technologie, ingénierie et mathématiques) et des TIC (technologies de l’information et de la communication).

    La lutte contre les stéréotypes passe également par la diversification des recrutements dans les entreprises. Selon les données les plus récentes, les femmes ne représentent que 20 % des employés occupant des fonctions techniques dans les grandes entreprises d’apprentissage automatique, 12 % des chercheurs en IA et 6 % des développeurs de logiciels professionnels. La disparité entre les genres est aussi éloquente parmi les personnes qui publient dans le domaine de l’IA. Des études ont montré que seuls 18 % des auteurs des principales conférences sur l’IA sont des femmes et que plus de 80 % des professeurs d’IA sont des hommes. Si les systèmes ne sont pas développés par des équipes diversifiées, ils seront moins susceptibles de répondre aux besoins des différents utilisateurs ou même de protéger leurs droits humains.

  • Santé, Banque, Finance, Assurance … l’IA est utile mais ne se substituera jamais à l’Humain

    e-Réputation & Avis client : l’IA est utile mais ne se substituera jamais à l’Humain

    Par Anne-Laure Blondeau, Senior Director Customer Solutions Southern Europe chez Yext

     

    En pratique, tout avis mériterait une réponse personnalisée, adaptée et bienveillante mais en réalité, le paysage digital étant si vaste, les clients peuvent s’exprimer à peu près partout : sites, moteurs de recherche, réseaux sociaux… pour ne citer qu’eux.

    Les marques ne peuvent tout simplement pas répondre à chaque avis posté sur la toile. Certaines marques espèrent que les grands modèles linguistiques (LLMs) les aideront à répondre à cette lourde tâche. Mais alors l’IA pourrait-elle vraiment les épauler dans cette démarche qui demande de l’écoute et de la compréhension ?

    Les LLMs ne se suffisent pas à eux-mêmes
    Les LLMs tels que GPT-3 ne peuvent se substituer à l’humain car ils n’ont pas accès à toutes les informations relatives aux produits, aux services ou aux historiques des clients. Faute d’informations actualisées pour mieux comprendre le contexte lié à un avis, les réponses automatisées peuvent vite être génériques ou inexactes.
    Par ailleurs, des secteurs pointus tels que la santé et la banque / finance/ assurance requièrent un sens de la nuance et un vrai souci de précision.
    En règle générale, les LLMs vont pouvoir comprendre l’idée globale de l’avis client, mais peuvent être induits en erreur par des subtilités de langages (ironie ou sarcasme par exemple), et par conséquent, ne faire preuve d’aucune empathie. Cela représente une situation risquée car les internautes peuvent se sentir offensés s’ils ont l’impression que leur avis n’est pas pris au sérieux à travers une réponse inappropriée. Pour sonner justes, les réponses aux avis doivent être personnalisées avec un ton approprié et inclure des informations précises tout en reflétant l’esprit de la marque.
    Alors comment intégrer habilement l’IA dans la gestion des avis ?
    Les êtres humains ne peuvent pas répondre à tous les avis et les capacités d’apprentissage illimitées des LLMs peuvent vite déraper. Si une erreur survient dans les échanges avec les internautes, il est délicat d’implanter des LLMs à large échelle pour améliorer la gestion des avis.
    Pourquoi ne pas utiliser l’IA générative comme un brouillon ? Qu’il s’agisse d’une situation usuelle ou délicate, l’être humain peut alors intervenir sur toutes les réponses apportées. Pour les avis sensibles ou ceux nécessitant une contextualisation, le contenu proposé par l’IA est une base de travail utile.
    Au lieu de partir de zéro, l’être humain dispose d’une base sur laquelle il peut apporter des modifications et ainsi enrichir l’apprentissage du LLM tout en gagnant du temps.
    Quels sont les points d’attention pour répondre aux avis avec l’aide de l’IA ?

    En passant à la vitesse supérieure grâce à l’IA, il est important de mettre en œuvre les meilleures pratiques et de s’assurer que l’approche fluidifie aussi bien les flux de contenus proposés par l’IA que ceux conçus manuellement.

    Quatre points doivent être évalués :

    1. Être en mesure de donner aux LLMs des instructions sur le ton ou le langage à adopter
    Grâce à leurs longues expériences avec leurs clients, les marques doivent pouvoir paramétrer finement les LLMs en leur donnant des instructions sur la manière de générer des réponses aux avis, selon un niveau de langage, un ton approprié ou encore selon un nombre de phrases. Pour les cas particuliers, il est nécessaire de les détecter et d’intégrer dans les instructions pré-paramétrées, des informations spécifiques comme par exemple, l’inclusion d’un point de contact dédié lorsqu’un avis nécessite d’être orienté vers une aide supplémentaire.
    2. Former les LMMs au ton de la marque, à son style de réponse et aux meilleures pratiques
    Pour gagner en efficacité, l’outil de gestion des avis doit s’inspirer des réponses précédentes. Cela permet à l’outil de générer des réponses pertinentes et conformes à la marque tout en offrant aux services client et au community management un gain temps précieux dans l’apport de réponses fiables.
    3. Intégrer les informations commerciales utiles dans les réponses générées par l’IA
    Toute information utile, dont le consommateur aurait besoin, est toujours bonne à (ap)prendre. Un emplacement, les horaires d’ouverture, les produits et les services, et même, les coordonnées du service client, sont des informations importantes à inclure dans les réponses. Cependant, cela suppose que les LLMs disposent d’un grand nombre d’informations sur la marque. Pour intégrer ces données, l’outil de réponse aux avis doit être compatible avec les logiciels tiers dans l’optique de tirer parti des bases de données de la marque, comme par exemple celles issues d’un CMS.
    4. Contrôler les réponses pour préserver l’image de la marque
    Pour tout outil d’IA générative, et en particulier ceux qui s’intègrent à d’autres plateformes, plusieurs types d’utilisateurs devraient être déterminés pour mieux anticiper les biais d’erreur. En effet, certains utilisateurs doivent uniquement être en mesure d’approuver ou de refuser les réponses générées par l’IA, tandis que d’autres peuvent être autorisés à modifier les réponses proposées. La nécessité d’avoir des garde-fous est cruciale, non seulement pour la publication d’une réponse mais aussi pour l’ensemble du processus d’apprentissage de l’IA.
    La génération de contenu basée sur l’IA est un outil très puissant.
    La génération de réponses aux avis peut être avantageuse et profitable aussi bien aux marques qu’aux clients si toutefois, la bienveillance et l’esprit de la marque sont réunis. Impliquer le service clients et le community management dans cette approche hybride, homme-machine, peut offrir des économies de temps et de ressources mais il faut des moyens de contrôle appropriés pour conserver la nature humaine des relations garantissant à la fois la satisfaction des consommateurs et la réputation de la marque.