L'IA à la batte : Le base-ball comme moyen de comprendre les limites et le potentiel de l'IA

Le potentiel de l'IA à révolutionner divers secteurs, dont celui de la comptabilité, est indéniable. Ses capacités actuelles et les promesses générales qui entourent la technologie peuvent avoir - et auront - un impact considérable sur les entreprises. 

Mais bien trop souvent, nous entendons des personnes peindre à grands traits, expliquant les choses de manière si générale qu'il est évident qu'elles ne savent pas vraiment de quoi elles parlent. Parce que l'IA est un sujet brûlant, et en raison de toutes les promesses qu'elle recèle, j'ai réuni mes cofondateurs pour un épisode spécial de Blood, Sweat & Balance Sheets à l'occasion d'un sommet sur l'IA. Dans cet épisode, disponible gratuitement et exclusivement sur FloQademy, nous avons cherché à discuter de l'intersection de l'IA et de la comptabilité, des limites de l'IA et de ses utilisations potentielles, et des domaines où il y a place à l'amélioration.

Pour mettre les choses au point et comprendre où se situe l'IA dans le paysage complexe des LLM, des réseaux neuronaux, de l'apprentissage automatique, de l'automatisation et d'une pléthore d'autres technologies, nous avons décidé de commencer par quelque chose qui nous est familier : Le baseball.

Je suis un fan. Mike est obsédé. Mais Cullen n'est pas du tout sportif, alors il a fallu un effort collectif pour trouver un terrain d'entente.

Les bases de l'apprentissage automatique avec une touche de baseball

En matière d'apprentissage automatique, tout est question de données. Essentiellement, plus vous disposez d'informations, meilleures sont vos prédictions. Au baseball, cela signifie que plus vous disposez de données sur le nombre de matchs et de courses, plus vos prédictions sur les performances futures seront précises. C'est l'essence même de l'apprentissage automatique : utiliser des données historiques pour faire des prédictions.

Lorsqu'il s'agit de définir ce qui constitue "beaucoup" de données, M. Cullen souligne que cela dépend de ce que l'on essaie de prévoir.

"Si vous essayez de prédire la moyenne de frappe d'un joueur de baseball, vous aurez besoin de toutes ses battes, et vous pourrez alors peut-être faire de bonnes prédictions", a-t-il expliqué.

Plus il y a de variables dans votre prédiction, plus vous avez besoin de données. Dans le domaine de l'apprentissage automatique, plus vous disposez de données, plus la précision de votre prédiction est élevée.

Le défi des aberrations dans les prédictions de l'IA

Un point intéressant que nous avons abordé est l'impact des changements imprévus sur les prédictions de l'IA. J'ai donné l'exemple d'un joueur de baseball qui a subi une opération de chirurgie oculaire au laser, ce qui a considérablement amélioré sa moyenne à la batte. De telles aberrations remettent en question les modèles d'IA, qui s'appuient sur des données historiques pour faire des prédictions.

"Si un modèle prédit qu'un joueur frappera .240 sur la base de ses performances passées, mais que le joueur frappe .300 après l'opération, les prédictions du modèle sont faussées. Pour moi, cela laisse présager un problème majeur pour l'IA à l'avenir. Si une variable extérieure à l'ensemble de données change, cela invalide-t-il cet ensemble de données massives que vous avez passé tant de temps à construire ?

Si vous êtes arrivé jusqu'ici, vous méritez une gâterie qui rappelle le titre. Vous êtes les bienvenus.

Le Saint Graal : La généralisation dans l'IA

Pour répondre à cette question, Cullen est allé sur le terrain biblique. En quelque sorte. Il a expliqué que l'IA est en fait une question de rapprochement modèles. Lorsqu'une aberration se produit, elle perturbe le modèle, ce qui fait vaciller les modèles d'IA. L'objectif ultime de l'IA est la généralisation : créer des modèles qui peuvent s'appliquer à différents contextes et gérer un large éventail de situations.

"Le Saint-Graal de l'IA est vraiment cette idée de généralisation", a-t-il déclaré. "Si nous parvenons, d'une manière ou d'une autre, à mettre au point un modèle qui se généralise à un grand nombre de sujets différents et qui permet de faire des prédictions sur toutes sortes de choses à l'aide d'un seul modèle, ou peut-être de plusieurs modèles collés les uns aux autres, nous pourrons alors tenir compte d'un grand nombre d'aberrations différentes qui pourraient se produire.

C'est pourquoi les grands modèles de langage (LLM) tels que GPT sont importants ; ce sont des modèles généralisés qui peuvent traiter divers sujets et tâches.

L'avenir de l'IA dans la comptabilité

Pour être vraiment efficace, l'IA doit avoir accès à toutes les informations pertinentes. Dans l'exemple de Mike, un modèle d'IA généralisé devrait être capable de prendre connaissance de la chirurgie oculaire au laser du joueur - afin qu'il puisse mieux voir la balle - et d'ajuster ses prédictions en conséquence. Cela souligne la nécessité pour les modèles d'IA de s'adapter et de prendre en compte les nouvelles données susceptibles d'affecter leurs prédictions.

Le modèle généralisé devrait être capable de lire un article sur la façon dont ce type a subi une opération des yeux au laser, d'y réfléchir et de générer une réponse appropriée, comme "Hé, toutes ces données de la période précédente sont quelque peu invalides aujourd'hui. Nous devons accumuler davantage de données avant de pouvoir faire des prévisions à ce sujet, compte tenu de cette évolution".

Dans le monde de la comptabilité, cela signifie qu'il faut adapter les modèles d'IA à des besoins spécifiques et affiner en permanence les techniques pour améliorer la précision. Des techniques telles que la génération améliorée par récupération (RAG), qui précharge l'IA avec des informations spécifiques à l'entreprise, sont prometteuses. Toutefois, il reste complexe d'obtenir des réponses nuancées.

Exploiter le potentiel de l'IA dans la comptabilité

Alors que l'IA continue d'évoluer, le secteur comptabilité doit trouver un équilibre entre l'exploitation de son potentiel et la prise en compte de ses limites. La personnalisation des modèles d'IA pour mieux répondre aux besoins spécifiques de la comptabilité et l'affinement de techniques telles que le RAG seront des étapes cruciales.

Alors que l'IA continue d'évoluer, le secteur comptabilité doit trouver un équilibre entre l'exploitation de son potentiel et la prise en compte de ses limites. La personnalisation des modèles d'IA pour mieux répondre aux besoins spécifiques de la comptabilité et l'affinement de techniques telles que le RAG seront des étapes cruciales. 

Pour approfondir ces sujets et bien d'autres, consultez l 'épisode complet de Blood, Sweat & Balance Sheets sur FloQademy. Dans cet épisode, nous nous penchons sur les dernières tendances, les défis et les réussites de l'IA dans le monde de la comptabilité. Visitez Learn.FloQast.com pour vous inscrire gratuitement, regarder l'épisode complet et obtenir des crédits CPE/CPD.