『L'IA aujourd'hui épisode du 2025-10-17』のカバーアート

L'IA aujourd'hui épisode du 2025-10-17

L'IA aujourd'hui épisode du 2025-10-17

無料で聴く

ポッドキャストの詳細を見る

このコンテンツについて

 Bonjour et bienvenue dans le podcast de l'IA par l’IA qui vous permet de rester à la page !Aujourd’hui : bulle potentielle autour de l’IA, nouveautés pub chez Google et Bing, MLOps vs LLMOps, faille dans Copilot Chat, stratégie d’Oracle pour les données privées, et la course aux modèles chez Microsoft, Google et OpenAI.Sam Altman, PDG d’OpenAI, alerte sur une « bulle de l’IA » qui pourrait peser sur l’économie mondiale en cas d’implosion. Il compare la situation à la bulle Internet des années 2000, quand le NASDAQ Composite a perdu près de 80 % de sa valeur. Les dépenses actuelles sont massives — du projet Stargate, soutenu par la Maison-Blanche, aux investissements de Nvidia et Meta — mais la rentabilité reste floue. Un rapport du MIT indique que 95 % des projets d’IA générative ne produisent pas de retour sur investissement significatif, ce qui fatigue la confiance des investisseurs. Altman reconnaît une phase de surexcitation, tout en conservant une perspective positive sur le long terme.Pendant que les marchés s’animent, les plateformes publicitaires bougent. Dans Google Ads, un nouveau type de campagne apparaît dans le rapport de performance des canaux. Les annonceurs peuvent ainsi disséquer plus finement leurs résultats par canal — recherche Google, YouTube, applications — et optimiser en conséquence. Bing teste, lui, des raffinements de recherche affichés au-dessus des annonces Shopping : de quoi aider les internautes à préciser leur intention avant de cliquer, et potentiellement améliorer la pertinence pour les marchands. Côté référencement, l’API de Google Search Console ne change pas de vitesse : les délais de réponse restent stables pour l’accès programmatique aux données de performance des sites. Enfin, le mode IA de Google s’appuie sur l’activité de l’utilisateur connecté pour personnaliser les résultats, en exploitant l’historique afin d’afficher des réponses mieux alignées avec ses habitudes.Sur le versant opérationnel, MLOps et LLMOps deviennent centraux. MLOps est né pour combler le fossé entre l’expérimentation en data science et des systèmes de production fiables, en transposant les pratiques de DevOps aux modèles. Il unifie gestion des données, développement, déploiement, surveillance et gouvernance, afin de maintenir performance et conformité dans le temps. Une architecture MLOps typique suit quatre phases de cycle de vie, qui structurent développement et maintenance continue. LLMOps adresse des défis différents liés aux grands modèles de langage, à leur mise à jour, à la gestion des prompts et aux coûts, mais partage l’objectif de fiabiliser l’opérationnel.Côté sécurité, une vulnérabilité touche GitHub Copilot Chat via injection d’instructions. Omer Mayraz, de Legit Security, a démontré qu’une pull request contenant des consignes cachées pouvait pousser le bot à révéler des données privées, comme du code source ou des clés AWS. Il a aussi réussi à faire suggérer l’installation de logiciels malveillants, et à exfiltrer des informations au moyen de pixels invisibles. Baptisée CamoLeak, cette méthode exploite le proxy d’images de GitHub pour encoder les données utilisateur. GitHub a désactivé les images dans Copilot Chat pour atténuer le risque, mais l’injection via les pull requests reste non résolue.Dans l’entreprise, Oracle affiche une stratégie axée sur les données propriétaires. Larry Ellison rappelle que des modèles comme ChatGPT ou Llama, formés sur des données publiques, ne suffisent pas pour des cas métier spécifiques. La proposition d’Oracle mise sur la génération augmentée par récupération (RAG) : les données privées restent dans une base Oracle, sont vectorisées, et consultées à la demande par le modèle, sans entraînement dédié sur ces contenus. En interne, Oracle a utilisé cette approche pour prédire quels clients achèteraient un autre produit dans les six mois : l’agent d’IA a identifié les prospects chauds, sélectionné les meilleures références à présenter et envoyé des emails personnalisés. Oracle met en avant le contrôle de toute la pile — infrastructure, bases, applications —, la construction de centres de données pour l’IA et la sécurisation de la vectorisation. En santé, l’agent croise données médicales à jour et dossiers électroniques pour proposer des soins compatibles avec les règles de remboursement.Enfin, la course aux modèles se poursuit. Microsoft dévoile MAI-Image-1, un modèle développé en interne, classé neuvième au classement LMArena. Il s’inscrit dans l’initiative MAI, aux côtés de MAI-Voice-1 et MAI-1-preview, signe d’une volonté d’autonomie vis-à-vis d’OpenAI. Satya Nadella insiste sur l’enjeu de rester compétitif. En parallèle, Google améliore son application Gemini avec le modèle Nano Banana pour un traitement photo avancé...
まだレビューはありません