{"id":568,"date":"2023-10-10T16:22:43","date_gmt":"2023-10-10T14:22:43","guid":{"rendered":"https:\/\/www.claravista.ai\/blog\/?p=568"},"modified":"2025-11-02T14:17:43","modified_gmt":"2025-11-02T13:17:43","slug":"et-si-on-laissait-lia-faire-notre-travail","status":"publish","type":"post","link":"https:\/\/www.claravista.ai\/blog\/2023\/10\/10\/et-si-on-laissait-lia-faire-notre-travail\/","title":{"rendered":"Et si on laissait l’IA faire notre travail ?"},"content":{"rendered":"
\u00c9tude : Automatisation de l\u2019analyse de KPIs, un essai avec Chat GPT d\u2019Open AI.\u00a0<\/i><\/strong>\n\nPar Ahmed-Amine Homman, Research Project Manager chez ClaraVista<\/em>\n\nTitulaire d'un doctorat en Math\u00e9matiques Appliqu\u00e9es obtenue \u00e0 l'Ecole des Ponts ParisTexh (Universit\u00e9 Paris-Est) et ancien \u00e9l\u00e8ve de l'Ecole Normale Sup\u00e9rieure de Lyon, Ahmed-Amine coordonne l'effort de R&D de l'entreprise depuis 4 ans. Dans le cadre de ses missions, il a \u00e9t\u00e9 amen\u00e9 r\u00e9cemment \u00e0 investiguer les capacit\u00e9s des grands mod\u00e8les de langages tels que chatGPT, Bard ou LLama afin d'\u00e9tudier leurs \u00e9ventuelles applications dans le domaine du retail et du marketing. Il partage avec vous quelques-unes de ses trouvailles dans cet article.\n

Introduction<\/b><\/span><\/h2>\nLe 30 novembre 2022, OpenAI a d\u00e9voil\u00e9 chatGPT<\/a>, sa nouvelle application bas\u00e9e sur GPT-3.5, un agent conversationnel surpuissant capable de fournir des r\u00e9ponses pr\u00e9cises et d\u00e9taill\u00e9es \u00e0 toutes sortes de demandes, disponible \u00e0 l'\u00e9poque uniquement sur le web. Quatre mois plus tard, OpenAI a lanc\u00e9 GPT-4<\/a>, une version encore plus puissante, comp\u00e9tente et \u00e9rudite de son agent conversationnel.\n\nDepuis lors, une v\u00e9ritable course \u00e0 l'intelligence artificielle g\u00e9n\u00e9rative s'est enclench\u00e9e, avec les g\u00e9ants du secteur tels qu'Amazon, Google, Microsoft, Meta, et d'autres, qui ont lanc\u00e9 leurs propres concurrents \u00e0 chatGPT (comme Bard <\/a>chez Google), des outils r\u00e9volutionnaires bas\u00e9s sur les mod\u00e8les GPT d'OpenAI (comme Copilot<\/a> pour Microsoft et GitHub Copilot<\/a> pour GitHub), ou m\u00eame des mod\u00e8les concurrents (comme Llama et LLama-2<\/a> chez Meta), ainsi que des produits bas\u00e9s sur ces mod\u00e8les concurrents (comme CodeWhisperer<\/a> pour l'assistance \u00e0 la programmation chez Amazon).\n\nDe plus, des acteurs moins connus du domaine ont pu profiter de cette soudaine popularit\u00e9 en proposant leurs propres mod\u00e8les concurrents \u00e0 ceux de OpenAI et parfois des applications alternatives \u00e0 chatGPT. Parmi ces nouveaux produits, citons Claude<\/a>, d\u00e9velopp\u00e9 par Anthropic, une entreprise dans laquelle Amazon a r\u00e9cemment investi massivement<\/a>, qui repr\u00e9sente une alternative s\u00e9rieuse \u00e0 chatGPT. Cohere<\/a>, quant \u00e0 elle, propose des mod\u00e8les g\u00e9n\u00e9ratifs de langage puissants via une API concurrente \u00e0 celle d'OpenAI<\/a>. De nombreux mod\u00e8les open-source rivalisent \u00e9galement en termes de performances, tels que les mod\u00e8les Falcon<\/a> du Technology Innovation Institute<\/a>, ou plus r\u00e9cemment les mod\u00e8les Mistral<\/a> de l'entreprise fran\u00e7aise Mistral AI, qui a r\u00e9cemment lev\u00e9 des fonds en juin 2023<\/a> et d\u00e9voile d\u00e9j\u00e0 des mod\u00e8les tr\u00e8s performants.\n\nDans cet environnement en constante \u00e9volution, le secteur du conseil n'est pas rest\u00e9 inactif. Les grands cabinets de conseil ont rapidement r\u00e9agi en annon\u00e7ant des partenariats avec les leaders du secteur. Par exemple, le BCG s'est associ\u00e9 \u00e0 Anthropic<\/a> pour promouvoir l'agent conversationnel Claude afin d'aider ses clients. McKinsey, de son c\u00f4t\u00e9, a choisi Cohere comme partenaire<\/a> pour ce type de services. Enfin, le cabinet Bain a conclu une alliance avec OpenAI<\/a> pour renforcer son offre de services li\u00e9s aux intelligences artificielles g\u00e9n\u00e9ratives.\n\nMais les grands cabinets n'ont pas \u00e9t\u00e9 les seuls \u00e0 r\u00e9agir. \u00c0 une \u00e9chelle plus modeste, ClaraVista<\/a> a \u00e9galement investi dans cette technologie. Elle m\u00e8ne des projets de recherche visant \u00e0 explorer les capacit\u00e9s, les forces, les faiblesses et les diff\u00e9rents cas d'utilisation potentiels de ces mod\u00e8les. Dans cet article, nous vous pr\u00e9sentons l'un de ces projets de recherche.\n

