Discussion :

[Jade Emy]

L'IA semble s'approcher rapidement d'un mur où elle ne peut pas devenir plus intelligente : l'IA sera-t-elle à court de données ? Limites de la mise à l'échelle des LLM sur les données générées par l'homme

Une nouvelle étude explore les défis et les possibilités en matière de mise à l'échelle des systèmes d'apprentissage automatique. Les résultats indiquent que les modèles utiliseront la totalité des données textuelles humaines publiques à un moment donné entre 2026 et 2032. Elle explore également une série de stratégies potentielles pour contourner cette contrainte.

Les progrès récents dans le domaine de la modélisation linguistique se sont fortement appuyés sur la formation non supervisée sur de grandes quantités de texte généré par l'homme, provenant principalement du web ou de corpus conservés. Les plus grands ensembles de données textuelles publiques générées par l'homme, tels que RefinedWeb, C4 et RedPajama, contiennent des milliers de milliards de mots collectés à partir de milliards de pages web.

La demande de données textuelles humaines publiques devrait continuer à augmenter. Afin de mettre à l'échelle la taille des modèles et des cycles de formation de manière efficace, les grands modèles de langage (LLM) sont généralement formés selon des lois de mise à l'échelle neuronale. Ces relations impliquent que l'augmentation de la taille des ensembles de données d'entraînement est cruciale pour améliorer efficacement les performances des LLM.

Des chercheurs étudient les contraintes potentielles sur la mise à l'échelle du LLM posées par la disponibilité de données textuelles publiques générées par l'homme. L'étude prévoit la demande croissante de données d'entraînement sur la base des tendances actuelles et estime le stock total de données textuelles humaines publiques.

Les résultats indiquent que si les tendances actuelles de développement du LLM se poursuivent, les modèles seront entraînés sur des ensembles de données d'une taille à peu près égale au stock disponible de données textuelles humaines publiques entre 2026 et 2032, ou légèrement plus tôt si les modèles sont surentraînés.

Projections entre les données générés et les données utilisés

Les chercheurs étudient également comment les progrès en matière de modélisation linguistique peuvent se poursuivre lorsque les ensembles de données textuelles générées par l'homme ne peuvent plus être mis à l'échelle. L'étude soutient que la génération de données synthétiques, l'apprentissage par transfert à partir de domaines riches en données et l'amélioration de l'efficacité des données pourraient permettre de réaliser de nouveaux progrès.

Les chercheurs commentent l'étude :

Dans cet article, nous soutenons que les données textuelles publiques générées par l'homme ne peuvent pas supporter une augmentation au-delà de cette décennie. Pour étayer cette conclusion, nous développons un modèle de la demande croissante de données de formation et de la production de données textuelles humaines publiques. Nous utilisons ce modèle pour prédire le moment où la trajectoire du développement du LLM épuisera complètement le stock disponible de données textuelles humaines publiques. Nous explorons ensuite une série de stratégies potentielles pour contourner cette contrainte, telles que la génération de données synthétiques, l'apprentissage par transfert à partir de domaines riches en données et l'utilisation de données non publiques.

L'IA sera-t-elle à court de données ? Limites de la mise à l'échelle des LLM sur la base de données générées par l'homme

L'étude explore les défis et les possibilités en matière de mise à l'échelle des systèmes d'apprentissage automatique, en particulier à la lumière de la nature limitée des données textuelles humaines publiques. L'analyse révèle l'approche d'un point critique d'ici la fin de la décennie, où la dépendance actuelle à l'égard des données textuelles humaines publiques pour l'entraînement des modèles d'apprentissage automatique pourrait devenir insoutenable.

Malgré ce goulot d'étranglement imminent, l'apprentissage par transfert et les données autogénérées sont identifiés comme des voies viables et prometteuses qui pourraient permettre la croissance et l'évolution continues des systèmes de ML au-delà des contraintes des données textuelles humaines publiques.

