L’essor de l’IA impose des défis uniques aux organisations publiques. Les modèles de langage réduits (SLMs) pourraient offrir une solution adaptée à ces contraintes.
L’essor de l’intelligence artificielle (IA) touche de nombreux secteurs, mais les organisations publiques font face à des contraintes spécifiques qui compliquent son adoption. Un rapport de Capgemini révèle que 79 % des dirigeants du secteur public sont préoccupés par la sécurité des données liées à l’IA, une inquiétude justifiée par la sensibilité des informations gouvernementales et les obligations légales qui en découlent. Selon Han Xiao, vice-président de l’IA chez Elastic, les agences gouvernementales doivent être très strictes sur le type de données envoyées vers le réseau, limitant ainsi les possibilités de gestion de ces données.
Les défis opérationnels uniques du secteur public se distinguent de ceux du secteur privé. Alors que les entreprises privées supposent des conditions favorables telles qu’une connectivité continue au cloud et une infrastructure centralisée, les institutions gouvernementales doivent s’assurer que leurs données restent sous leur contrôle et vérifiables. Elles doivent aussi éviter les disruptions opérationnelles, tout en naviguant dans des environnements où la connectivité Internet est souvent limitée ou inexistante. Ces complexités rendent difficile le passage des projets pilotes prometteurs à des déploiements opérationnels. Une enquête d’Elastic a montré que 65 % des leaders du secteur public peinent à utiliser les données en temps réel et à grande échelle.
Les contraintes d’infrastructure aggravent également la situation. Les organisations gouvernementales rencontrent des difficultés pour se procurer des unités de traitement graphique (GPU) nécessaires à l’entraînement et à l’accès aux modèles complexes d’IA. Comme le souligne Xiao, le secteur public n’est pas habitué à gérer l’infrastructure GPU, ce qui constitue un goulot d’étranglement pour bon nombre d’institutions.
Les exigences non négociables du secteur public rendent l’utilisation de grands modèles de langage (LLMs) peu viable. En revanche, les modèles de langage réduits (SLMs) peuvent être hébergés localement, offrant ainsi une sécurité et un contrôle accrus. Ces SLMs, qui utilisent généralement des milliards de paramètres au lieu de centaines de milliards, représentent une solution prometteuse pour l’implémentation de l’IA dans des environnements publics restreints. En résumé, pour surmonter les défis de l’IA dans le secteur public, il est crucial de développer des solutions adaptées qui tiennent compte des spécificités et des contraintes de ce domaine.