Contexte<\/b><\/span><\/h2>\nDans le cadre de notre exploration des outils d'IA g\u00e9n\u00e9rative, en particulier ceux capables de g\u00e9n\u00e9rer du texte en langage naturel, notre int\u00e9r\u00eat s'est port\u00e9 sur l'automatisation des analyses quantitatives des donn\u00e9es CRM, en se concentrant plus pr\u00e9cis\u00e9ment sur la g\u00e9n\u00e9ration des \"messages\". Ces messages sont r\u00e9dig\u00e9s en langage naturel et d\u00e9crivent les points forts et\/ou marquants issus de diverses tables d'indicateurs que nous produisons pour nos analyses de profils clients.\n\nEn effet, lorsque nous produisons ce genre d\u2019analyse, nous g\u00e9n\u00e9rons souvent de nombreuses tables, partageant une structure assez similaire pour la plupart. Chacune de ces tables doit \u00eatre analys\u00e9e par l'\u0153il expert de nos analystes pour \u00eatre synth\u00e9tis\u00e9es en quelques phrases (lesdits messages) d\u00e9crivant les points forts et marquants pr\u00e9sents dans cette derni\u00e8re. Tout ceci forme donc un processus r\u00e9p\u00e9titif, chronophage mais indispensable, que l\u2019on pourrait du coup grandement optimiser avec l\u2019IA (du moins en th\u00e9orie). Nous avons donc d\u00e9cid\u00e9 de tester les capacit\u00e9s des mod\u00e8les de langage les plus populaires, notamment les mod\u00e8les GPT d'OpenAI, pour r\u00e9diger ces messages en analysant les donn\u00e9es quantitatives pr\u00e9sentes dans les tableaux de bord.\n\nPour \u00e9valuer la faisabilit\u00e9 de cette application, nous avons cr\u00e9\u00e9 un ensemble de tableaux de bord marketing fictifs que nous avons soumis \u00e0 l'analyse des IA. Ensuite, nous avons \u00e9valu\u00e9 la qualit\u00e9 des r\u00e9ponses fournies. \u00c9tant donn\u00e9 que nous contr\u00f4lions la g\u00e9n\u00e9ration de ces tableaux, nous y avons incorpor\u00e9 des ph\u00e9nom\u00e8nes plus ou moins \u00e9vidents, c'est-\u00e0-dire des indicateurs pr\u00e9sentant des ph\u00e9nom\u00e8nes marketing plus ou moins marqu\u00e9s, pour voir si les IA \u00e9taient en mesure de tirer les conclusions que nous souhaitions.\n\nDans la suite de cet article, nous commencerons par d\u00e9crire la proc\u00e9dure exp\u00e9rimentale suivie, en d\u00e9crivant les tableaux de bord fictifs que nous avons cr\u00e9\u00e9s ainsi que le param\u00e9trage des mod\u00e8les utilis\u00e9s lors des exp\u00e9rimentations. Ensuite, nous pr\u00e9senterons les analyses r\u00e9alis\u00e9es par les mod\u00e8les GPT selon les diff\u00e9rents sc\u00e9narios d\u00e9taill\u00e9s dans la section pr\u00e9c\u00e9dente en examinant chaque observation g\u00e9n\u00e9r\u00e9e, en nous assurant qu'elle est \u00e0 la fois exacte et pertinente.\n\nEnfin, nous pr\u00e9cisons que toutes les r\u00e9ponses d\u00e9crites dans cet article ont \u00e9t\u00e9 obtenues via l\u2019API OpenA<\/a>I et non pas via l\u2019application chatGPT<\/a>. Les deux solutions sont s\u0153urs dans leur fonction : elles permettent toutes les deux aux utilisateurs d'interagir avec les mod\u00e8les de langages GPT\u00a0 d\u2019OpenAI. Cependant, la premi\u00e8re permet d\u2019automatiser cette interaction, ce qui est plus pratique au vu de la quantit\u00e9 de prompts<\/i> que nous devions r\u00e9diger pour les besoins de l\u2019\u00e9tude. Elle permet aussi de contr\u00f4ler plus facilement le param\u00e9trage des mod\u00e8les de langage. Ces deux facteurs font que nous avons pr\u00e9f\u00e9r\u00e9 l\u2019API \u00e0 chatGPT. Cependant, nous pensons que les r\u00e9sultats pr\u00e9sent\u00e9s ci-apr\u00e8s auraient \u00e9t\u00e9 qualitativement semblables, car les mod\u00e8les sous-jacents sont les m\u00eames.\n

Proc\u00e9dure exp\u00e9rimentale<\/b><\/span><\/h2>\n\n\n\n\n
Remarques :<\/span><\/td>\n<\/tr>\n
Dans cette section, nous allons d\u00e9noter le mod\u00e8le GPT choisi par GPTx<\/i> par commodit\u00e9. En effet, les concepts et \u00e9l\u00e9ments d\u00e9crits dans cette section s\u2019appliquent de la m\u00eame fa\u00e7on quelque soit la version du mod\u00e8le GPT que l\u2019on utilise.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\nLors de cette exp\u00e9rience, nous souhaitons \u00e9valuer la capacit\u00e9 de GPTx<\/i> \u00e0 fournir les \u00e9l\u00e9ments suivants :\n