Les conclusions de l'étude sont donc doubles. D'une part, le paradigme actuel basé sur les données textuelles humaines publiques ne pourra pas perdurer dans une décennie. D'autre part, il est probable que d'autres sources de données seront adoptées avant cette échéance, ce qui permettra aux systèmes de ML de continuer à se développer.

Ajustements du stock de données

Bien que les arguments concernant les sources de données alternatives soient essentiellement qualitatifs, une meilleure compréhension de la qualité des données pourrait permettre de faire des estimations quantitatives des avantages de l'apprentissage par transfert et des données synthétiques. Par exemple, les expériences de mise à l'échelle pour l'apprentissage par transfert pourraient être utilisées pour quantifier la proximité ou la synergie entre différentes distributions et identifier de nouveaux ensembles de données susceptibles d'accroître efficacement le stock de données.

Mais l'étude présente des limites : elle n'explore pas certaines considérations qui pourraient être pertinentes pour comprendre le rôle futur des données. Tout d'abord, le choix des données devrait dépendre des compétences ou des capacités souhaitées pour le modèle. L'identification des compétences économiquement ou scientifiquement utiles et des ensembles de données nécessaires pour les enseigner pourrait révéler des lacunes critiques en matière de données. Deuxièmement, les futures percées en ML, telles que les systèmes capables d'explorer et d'expérimenter le monde réel de manière autonome, pourraient modifier la source d'information dominante pour l'apprentissage.

Les chercheurs concluent :

Nous avons projeté les tendances de croissance de la taille des ensembles de données d'apprentissage utilisés pour les modèles linguistiques de pointe et le stock total de données textuelles publiques disponibles générées par l'homme. Notre analyse suggère que, si la croissance rapide de la taille des ensembles de données se poursuit, les modèles utiliseront la totalité des données textuelles humaines publiques à un moment donné entre 2026 et 2032, ou un ou deux ans plus tôt si les modèles d'avant-garde sont surentraînés. À ce stade, la disponibilité des données textuelles humaines publiques peut devenir un facteur limitant pour la poursuite de la mise à l'échelle des modèles de langage.

Toutefois, en tenant compte des améliorations constantes de l'efficacité des données et des promesses de techniques telles que l'apprentissage par transfert et la génération de données synthétiques, il est probable que nous serons en mesure de surmonter ce goulot d'étranglement dans la disponibilité des données textuelles humaines publiques.

Conclusion

Il est important de reconnaître l'incertitude inhérente aux projections à long terme, surtout si l'on considère le rythme rapide des progrès dans le domaine de l'IA. Les résultats de l'étude soulignent la nécessité de poursuivre les recherches pour quantifier les taux de croissance de l'efficacité des données et les gains de performance potentiels des méthodes émergentes. En outre, les travaux futurs devraient explorer la faisabilité et l'efficacité de l'apprentissage par transfert à partir de divers domaines de données et l'impact de la génération de données synthétiques sur la performance des modèles, entre autres.

Source : "Will we run out of data? Limits of LLM scaling based on human-generated data"

Et vous ?

Pensez-vous que cette étude est crédible ou pertinente ?
Quel est votre avis sur le sujet ?

Voir aussi :

Les entreprises d'IA sont-elles à court de données pour entraîner leurs modèles après avoir englouti l'ensemble de l'Internet ? Un rapport alerte sur une potentielle pénurie de données

La "distillation pas-à-pas", un nouveau paradigme d'apprentissage pour surpasser les performances des grands LLM avec moins de données d'entraînement et des modèles d'IA de plus petite taille

Des chercheurs mettent en garde contre un "effondrement du modèle" lorsque l'IA s'entraîne sur du contenu généré par l'IA. Ils affirment que cela pourrait à terme éloigner l'IA de la réalité

[Jules34]

Un coup c'est un article qui dit attention l'IA vous dit de manger des cailloux c'est un peu bizarre et le jour d'après c'est purée il faut un gros bouton rouge pour l'arrêter si jamais l'IA prend le contrôle de l'assemblée nationale et enfin le lundi matin c'est carrément l'IA est à ses limites elle a déjà mangée l'intégralité du savoir humain mais comment on va faire ?!

