La résilience du futur : une approche pragmatique de l’IA (LinkedIn Live)

« L’IA est un miroir grossissant de la data », et comme tous les miroirs, elle ne pardonne pas les défauts. Avec cette phrase, Claude Carvalho (Directeur des systèmes d’information et de la transformation chez Galian-SMABTP) nous rappelle à quel point la qualité et la précision sont essentielles lorsque l’on souhaite mettre l’IA à profit dans des cas d’usage concrets.

Car pour fonctionner de manière efficace, les modèles de langage ont besoin de données fiables. Dans le cas contraire, le superpouvoir de l’IA pourrait bien se transformer en super-catastrophe ! Fini donc l’accumulation frénétique des données pour faire place à une logique de « data minimisation », ou plutôt d’optimisation, centrée sur la contextualisation. En bref, il s’agit de « collecter moins, mais surtout de collecter mieux », afin de se concentrer sur des données réellement utiles pour les applications métiers.

Ce n’est pas Francis Bergey (RSSI, SNCF Connect & Tech) qui le contredira ! Comme il l’explique, avant, à l’ère du Big Data, « on accumulait un maximum de données pour essayer de trouver des corrélations » et de répondre à des objectifs marketing. Mais depuis, l’IA a changé de dimension.

Les LLM (Large Language Models) ont fait leur entrée en fanfare dans le grand public avant de voir émerger des modèles plus spécialisés, entraînés à partir des données de l’entreprise. L’IA a alors commencé à être utilisée pour véhiculer les bonnes pratiques et contextualiser la relation client en temps réel.

Et ce n’est pas fini. Aujourd’hui, on commence à voir apparaître « des systèmes d'IA qui vont communiquer avec d'autres systèmes d'IA sur les SI pour orchestrer (…) cette collecte de données » et mettre en place des solutions automatisées.

Il n’est donc pas étonnant que l’IA générative soulève un enthousiasme débordant. Mais comme le souligne Fanny Doukhan (Country Manager France, Splunk) les modèles généralistes sont aussi extrêmement gourmands en ressources… et les résultats ne sont pas toujours à la hauteur.

Sur ce point, les pratiques sont toutefois en train d’évoluer : les projets sont désormais plus ciblés, mieux définis, avec des objectifs plus clairs. Les entreprises se dirigent donc davantage vers des SLM (Small Language Models) adaptés à des contextes spécifiques.

Et contrairement aux idées reçues, réduire le champ d’action d’un modèle est loin de limiter ses capacités. Bien au contraire ! D’après Fanny Doukhan, cela permet « d’améliorer la qualité des recherches et donc (la pertinence) des résultats », tout en sécurisant les données.

Que l’on parle de LLM ou de SLM, les volumes de données à traiter restent cependant colossaux, notamment dans des secteurs tels que l’électricité ou le gaz. Comme l’explique Stanislas de Crevoisier (Responsable de domaine SI, GRDF), « il y a des milliards d'informations qui sont créées par seconde par tous les équipements ».

Le système doit donc reposer sur des infrastructures solides et des modèles d’IA plus performants, capables de « mettre en place la bonne réponse le plus rapidement possible et de manière fiable ».

Mais ce n’est pas tout. La résilience doit aussi être pensée à l’échelle du réseau. Car pour éviter qu’un incident local ne déclenche une réaction en chaîne, « les architectures doivent être toujours plus redondantes, interconnectées, supervisées — et surtout en mesure de s’ajuster rapidement en cas de défaillance ». Et c’est justement là que l’IA peut faire toute la différence.