ARC chez Bain, RegExplorer chez Deloitte, Topaz chez Infosys… Autant d’emblèmes de la codification des services de conseil en des plates-formes alimentées par IA.

Cette tendance, Gartner la souligne dans le premier Magic Quadrant qu’il dédie à ce marché, abordé sous l’angle de la transformation technologique.

L’IA concourt à une autre évolution : elle favorise les modèles commerciaux axés sur les résultats. Elle aligne en quelque sorte le conseil en technologies sur le conseil en stratégie d’affaires, où la séparation entre engagements et résultats est traditionnellement moins marquée.
Dans la pratique, cependant, T&M et prix fixe dominent encore largement. Chez les fournisseurs classés dans ce Magic Quadrant, seulement 10 % des deals se structurent en partage de valeur. L’option est, il est vrai, sélective, dépendant notamment de la maturité du client, de la qualité de son patrimoine data et de la clarté des processus de gouvernance.

17 fournisseurs, 4 « leaders »

L’axe « exécution » du Magic Quadrant reflète la capacité des fournisseurs à répondre effectivement à la demande (qualité des produits/services, tarification, expérience client…).Gartner les positionne ainsi :

Sur l’axe « vision », qui couvre les stratégies (commerciale, marketing, sectorielle, géographique…) :

L’IA comble des manques… plus ou moins partiellement

Quatre fournisseurs se trouvent dans le carré des « leaders » : Accenture, BCG, Deloitte et McKinsey & Company. Côté français, Capgemini et Publicis Sapient sont dans celui des « acteurs de niche ». Alten a quant à lui droit à une « mention honorable ».

Gartner évoque l’IA dans une de ses remarques à propos d’Accenture. Celle-ci est négative : à mesure que le portefeuille de propriété intellectuelle et d’outils d’IA intégré aux services de conseil prend du volume, il devient difficile d’en tirer pleinement la valeur.

Concernant BCG, l’IA est au contraire évoquée dans un point positif : elle est au cœur d’un écosystème intégré pour la planification de scénarios et l’anticipation du changement.

Chez Deloitte, il y a à la fois du positif et du négatif teintés d’IA.
Gartner apprécie qu’elle soit mobilisée pour enrichir la propriété intellectuelle sectorielle. Le cabinet américain salue aussi la stratégie agile d’acquisitions que Deloitte déploie pour récupérer des capacités ciblées dans ce domaine. Il appelle néanmoins à la vigilance sur l’exploitation de l’IA pour le delivery : on s’assurera d’un usage responsable.

Entre autres remarques positives impliquant l’IA :

• L’investissement significatif d’EY pour la mise à l’échelle et le développement de workflows
• La philosophie « AI-first » d’Infosys, illustrée avec la plate-forme Topaz
• La codification de l’expertise sectorielle chez McKinsey (et l’anticipation tendances sectorielles et risques géopolitiques)
• L’accélération du delivery chez Publicis Sapiens

Côté négatif :

• Le manque d’outils IA chez HCLTech pour le suivi du marché sur l’aspect product engineering
• La couverture métier encore restreinte chez VML (marketing et commerce, essentiellement), même si l’IA ouvre des portes
• Un suivi de marché encore nettement fondé sur le feedback client et sur des outils traditionnels chez Wipro, en dépit d’améliorations à base d’IA

Illustration © monsitj – Adobe Stock

The post L’IA devient un élément codifiant du conseil en technologies appeared first on Silicon.fr.

De quoi des paramètres relèvent-ils juridiquement parlant ? À l’instar des poids, ils ne sont en tout cas ni des logiciels, ni du code source, ni des données.

L’OSI (Open Source Initiative) a étudié cet aspect dans le cadre de ses travaux sur l’intelligence artificielle. Elle avait amorcé un grand tour d’horizon du sujet à l’été 2022. Avec une question centrale : qu’est-ce que l’IA open source ? Ou, sous un autre angle : dans quelle mesure la définition de l’open source (OSD, Open Source Definition) peut-elle s’appliquer à l’IA, tant cette dernière estompe la frontière entre code et données ?

Avec la perspective du règlement européen sur l’intelligence artificielle, la réflexion s’était accélérée. Jusqu’à la publication, le 28 octobre 2024, d’une définition de l’IA open source.
La qualification juridique des paramètres n’y est pas abordée. L’OSI précise toutefois, en annexe, qu’ils peuvent être libres par nature, ou rendus libres par le biais d’une licence ou d’un autre instrument légal.

