Présentation
RÉSUMÉ
Cet article montre comment les avancées de l'IA générative (LLM, modèles de raisonnement, agents intelligents) transforment la veille scientifique et technique. Il explore de manière concrète comment ces technologies transforment chaque étape du cycle de veille. À travers des cas d'usage détaillés (exploration thématique rapide avec Perplexity, analyse de corpus avec NotebookLM et SciSpace, surveillance continue automatisée), il montre comment traiter en quelques minutes des volumes documentaires qui nécessitaient auparavant plusieurs jours. L'article examine également leurs limites (hallucinations, biais, non-déterminisme) et propose un cadre méthodologique intégrant validation humaine, documentation et optimisation des coûts.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
Gilles BALMISSE : Consultant en management et technologies - Expert CIR/CII, Montpellier, France
INTRODUCTION
La veille scientifique et technique est aujourd’hui confrontée à un paradoxe. Malgré une surabondance de l’information, son exploitation devient de plus en complexe. En effet, chaque année, c’est plus de 3 millions d’articles scientifiques et autant de prépublications et près de 3 millions de demandes de brevets qui sont publiés. Par ailleurs, le délai entre les découvertes académiques et leur application industrielle est passé dans certains domaines de plusieurs années à moins de deux ans dans certains domaines.
Face à une telle situation, les méthodes classiques montrent leurs limites. Les notifications automatiques produisent un bruit significatif et la phase d’analyse reste largement artisanale.
L’IA générative, sous l’impulsion des modèles de langage de grande taille, bouleverse ce paysage en permettant d’automatiser des tâches à faible valeur ajoutée et en élargissant les capacités d’analyse.
Cet article dresse un panorama de l’utilisation de ces technologies à chaque étape du cycle de veille. Ainsi, au travers de différents cas d’usage, cet article présente ce qui fonctionne à l’heure actuelle ainsi que les limites. Il explore également les enjeux que soulève leur déploiement, notamment sur les aspects liés à la fiabilité, aux coûts et à l’impact environnemental.
Cet article est réservé aux abonnés.
Il vous reste 95 % à découvrir.
Déjà abonné ? Se connecter
MOTS-CLÉS
intelligence artificielle générative (GenAI) veille scientifique et technique (VST) grands modèles de langage
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Technologies de l'information > Documents numériques Gestion de contenu > Usages et management stratégique des documents numériques > Veille scientifique et technique - Tirer parti de l’intelligence artificielle générative > L’intelligence artificielle générative au service de la veille
Présentation
Exemples de cas d’usage de l’IA générative pour la veille scientifique et techniqueArticle inclus dans l'offre
"Management et ingénierie de l'innovation"
(451 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
1. L’intelligence artificielle générative au service de la veille
L’introduction de l’IA générative dans la veille est une révolution dont l’ampleur ne peut être saisie sans une connaissance des technologies sous-jacentes.
Ainsi, avant de voir les applications concrètes de ces outils dans le cadre de la veille scientifique et technique, nous allons définir ce que recouvrent le concept d’IA générative et les principales technologies sur lesquelles il s’appuie.
1.1 Ce que l’IA générative change pour la veille scientifique et technique
1.1.1 Une rupture technologique
L’intelligence artificielle est un ensemble de techniques qui permettent aux machines d’exécuter des tâches qui nécessitent normalement l’utilisation de l’intelligence humaine.
On distingue classiquement différents types d’IA en fonction de leurs capacités et de leurs usages. Il y a tout d’abord l’IA analytique qui consiste à analyser des données existantes pour en extraire des tendances, des classifications ou des prédictions. C’est elle qui nourrit les algorithmes de recommandation, de détection de fraude ou bien encore de prédiction.
L’IA générative, quant à elle, est une rupture technologique. En effet, au lieu d’analyser ou de catégoriser des contenus existants, elle peut en générer de nouveaux. Cette génération peut prendre la forme de texte, d’images, d’audio, de vidéo, de code informatique ou bien encore de données structurées. Contrairement aux systèmes experts qui se contentent d’appliquer des règles prédéfinies, l’IA générative apprend des motifs complexes à partir de vastes ensembles de données pour générer des contenus originaux qui, bien que nouveaux, conservent les caractéristiques et la cohérence des données d’entraînement.
Le principe sous-jacent de l’IA générative repose sur l’apprentissage de distributions de probabilités. En d’autres termes, le modèle apprend à reconnaître quels éléments, des mots pour un texte, des pixels pour une image, des notes de musique pour un morceau de musique… sont susceptibles d’apparaître ensemble et dans quel contexte. Cette compréhension statistique lui permet ensuite de générer de nouveaux...
Cet article est réservé aux abonnés.
Il vous reste 92 % à découvrir.
Déjà abonné ? Se connecter
L’intelligence artificielle générative au service de la veille
Article inclus dans l'offre
"Management et ingénierie de l'innovation"
(451 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
BIBLIOGRAPHIE
-
(1) - BOMMASANI (R.) - On the opportunities and risks of foundation models. - arXiv preprint arXiv:2108.07258 (2021).
-
(2) - WEI (J.), TAY (Y.), BOMMASANI (R.) et al - Emergent abilities of large language models. - arXiv preprint arXiv:2206.07682 (2022).
-
(3) - VASWANI (A.), SHAZEER (N.), PARMAR (N.) et al - Attention is all you need. - Advances in neural information processing systems, vol. 30 (2017).
-
(4) - OUYANG (L.), WU (J.), JIANG (X.) et al - Training language models to follow instructions with human feedback. - Advances in neural information processing systems, vol. 35, pp. 27730-27744 (2022).
-
(5) - CHELLI (M.), DESCAMPS (J.), LAVOUÉ (V.) et al - Hallucination rates and reference accuracy of ChatGPT and bard for systematic reviews: comparative analysis. - Journal of medical Internet research, vol. 26, no 1, p. e53164 (2024).
-
...
DANS NOS BASES DOCUMENTAIRES
Cet article est réservé aux abonnés.
Il vous reste 92 % à découvrir.
Déjà abonné ? Se connecter
Article inclus dans l'offre
"Management et ingénierie de l'innovation"
(451 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
QUIZ ET TEST DE VALIDATION PRÉSENTS DANS CET ARTICLE
Entraînez-vous autant que vous le voulez avec les quiz d'entraînement.
L'expertise technique et scientifique de référence
Article inclus dans l'offre
"Management et ingénierie de l'innovation"
(451 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
