Les SLM dépasseront les LLM d’ici 2027 en France et Europe

Un tournant dans l’adoption des modèles linguistiques en entreprise

Selon Gartner, plusieurs facteurs expliquent cette montée en puissance des SLM. Bien que les LLM présentent une large gamme de capacités linguistiques, leur efficacité baisse lorsqu’il s’agit de traiter des tâches nécessitant des connaissances pointues ou un contexte spécifique à un secteur d’activité. Les entreprises cherchent donc des solutions plus précises et adaptées à leurs besoins particuliers.

Les avantages des Small Language Models

Sumit Agarwal, vice-président de Gartner, souligne que la diversité des tâches métiers et l’exigence d’une plus grande précision poussent les organisations à privilégier des modèles spécialisés, entraînés sur des fonctions ou des bases de données sectorielles. Ces SLM offrent non seulement une rapidité de réponse accrue, mais demandent aussi moins de puissance de calcul, ce qui engendre une baisse significative des coûts d’exploitation et de maintenance.

Les entreprises ont la possibilité d’adapter les modèles généraux via des techniques telles que le Retrieval-Augmented-Generation (RAG) ou le fine tuning. Cette personnalisation transforme leurs bases de données internes en véritables atouts concurrentiels. Cependant, cela requiert une préparation rigoureuse des données, incluant des contrôles qualité, un versioning et une gestion globale adaptée, afin d’assurer la disponibilité et la structuration optimales pour l’entraînement des modèles.

Vers la monétisation des modèles d’IA spécifiques

Sumit Agarwal anticipe un changement majeur dans l’exploitation des connaissances internes des entreprises : « À mesure que la valeur des données et du savoir-faire internes est reconnue, on peut s’attendre à ce que les entreprises commencent à monétiser leurs modèles d’IA, non seulement pour un usage interne, mais aussi en les proposant à leurs clients et même à leurs concurrents. »

Cette évolution pourrait entraîner une utilisation plus ouverte et collaborative des données, contrastant avec la protection stricte actuelle. Par ailleurs, commercialiser ces modèles propriétaires ouvrirait de nouvelles sources de revenus tout en encourageant la création d’un écosystème d’IA plus interconnecté.

Les recommandations de Gartner pour déployer efficacement des SLM

Pour maximiser les bénéfices des petits modèles adaptés aux tâches spécifiques, Gartner propose trois axes prioritaires :

• Cibler les déploiements : privilégier l’utilisation des SLM dans les domaines où les connaissances spécialisées sont clés, ou lorsque les LLM classiques échouent à délivrer la qualité ou la rapidité requises.
• Favoriser les approches combinées : identifier les cas où un seul modèle ne suffit pas, et concevoir des processus intégrant l’interaction de plusieurs modèles afin d’optimiser les résultats.
• Prioriser la qualité des données et les compétences : investir dans la collecte, la curation et l’organisation des données pour garantir un fine tuning réussi. Par ailleurs, il est nécessaire de former continuellement les équipes spécialisées en architecture data et IA, data science, ingénierie data, gestion des risques, conformité, achats et autres départements concernés.