Trop d’incertitude juridique pour demander d’ouvrir toutes les données

Entre autres débats, il y eut celui sur les données d’entraînement : lesquelles faut-il mettre à disposition pour entrer dans les clous de l’IA open source ?

Certains promeuvent un accès sans contraintes au nom de la reproductibilité, de la transparence et de la sécurité.
L’OSI n’en a pas décidé ainsi. Son argument : une telle approche ferait de l’IA open source une niche, vu l’éventail de cas où le partage de tout le dataset est illégal ou techniquement impossible.

En la matière, l’un des obstacles s’appelle le copyright… dont L’OSI s’est d’ailleurs fixé l’objectif de limiter l’extension. Elle estime qu’il est en tout cas nécessaire de le mettre en balance avec les besoins de la société. Dans cette optique, elle s’est prononcée en faveur, sinon de l’ouverture des données, au moins de la notion d’usage raisonnable. Son président exécutif est allé jusqu’à suggérer de faire sans la notion de copyright pour ce qui est des modèles d’IA. Son postulat : entre vie privée, protection des consommateurs et respect des droits humains, la protection des jeux de données est déjà bien encadrée.

Beaucoup de savoirs autochtones sont protégés par des mécanismes non compatibles avec des cadres ultérieurs régissant l’exclusivité et le partage de droits, ajoute l’OSI. Il existe de surcroît des cas où les conditions d’utilisation de données publiques peuvent apporter à une entité A l’assurance de les exploiter librement, sans pour autant lui permettre de procurer les mêmes garanties à une entité B. Les notions de fair use et de domaine public en sont des illustrations, tant leurs définitions diffèrent entre les pays.

Les éléments à fournir pour être dans les clous de l’IA open source

Dans ce contexte, l’OSI a choisi d’exiger la fourniture d’« informations sur les données ». Impérativement suffisantes pour qu’une personne compétente puisse recréer un système « substantiellement équivalent ».

Les infos en question doivent couvrir :

• Le périmètre et les caractéristiques des données d’entraînement
• Leur origine (y compris les processus d’obtention et de sélection)
• Les procédures d’annotation, de traitement et de filtrage

Des éléments supplémentaires peuvent être exigés en fonction du dataset. En l’occurrence, la liste des données publiques exploitées et/ou de celles obtenues auprès de tierces parties. Avec, dans l’un et l’autre cas, des informations sur la provenance et les conditions d’accès.

Côté code, il faut procurer celui utilisé pour le prétraitement des données, l’entraînement/validation/test et l’inférence. Ainsi que les outils et bibliothèques sous-jacents. On y ajoutera les poids du modèle et autres paramètres de configuration (par exemple, des checkpoints-clés et l’état final de l’optimiseur ; métadonnées de modèle et échantillons de sorties sont facultatifs).

Le code, plus important que les données ?

D’après l’OSI, cette approche conserve celle de l’OSD. Laquelle n’impose pas une reproductibilité et une transparence totales, mais les permet (builds reproductibles). De plus, on peut toujours formuler davantage d’exigences, comme le Digital Public Goods Standards et les Recommandations GNU pour les distributions systèmes libres le font vis-à-vis de l’OSD.

Au final, l’utilisateur aurait les mêmes possibilités qu’avec des licences permissives. Tout du moins au sens où il pourrait conserver les insights obtenus à partir du code et de la description des données d’entraînement non partageables, puis construire sur cette base en y associant ses propres données non partageables et en rendant disponibles les insights obtenus en continuant l’entraînement.
Plus globalement, nous assure-t-on, le code d’entraînement et de traitement des données apparaît plus important que le dataset dans l’optique d’une modification libre.

En miroir à l’OSD, un système d’IA open source doit garantir quatre libertés :

• Utilisation à toutes fins sans avoir à demander d’autorisation
• Étude de son fonctionnement et inspection de ses composantes
• Modification à toutes fins, y compris des sorties
• Redistribution sans restriction d’utilisation

L’OSI recense pour le moment 5 modèles conformes : Amber et CrystalCoder (LLM360), OLMo (AI2), Pythia (EleutherAI) et T5 (Google). D’autres le seraient probablement s’ils modifiaient leurs conditions de licence, ajoute-t-elle. Parmi eux, BLOOM (BigScience), Falcom (TII) et Starcoder2 (BigCode).

Une centaine d’organisations ont adhéré à la définition de l’IA open source. Côté français, il y a l’APELL, le CNLL, Linagora, Probabl.AI, Sopra Steria et code.gouv.fr.

Illustration

The post La définition de l’IA open source demeure fondée sur un compromis appeared first on Silicon.fr.