Professeur LMU : Développement de l'IA à un tournant – les modèles plus petits sont la clé
Le professeur Björn Ommer de la LMU de Munich souligne un tournant dans le développement de l'IA. Il critique la «course à la mise à l'échelle » actuelle, où la taille des modèles d'IA est utilisée comme mesure de performance. Ommer soutient que des modèles plus petits et plus efficaces offrent des solutions plus durables.
Munich – Le développement de l'intelligence artificielle (IA) se trouve à un tournant critique, où la simple augmentation de la taille des modèles n'améliore plus automatiquement leur intelligence. Le professeur Björn Ommer de la Ludwig-Maximilians-Universität München (LMU) critique fermement la « course à la mise à l'échelle » actuelle, où les grands modèles linguistiques (LLM) visent constamment à accroître leur taille et leurs performances annoncées.
« Apparemment, le terme 'grand' dans 'grands modèles linguistiques' est devenu une mesure de qualité », a déclaré Ommer dans une interview. « Les gens pensent que l'IA devient simplement plus puissante en grandissant. Mais le développement de l'IA est actuellement à un tournant : les modèles ne deviennent plus plus intelligents simplement en étant mis à l'échelle avec plus de puissance de calcul et encore plus de données d'entraînement ».
Ommer, connu notamment pour ses contributions au modèle de génération d'images Stable Diffusion, souligne que la course actuelle est insoutenable tant sur le plan économique qu'écologique. Les grands modèles nécessitent d'énormes quantités de données, de puissance de calcul et d'énergie, ce qui limite leur utilisation aux seules grandes entreprises technologiques. Cette « course à la mise à l'échelle » n'est pas écologiquement rationnelle, selon Ommer.
De plus, Ommer soulève des préoccupations concernant la confidentialité des données. Les conditions d'utilisation des grands fournisseurs peuvent permettre que les données saisies par les utilisateurs soient utilisées pour entraîner leurs propres modèles. Cela peut constituer un obstacle, en particulier pour les organisations manipulant des données sensibles, comme dans le secteur médical.
« C'est aussi pourquoi nous ne voulions pas participer à la course à la mise à l'échelle avec nos algorithmes », a déclaré Ommer. Il prône des solutions plus petites et indépendantes, adaptées aux besoins locaux spécifiques, permettant un meilleur contrôle et une meilleure sécurité des données.