Y'a pas comme un problème dans la façon même dont on conçois ces programmes ?

Les mecs en sont à commander des réacteurs nucléaire portable pour que Mme Michu puisse faire des fake photos de son chiuahaha grimé en prince d'espagne et que son fils puisse parler à des fausses nana dans sa chambre d'ado....

Le mur je le vois arriver mais il est pour nous...

Heureusement que Macon va nous sauver

[totozor]

Le savoir mène-t-elle à l'intelligence?
Je ne suis pas si sur que ça.
Donc je ne suis pas sur que la limite de l'IA est qu'elle a/va ingérer tous les textes du monde mais sa capacité à relier les chose, à mettre du sens là dedans ou encore à reconnaitre une fiction, d'une information, d'une désinformation.

Avant ChatGPT on nous expliquait que la pyramide donnée, information, connaissance, sagesse était la base d'une réflexion rationnelle.
Ce modèle (qui est discutable mais reste une bonne base) a été complètement abandonné en se disant qu'on pouvait "se contenter" de créer de l'information par statistique linguistique et que c'est de la connaissance.
Le premier modèle est certes limité (il s'attaque difficilement aux sciences humaines, à la philosophie ou à la politique) mais il a l'intérêt d'éviter de divaguer quand on parle de faits.

[Fluxgraveon]

Toutes ces gesticulations autour de l'IA ... L'impression que l'on façonne une image constituant un reflet pour que les humains s'y identifient afin de faciliter leur intégration à l'IoT et éventuellement une techno-dictature en marche. Amis robots : pfff ...

Le savoir mène-t-elle à l'intelligence?

Depuis des millénaires, la réponse est : non.

[ALAIN-COGET]

L'IA est déjà contrôlée par la bienpensance américaine.
Les bans Facebook sont absurdes et non motivés.
Chat GPT refuse de répondre sur des sujets choisis (simple comparaison de statistiques)
Essayez d'écrire dans Facebook la phrase de De Gaulle :
Les français sont des veaux.
Ou même, des petits de la vache.
C'est là qu'on voit l'IA agir, pour d'autres textes, wikipédia peut suffire.
Et là, il y a un à peu près un vrai contrôle.
Pour le moment l'IA c'est Hi ha nastasia.

[Fluxgraveon]

Imaginons qu'il y ait quelque part, now here , une forme d'intellection algorithmique autonome, disons dépouillée de nos affects humains (et inhumains aussi) et qui est un peu plus étendue (du fait de l'implication technologique d'échelle planétaire - ne pas oublier que le hacking est chose courante -) :
que recouvre certaines notions comme "français", "bienpensance américaine" au-delà de celle que nous lui conférons et qui pourrait apparaître très floue, complètement dépassée en regard de notre actualité ou mouvante (voire dénuée de réalité ou même dangereuse pour notre survie spécifique) ?
Mmm, à jouer avec le feu ... ne risque t-on pas de se brûler ?

[Mathis Lucas]

Le directeur technique de Microsoft affirme que les lois de mise à l'échelle des LLM continueront à stimuler les progrès de l'IA
réfutant les déclarations selon lesquelles les LLM ont atteint un plateau

Le directeur technique de Microsoft, Kevin Scott, ne partage pas les craintes selon lesquelles les lois de mises à l'échelle des grands modèles de langage (LLM) ont atteint leurs limites. Il affirme sa foi dans ces lois et se dit optimiste quant aux futures itérations des modèles et à leur capacité à améliorer les domaines dans lesquels les modèles actuels ont des difficultés. Cette perspective contraste avec l'idée que le développement des LLM pourrait atteindre des rendements décroissants. La position de Microsoft s'aligne sur ses investissements considérables dans l'IA, notamment à travers son partenariat pluriannuel de plusieurs milliards de dollars avec OpenAI.

