L'IA à la batte : le baseball comme outil pour comprendre les limites et le potentiel de l'IA

Le potentiel de l'IA pour révolutionner divers secteurs, y compris la comptabilité, est indéniable. Ses capacités actuelles et les promesses générales liées à la technologie peuvent — et auront — un impact global sur les entreprises.

Mais trop souvent, nous entendons des gens peindre à grands traits, expliquer les choses de manière si générale qu'il est clair qu'ils ne sont pas tout à fait sûrs de quoi ils parlent. Parce que l'IA est un sujet d'actualité 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, exclusivement sur FloQademy, nous avons cherché à discuter de l'intersection entre l'IA et la comptabilité, des limites et des utilisations potentielles de l'IA, et des domaines dans lesquels des améliorations pourraient être apportées.

Pour préparer le terrain et vraiment comprendre où se situe l'IA dans un paysage complexe de LLM, de réseaux neuronaux, d'apprentissage automatique, d'automatisation et d'une pléthore d'autres technologies, nous avons décidé de commencer par quelque chose qui nous est familier : Base-ball.

Je suis fan. Mike est obsédé. Mais Cullen n'est pas du tout un sportif, il a donc 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 tourne autour des données. Essentiellement, plus vous avez d'informations, meilleures sont vos prévisions. Au baseball, cela signifie que plus vous avez de données sur le nombre de matchs et de descentes, plus vos prévisions concernant les performances futures seront précises. C'est l'essence même de l'apprentissage automatique : utiliser des données historiques pour faire des prédictions.

Lorsqu'il a discuté de ce qui constitue « une grande quantité » de données, Cullen a souligné que cela est relatif à ce que vous essayez de prédire.

« Si vous essayez de prédire la moyenne au bâton d'un joueur de baseball, vous aurez besoin de chacune de ses battes, et vous pourrez peut-être faire de bonnes prédictions », a-t-il expliqué.

Plus votre prédiction comporte de variables, plus vous avez besoin de données. Dans le domaine de l'apprentissage automatique, plus vous disposez de données, meilleure est la précision de vos prévisions.

Le défi des aberrations dans les prévisions de l'IA

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

« Si un modèle prédit qu'un joueur atteindra ,240 sur la base de ses performances passées, mais que le joueur atteint ,300 après l'opération, les prédictions du modèle sont annulées. À mon avis, cela suggère un gros problème pour l'IA à l'avenir. Si une variable extérieure à l'ensemble de données change, cela invalide-t-il cet énorme ensemble de données que vous avez passé tant de temps à créer ? »

Si vous êtes arrivé jusqu'ici, vous méritez un cadeau qui rappelle le titre. Vous êtes le bienvenu.

Le Saint Graal : la généralisation de l'IA

Pour répondre à cette question, Cullen est passé à la Bible. En quelque sorte. Il a expliqué que l'IA est vraiment une question de correspondance de modèles. Lorsqu'une aberration se produit, elle perturbe le schéma, 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 divers contextes et gérer un large éventail de situations.

« Le Saint Graal de l'IA, c'est vraiment cette idée de généralisation », a-t-il déclaré. « Si nous parvenons d'une manière ou d'une autre à créer un modèle généralisant sur un tas de sujets différents et capable de faire des prédictions sur toutes sortes de choses à l'aide d'un seul modèle, ou peut-être de plusieurs modèles collés ensemble, alors vous pourrez prendre en compte de nombreuses aberrations différentes qui pourraient se produire. »

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

L'avenir de l'IA en comptabilité

Pour que l'IA soit réellement efficace, elle doit avoir accès à toutes les informations pertinentes. Dans l'exemple de Mike, un modèle d'IA généralisé devrait être capable de lire des informations sur la chirurgie oculaire au laser du joueur, afin qu'il puisse mieux voir le ballon, et ajuster ses prédictions en conséquence. Cela met en évidence la nécessité pour les modèles d'IA de s'adapter et de prendre en compte de nouvelles données susceptibles d'affecter leurs prévisions.

« Le modèle généralisé devrait être capable de lire un article sur la façon dont cette personne a subi une chirurgie oculaire au laser, d'y réfléchir et de générer une réponse appropriée, du type : « Hé, toutes ces données de la période précédente sont quelque peu invalides maintenant. 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 personnaliser les modèles d'IA pour répondre à des besoins spécifiques et affiner continuellement les techniques pour améliorer la précision. Des techniques telles que la génération augmentée par extraction (RAG), qui précharge l'IA avec des informations spécifiques à l'entreprise, sont prometteuses. Cependant, l'obtention de réponses nuancées reste complexe.

Exploiter le potentiel de l'IA en comptabilité

Alors que l'IA continue d'évoluer, le secteur de la 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 à des besoins comptables spécifiques et le perfectionnement de techniques telles que RAG constitueront des étapes cruciales.

Alors que l'IA continue d'évoluer, le secteur de la 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 à des besoins comptables spécifiques et le perfectionnement de techniques telles que RAG constitueront des étapes cruciales.

Pour en savoir plus sur ces sujets et plus encore, découvrez l'épisode complet de Blood, Sweat & Balance Sheets sur FloQademy. Dans cet épisode, nous examinons les dernières tendances, défis et réussites de l'IA dans le monde de la comptabilité. Visitez Apprenez sur Floqast.com pour vous inscrire gratuitement, regarder l'épisode en entier et gagner des crédits CPE/CPD.