L'IA dans le secteur public : petits modèles, grands défis

L'essor de l'IA dans le secteur public : une adoption sous contraintes

L'intelligence artificielle (IA) est en train de transformer divers secteurs, et les institutions publiques ne font pas exception. Cependant, contrairement au secteur privé, les organisations gouvernementales doivent naviguer dans un paysage complexe de contraintes en matière de sécurité, de gouvernance et d'opérations. Ces défis uniques nécessitent des solutions sur mesure, et c'est là que les petits modèles de langage (SLMs) entrent en jeu. Ces modèles, adaptés aux besoins spécifiques des agences, offrent une voie prometteuse pour intégrer l'IA dans des environnements publics.

Une étude menée par Capgemini révèle que 79 % des dirigeants du secteur public mondial expriment des inquiétudes quant à la sécurité des données liées à l'IA. Cette méfiance est compréhensible, étant donné la nature sensible des données gouvernementales et les obligations légales qui les entourent. Han Xiao, vice-président de l'IA chez Elastic, souligne que les agences doivent être extrêmement prudentes avec les données qu'elles partagent sur le réseau, ce qui impose des limites significatives à leur gestion des informations.

Le besoin de contrôler les informations sensibles est l'un des nombreux obstacles qui compliquent le déploiement de l'IA dans le secteur public, en comparaison avec les pratiques plus flexibles du secteur privé.

Les défis opérationnels spécifiques au secteur public

Dans le secteur privé, le développement de l'IA repose souvent sur certaines hypothèses, telles qu'une connectivité continue au cloud, une infrastructure centralisée, une transparence limitée des modèles et des restrictions minimales sur le mouvement des données. Pour les institutions publiques, ces conditions ne sont pas toujours réalisables. Les agences gouvernementales doivent s'assurer que leurs données restent sous contrôle, que les informations sont vérifiables et que les perturbations opérationnelles sont minimisées.

De plus, ces institutions doivent souvent opérer dans des environnements où la connectivité Internet est limitée ou inexistante. Ces complexités empêchent de nombreux projets pilotes prometteurs de dépasser le stade expérimental. Han Xiao souligne que beaucoup sous-estiment les défis opérationnels de l'IA dans le secteur public, où la continuité des opérations est cruciale. Une enquête d'Elastic indique que 65 % des leaders du secteur public rencontrent des difficultés à utiliser les données de manière continue et à grande échelle.

Les contraintes d'infrastructure ajoutent une couche de complexité supplémentaire. Les organisations gouvernementales peinent souvent à obtenir les unités de traitement graphique (GPU) nécessaires pour entraîner et exécuter des modèles d'IA complexes. Contrairement au secteur privé, le gouvernement n'acquiert pas fréquemment de GPU, ce qui constitue un goulot d'étranglement significatif.

L'avantage des petits modèles de langage

Les exigences strictes du secteur public rendent les grands modèles de langage (LLMs) inadaptés. En revanche, les SLMs, qui peuvent être hébergés localement, offrent une sécurité et un contrôle accrus. Ces modèles spécialisés utilisent des milliards de paramètres, plutôt que des centaines de milliards, ce qui les rend moins gourmands en ressources de calcul que les LLMs.

Le secteur public n'a pas besoin de développer des modèles de plus en plus grands hébergés dans des centres centralisés. Des études empiriques montrent que les SLMs peuvent égaler, voire surpasser, les LLMs en performance. Ils permettent une utilisation efficace des informations sensibles tout en évitant la complexité opérationnelle des grands modèles. Han Xiao explique qu'il est facile d'utiliser des outils comme ChatGPT pour des tâches simples, mais faire fonctionner ses propres grands modèles de langage dans un environnement sans accès réseau est bien plus complexe.

Les SLMs sont conçus pour répondre aux besoins spécifiques des départements ou agences qui les utilisent. Les données sont stockées en toute sécurité en dehors du modèle et ne sont accessibles que lorsqu'elles sont interrogées. Des invites soigneusement conçues garantissent que seules les informations les plus pertinentes sont récupérées, fournissant des réponses précises. En utilisant des méthodes comme la récupération intelligente et la vérification des sources, les systèmes d'IA peuvent être adaptés aux besoins du secteur public.

Ainsi, la prochaine étape de l'adoption de l'IA dans le secteur public pourrait consister à amener l'outil d'IA aux données, plutôt que de transférer les données dans le cloud. Gartner prévoit qu'en 2027, les petits modèles d'IA spécialisés seront utilisés trois fois plus que les LLMs.

Amélioration des capacités de recherche grâce à l'IA

Lorsque l'on évoque l'IA dans le secteur public, beaucoup pensent à des outils comme ChatGPT. Cependant, l'IA offre des opportunités bien plus vastes, notamment dans l'amélioration des capacités de recherche. Le secteur public dispose de vastes quantités de données non structurées, telles que des rapports techniques, des documents d'approvisionnement, des procès-verbaux et des factures. L'IA moderne peut fournir des résultats à partir de médias mixtes, comme des PDF, des numérisations, des images, des tableurs et des enregistrements, dans plusieurs langues.

Ces données peuvent être indexées par des systèmes alimentés par des SLMs pour fournir des réponses sur mesure et rédiger des textes complexes dans n'importe quelle langue, tout en respectant les exigences légales. Han Xiao souligne que le secteur public possède de nombreuses données, mais ne sait pas toujours comment les exploiter pleinement.

L'IA peut également aider les employés gouvernementaux à interpréter les données disponibles. Un SLM bien entraîné peut interpréter les normes juridiques, extraire des informations des consultations publiques, soutenir la prise de décision exécutive basée sur les données et améliorer l'accès du public aux services administratifs. Cela peut conduire à des améliorations significatives dans la manière dont le secteur public mène ses opérations.

La promesse des petits modèles de langage pour l'avenir

Se concentrer sur les SLMs déplace la discussion de la complétude du modèle à son efficacité. Les LLMs entraînent des coûts de performance et de calcul élevés et nécessitent un matériel spécialisé que de nombreuses entités publiques ne peuvent se permettre. Bien qu'ils nécessitent certaines dépenses en capital, les SLMs sont moins gourmands en ressources que les LLMs, ce qui les rend généralement plus abordables et réduit leur impact environnemental.

Les agences du secteur public sont souvent soumises à des exigences d'audit strictes, et les algorithmes SLM peuvent être documentés et certifiés comme transparents. Certains pays, notamment en Europe, disposent également de réglementations sur la vie privée telles que le RGPD, que les SLMs peuvent être conçus pour respecter.

Des données d'entraînement sur mesure produisent des résultats plus ciblés, réduisant les erreurs, les biais et les hallucinations dont l'IA est sujette. Han Xiao explique que les grands modèles de langage génèrent du texte en fonction de leur entraînement, ce qui peut conduire à des erreurs si les informations sont obsolètes. En forçant le modèle à travailler à partir de sources vérifiées, ce problème peut être atténué.

Les risques sont également minimisés en gardant les données sur des serveurs locaux, voire sur un appareil spécifique. Il ne s'agit pas d'isoler les données, mais d'assurer une autonomie stratégique pour renforcer la confiance, la résilience et la pertinence.

En priorisant des modèles spécifiques aux tâches conçus pour des environnements qui traitent les données localement, et en surveillant en continu la performance et l'impact, les organisations du secteur public peuvent construire des capacités d'IA durables qui soutiennent des décisions concrètes. Han Xiao conseille de ne pas commencer par un chatbot, mais par la recherche, car une grande partie de l'intelligence de l'IA réside dans la capacité à trouver la bonne information.