GenAI (generative AI) a généré beaucoup d’enthousiasme dans le monde technologique au cours des 18 derniers mois et montre des promesses intéressantes. En particulier, les grands modèles de langage peuvent tenir des conversations humaines, répondre à des questions et même produire un texte cohérent et créatif.
Cependant, malgré ces avancées, le genAI ne répond pas pleinement aux besoins actuels des entreprises, notamment en ce qui concerne la prise de décision. Cela suggère que bien que les LLM (Large Language Models) soient impressionnants, ils ne sont pas la solution miracle en matière d’IA. Pour les cas d’utilisation liés à la prise de décision dans les entreprises, une approche plus holistique de l’IA est nécessaire à court terme, tout comme pour le développement à long terme de l’IAG (l’intelligence artificielle générale).
Les LLM fonctionnent en transformant le langage naturel en langage probabiliste pour produire des résultats. Contrairement aux humains, dont la connaissance repose sur des relations de cause à effet, les LLM manquent de cette compréhension. Cette limitation entrave le raisonnement et la prise de décision. Des problèmes tels que le biais et le manque de transparence rendent les entreprises réticentes à utiliser les LLM. Pour relever ces défis et atteindre l’IAG, l’IA nécessite des capacités au-delà de modèles plus grands et de données supplémentaires, notamment la capacité de raisonner sur la cause et l’effet.
De l’autre côté, il y a l’IA causale. Celle-ci se concentre sur la compréhension des relations de cause à effet, offrant ainsi une approche plus profonde que les méthodes traditionnelles d’IA. Elle permet l’imagination et le raisonnement contrefactuel, essentiels pour la prise de décision humaine, mais souvent absents dans l’IA actuelle.
L’objectif clé est d’intégrer le genAI avec l’IA causale, de façon que les entreprises peuvent analyser rapidement tout en prenant des décisions éclairées. Cette approche permet d’adresser efficacement les défis de cause à effet et offre aux entreprises une meilleure navigation dans des décisions complexes: par exemple, un leader de l’industrie de la vente au détail peut utiliser cette combinaison pour évaluer rapidement l’impact des ajustements de prix sur les ventes et la chaîne d’approvisionnement, facilitant ainsi la planification stratégique.
