|
Enterprise use of foundation models is very time-consuming and expensive, and it is not limited to just training the models but includes all aspects of working with them. Recent research from TechTarget’s Enterprise Strategy Group indicates several key enterprise preferences for dealing with foundation models.1 |
L'utilisation des modèles de base par les entreprises prend beaucoup de temps et coûte cher, et elle ne se limite pas à la simple formation des modèles, mais inclut tous les aspects de leur utilisation. Une étude récente menée par le groupe de stratégie d'entreprise de TechTarget indique plusieurs préférences clés des entreprises en matière de gestion des modèles de fondation.1 |
|
First, there is a widespread desire among organizations for customized outcomes and to leverage foundation models to produce outcomes that are distinctly unique to the organization. According to Enterprise Strategy Group research, 40% of organizations with generative AI projects in either the production or proof-of-concept (PoC) stage strongly agree that they see value in training their own generative AI models. |
Tout d'abord, les organisations souhaitent obtenir des résultats personnalisés et tirer parti des modèles de base pour produire des résultats qui leur sont propres. Selon une étude menée par Enterprise Strategy Group, 40 % des organisations ayant des projets d'IA générative en phase de production ou de validation de concept (PoC) sont tout à fait d'accord pour dire qu'elles voient l'intérêt de former leurs propres modèles d'IA générative. |
|
Organizations are customizing foundation models through grounding foundation model data with their proprietary data. Methods include fine-tuning, prompt engineering, and Retrieval Augmented Generation (RAG) techniques. Only 6% of organizations with generative AI projects in either the production or PoC stage say they are not customizing the foundation models they are using. |
Les organisations personnalisent les modèles de base en fondant les données des modèles de base sur leurs données propriétaires. Les méthodes incluent le réglage fin, l'ingénierie rapide et les techniques de génération augmentée par récupération (RAG). Seules 6 % des organisations ayant des projets d'IA générative en phase de production ou de PoC déclarent ne pas personnaliser les modèles de base qu'elles utilisent. |
|
Organizations are increasingly experimenting with a variety of models from a range of sources in a quest to fit the best foundation model to a particular use case. 43% of respondents to Enterprise Strategy Group research with generative AI projects in either the production or PoC stage say that a combination of proprietary, commercial, and/or open source foundation models will best align with their organization’s approach to leverage foundation models to support generative AI initiatives in the next 12 to 24 months. |
Les organisations expérimentent de plus en plus une variété de modèles provenant de sources diverses afin d'adapter le modèle de base le mieux à un cas d'utilisation particulier. 43 % des personnes interrogées dans le cadre d'une étude menée par Enterprise Strategy Group sur des projets d'IA générative en phase de production ou de PoC affirment qu'une combinaison de modèles de base propriétaires, commerciaux et/ou open source correspondra le mieux à l'approche de leur organisation visant à tirer parti des modèles de base pour soutenir les initiatives d'IA générative au cours des 12 à 24 prochains mois. |
|
Further, there are growing signs that, with the right cost controls, organizations are willing to customize open source models to the point that the models truly become proprietary, with organizations willing to run their own model training in addition to model inference workloads. These trends of experimentation and customization mean organizations have to consider ways to run AI workloads cost-effectively. |
En outre, de plus en plus de signes indiquent que, grâce à un contrôle des coûts approprié, les organisations sont prêtes à personnaliser les modèles open source au point de les rendre véritablement propriétaires, les organisations étant prêtes à organiser leur propre formation sur les modèles en plus des charges de travail d'inférence de modèles. Ces tendances en matière d'expérimentation et de personnalisation obligent les entreprises à envisager des moyens de gérer les charges de travail liées à l'IA de manière rentable. |
|
1. Source: Enterprise Strategy Group Research Report, The State of the Generative AI Market: Widespread Transformation Continues, September 2024. All Enterprise Strategy Group research references in this brief are from this report. |
1. Source : Rapport de recherche de l'Enterprise Strategy Group, L'état du marché de l'IA générative : une transformation généralisée se poursuit, septembre 2024. Toutes les références de recherche d'Enterprise Strategy Group figurant dans cette note proviennent de ce rapport. |