Google et Meta misent sur l'IA pour automatiser les tâches

La nouvelle frontière de l'IA : comprendre le fonctionnement humain

Tamay Besiroglu, cofondateur et PDG de Mechanize, une startup de San Francisco, s'est fixé un objectif ambitieux : automatiser l'ensemble des emplois. Mechanize se concentre sur l'utilisation d'environnements d'apprentissage par renforcement (RL) pour atteindre cet objectif, une approche qui a attiré l'attention de géants comme Google. L'évolution de l'intelligence artificielle se déplace de l'entraînement des chatbots à la création d'environnements RL, permettant aux machines d'apprendre des tâches complexes. Meta, de son côté, a exploré la possibilité de suivre les actions des employés pour enrichir le développement de l'IA.

La tendance actuelle dans le domaine de l'IA ne se limite plus à former des chatbots pour répondre à des questions. Les entreprises technologiques s'orientent vers la création d'agents capables d'exécuter des emplois entiers. Après des années de formation de modèles sur des textes en ligne et d'évaluation des réponses par des sous-traitants, l'industrie se concentre désormais sur la création de milieux de travail numériques réalistes. Ces environnements permettent à l'IA de s'exercer à coder, à utiliser des logiciels professionnels, à prendre des décisions et à accomplir des tâches prolongées, imitant ainsi le travail humain. Ces domaines d'entraînement numériques sont appelés environnements d'apprentissage par renforcement.

Des investissements massifs et des initiatives de collecte de données

Deux développements récents illustrent cette tendance croissante dans l'industrie. Google envisage d'investir plus de 1,5 milliard de dollars dans Mechanize, une startup qui développe des environnements de travail virtuels pour former des agents IA. Parallèlement, Meta s'efforce de collecter des données telles que les frappes au clavier, les mouvements de souris et les clics, affirmant que cela aidera l'IA à comprendre comment les gens utilisent réellement les ordinateurs.

Ces initiatives marquent un changement significatif dans la manière dont les systèmes d'IA avancés sont développés. La première génération de grands modèles de langage reposait sur deux types de données principaux : de vastes quantités de texte provenant de livres et d'internet, suivies de retours humains pour évaluer la qualité des réponses des chatbots.

L'évolution des méthodes d'entraînement de l'IA

Bien que cette approche ait permis de créer des IA conversationnelles puissantes, elle n'a pas réussi à produire des agents capables de mener à bien des tâches complexes de manière autonome sur de longues périodes. L'industrie se tourne de plus en plus vers les environnements RL, des simulations réalistes où les agents IA apprennent par l'action plutôt que par la simple prédiction du mot suivant.

Scale AI, un des principaux fournisseurs de données d'entraînement, souligne que les grandes entreprises d'IA s'éloignent de la dépendance exclusive aux ensembles de données statiques et aux retours humains. Elles se dirigent vers des environnements simulés où les agents peuvent apprendre en toute sécurité par essai et erreur. Chetan Rane, responsable des produits pour les agents et les environnements RL chez Scale AI, a récemment écrit que la manière dont les modèles sont entraînés évolue, et que les modèles de pointe doivent de plus en plus apprendre dans des environnements simulés réalistes.

Près de la moitié des nouveaux projets d'entraînement IA de l'entreprise impliquent désormais des environnements RL, qui modélisent le codage réaliste, l'utilisation de l'ordinateur et les flux de travail d'entreprise.

L'automatisation complète de l'économie

Mechanize mise sur cette approche comme l'un des aspects les plus cruciaux du développement de l'IA. Fondée l'année dernière par Tamay Besiroglu, la startup vise rien de moins que l'"automatisation complète de l'économie". Bien que cette ambition ait été critiquée pour sa portée audacieuse, Besiroglu et ses cofondateurs ont expliqué dans un blog que leur objectif est de créer des environnements simulés et des évaluations qui capturent l'ensemble des tâches effectuées par les travailleurs. Le potentiel du marché est immense : les travailleurs aux États-Unis gagnent environ 18 trillions de dollars par an, et ce chiffre dépasse 60 trillions de dollars à l'échelle mondiale.

Les signaux de récompense : un élément clé

Selon Mechanize, les systèmes d'IA actuels sont peu fiables pour des tâches prolongées car ils manquent d'environnements réalistes pour apprendre. Leur premier objectif est l'ingénierie logicielle. Mechanize soutient que les futurs agents de codage apprendront d'abord à partir d'exemples de programmeurs professionnels, avant de s'améliorer grâce à l'apprentissage par renforcement dans des environnements logiciels de plus en plus réalistes, qui capturent la complexité des projets d'ingénierie réels.

À mesure que ces environnements s'améliorent, Mechanize croit que la même approche peut s'étendre à tous les types de travail de bureau. Les signaux de récompense jouent un rôle crucial dans ces environnements RL. Besiroglu a expliqué qu'il est essentiel de pouvoir indiquer au modèle si une tâche a été effectuée correctement ou non, et d'utiliser cette information pour renforcer les comportements qui ont conduit à l'exécution correcte de la tâche.

La stratégie de collecte de données de Meta

Cette approche offre également une explication à l'intérêt soudain des grandes entreprises technologiques pour la collecte de données sur la manière dont leurs employés travaillent réellement. Meta a annoncé que son logiciel de suivi aiderait l'IA à comprendre comment les gens accomplissent des tâches informatiques quotidiennes, car les agents doivent être formés sur des exemples réels. Le logiciel capture des entrées telles que les mouvements de souris, les clics, les frappes au clavier et le contexte à l'écran à travers des applications professionnelles approuvées.

Des initiatives similaires dans l'industrie

D'autres entreprises explorent des idées similaires. Uber a récemment annoncé l'intégration d'ingénieurs IA de haut niveau dans divers départements tels que la finance, le juridique, les ressources humaines, le marketing, les achats et le support client. L'objectif est d'observer comment les employés travaillent avant de redessiner ces flux de travail autour de l'IA. Cette initiative est appelée "Agentic Pods".

En fin de compte, la nouvelle course dans l'industrie de l'IA ne concerne peut-être plus la création de chatbots plus intelligents. Au lieu de cela, les entreprises rivalisent pour créer des versions numériques détaillées de véritables lieux de travail, où les agents IA peuvent s'exercer aux milliers de décisions, d'actions et de flux de travail qui composent les emplois modernes. Si les plus grands acteurs de l'industrie ont raison, ces lieux de travail virtuels deviendront les terrains d'entraînement pour la prochaine génération d'IA.