L’analyste Gartner prévoit que les dépenses informatiques mondiales atteindront 5,74 billions de dollars en 2025, soit une augmentation de 9,3 % par rapport à 2024.
Selon l’analyste, les explorations de l’IA générative (Gen AI) contribueront grandement à cette hausse.
La plupart d’entre nous ont déjà tâté de l’IA générative. Qu’il s’agisse de polir du texte, de créer des photos ou de générer du code, les capacités de la technologie sont parfois magiques.
Vous devez prouver votre hypothèse
Cependant, James Fleming, DSI de l’Institut Francis Crick, ne laisse pas son organisation se laisser emporter par le battage médiatique.
Il explique à ZDNET qu’il n’est pas simple d’utiliser les technologies émergentes pour alimenter des découvertes scientifiques révolutionnaires. L’IA n’a pas entraîné de changement majeur dans les méthodes de travail de son organisation de recherche.
« Faire de l’IA scientifique, par opposition à la création de grands modèles de langage accessibles au public, est une discipline tout à fait différente. Vous travaillez dans un monde scientifique étroitement délimité où vous devez prouver votre hypothèse » dit-il.
« Il ne suffit pas de dire que l’on a lancé un modèle qui est presque juste. La plupart du temps, il doit être parfaitement exact. Et vous devez démontrer que vous fondez votre travail sur une compréhension fondamentale ».
« La prévisibilité est essentielle. En particulier si l’on pense à un dispositif médical »
M. Fleming décrit l’utilisation de l’IA en science comme une « épée à double tranchant ». Si les technologies émergentes peuvent contribuer à accélérer le processus de recherche, toute nouvelle conclusion doit être générée et présentée avec un degré élevé de certitude.
« La prévisibilité est essentielle. En particulier si l’on pense à un dispositif médical », a déclaré M. Fleming.
Si vous présentez une innovation à un clinicien en lui disant : « Je pense que cet outil peut prédire l’évolution d’un cancer », par exemple, il vous demandera : « Montrez-moi comment ».
Cependant, si l’explicabilité est essentielle à la recherche scientifique, elle est en contradiction avec les méthodes de travail en boîte noire et les hallucinations de nombreux modèles d’IA.
Utiliser une approche itérative
M. Fleming explique que son institut de recherche utilise une approche itérative pour aider ses chercheurs à adopter les modèles d’IA.
« Il faut travailler lentement et de manière incrémentale » dit-il. L’approche progressive du Crick aide les chercheurs à déployer des modèles d’IA de deux manières.
Améliorer les méthodologies scientifiques existantes
Premièrement, en améliorant les méthodologies scientifiques existantes. Selon M. Fleming, l’institut a commencé à travailler ici il y a cinq ans dans le domaine de la microscopie. L’installation de microscopie analyse les électrons cryogéniques et produit des images incroyablement denses et belles de tissus, de cellules et de molécules individuelles.
Cependant, la production d’une image n’est qu’un point de départ. L’image doit être transformée en données. L’équipe de Fleming a travaillé de manière itérative pour prouver que les bons modèles peuvent produire plus rapidement des résultats de recherche.
« Les modèles d’IA peuvent faire une grande partie du travail à votre place, comme l’analyse et l’extraction des caractéristiques et la transformation d’une image en données avec lesquelles vous pouvez travailler pour en tirer une compréhension », dit-il.
De l’IA pour la découverte scientifique
Le deuxième domaine dans lequel l’institut utilise l’IA est celui de la découverte. Mais il est très limité.
M. Fleming donne l’exemple des travaux d’un laboratoire sur la maladie de Parkinson. L’équipe de recherche a créé un classificateur capable d’identifier les patients atteints de la maladie dans une population de cellules souches. Cependant, les chercheurs ne pouvaient pas expliquer pourquoi. Ils ont donc travaillé à rebours, de manière itérative.
« Après avoir formé le modèle, ils l’ont interrogé à l’aide de diverses méthodes statistiques pour déterminer si l’élément dominant était l’ellipticité de la cellule. Elles sont plus ovales. Et il y avait aussi toute une série d’autres caractéristiques que le modèle a ensuite extraites ».
Selon lui, ces résultats pris isolément ne constituent pas une réponse. Mais ils permettent d’envisager la suite de la recherche : « ‘OK, la morphologie cellulaire est différente. Pourquoi ? Quelle sera notre prochaine série d’expériences ? Et c’est là que l’aspect itératif commence à entrer en jeu. »
Tester et affiner
Selon M. Fleming, le processus minutieux de test et de perfectionnement des technologies d’IA débouche aujourd’hui sur une approche plus sophistiquée dans laquelle plusieurs IA sont réunies pour alimenter des programmes de recherche fiables.
Le projet le plus important est dirigé par Samra Turaljic, dont le Cancer Dynamics Laboratory s’attache à comprendre l’évolution du cancer du rein.
L’équipe utilise l’IA pour prédire l’évolution génomique d’une tumeur à partir d’images pathologiques. Selon M. Fleming, cet effort a nécessité la formation de plusieurs IA et l’entraînement croisé des modèles avec des bases de données génomiques couvrant dix années de recherche.
Les résultats peuvent être affectés par des variations biologiques
« Le résultat est que vous créez quelque chose qui peut prédire cliniquement l’évolution du rein », dit-il.
« Mais dans chacun de ces processus, vous construisez méticuleusement un sous-composant jusqu’à ce que vous puissiez lui faire confiance, et vous travaillez également avec des couches et des couches de données et vous vous rapprochez de plus en plus du monde réel au fur et à mesure que vous travaillez ».
Selon M. Fleming, cette approche très détaillée est importante car les résultats peuvent être affectés par des variations biologiques, telles que les différentes intensités d’une coloration sur une lame de pathologie.
Ce processus étape par étape prouve que la clé pour obtenir des résultats plus rapides de l’IA à long terme est de travailler lentement et méthodiquement à court terme.
C’est une perspective dont nous pouvons tous nous inspirer à l’ère de l’IA, où l’hyperbole des vendeurs suggère que des solutions brillantes à des défis insolubles sont à portée de clic.