Kevin Scott est récemment intervenu dans le podcast Training Data de Sequoia Capital. Le directeur technique de Microsoft a saisi l'occasion pour réitérer sa conviction de la valeur durable des lois de mise à l'échelle des LLM. Il reste optimiste quant au potentiel de progrès continus. Il a répondu au débat en cours en déclarant que l'idée des lois d'échelle est toujours pertinente dans le domaine de l'IA. Les discussions tournent en effet sur la question suivante : les LLM continueront-ils à s'améliorer si nous leur donnons plus de puissance de calcul et plus de données ? Le cadre de Microsoft a répondu par l'affirmative.

« Malgré ce que d'autres pensent, nous n'en sommes pas à des rendements marginaux décroissants en ce qui concerne la mise à l'échelle. J'essaie d'aider les gens à comprendre qu'il existe une exponentielle et que, malheureusement, on ne peut l'observer que tous les deux ans parce qu'il faut du temps pour construire des superordinateurs et former des modèles à partir de ces derniers », a déclaré Scott. Le cadre de Microsoft a joué un rôle clé dans la conclusion de l'accord de partage de technologie de plusieurs milliards de dollars entre Microsoft et OpenAI. À ce jour, le montant exact de l'accord n'est pas connu.

Les lois de mise à l'échelle des LLM ont été proposées par les chercheurs d'OpenAI en 2020. Elles stipulent que l'efficacité des modèles de langage augmente de manière proportionnelle à la taille du modèle. En d'autres termes, la performance des modèles de langage tend à s'améliorer de "manière prévisible" à mesure que les modèles deviennent plus grands (plus de paramètres), sont formés sur plus de données et ont accès à plus de puissance de calcul (compute). En outre, les modèles plus grands sont censés être plus efficaces et plus rapides, mais aussi générer beaucoup moins d'erreurs que les modèles plus petits.

L'idée est que la simple augmentation de la taille des LLM et des données de formation puisse conduire à des améliorations significatives des capacités de l'IA sans nécessairement nécessiter des percées algorithmiques fondamentales. Depuis, d'autres chercheurs ont remis en question l'idée de la persistance des lois de mise à l'échelle dans le temps, mais le concept reste une pierre angulaire de la philosophie d'OpenAI en matière de développement de l'IA. Les critiques affirment que l'optimisation du processus de formation des modèles peut réduire les besoins en données et en puissance de calcul, ainsi que les coûts de l'IA.

Les entreprises qui font la une des journaux renforcent cette tendance. « Le système que nous venons de déployer est, en matière d'échelle, à peu près aussi gros qu'une baleine », a déclaré Scott à propos du superordinateur qui alimente ChatGPT-5. Et il s'avère que l'on peut construire beaucoup d'IA avec un supercalculateur de la taille d'une baleine. Scott discutait de la dernière version du chatbot d'OpenAI lors de l'événement Build organisé par l'entreprise à la fin du mois de mai. Mais de plus en plus d'experts affirment que le plus gros n'est pas toujours le meilleur. Cela dépend en effet de votre point de vue.

Pour les développeurs de LLM, l'échelle est un avantage dans la plupart des cas. Mais comme les entreprises cherchent à faire la part des choses entre le battage médiatique et la valeur ajoutée de l'IA, il n'est pas certain que des modèles d'IA de plus en plus grands aboutissent toujours à de meilleures solutions pour les entreprises. « À l'avenir, nous n'aurons pas besoin de modèles 100 fois supérieurs à ceux dont nous disposons aujourd'hui pour extraire la majeure partie de la valeur », a déclaré Kate Soule, directrice du programme de recherche sur l'IA générative d'IBM, dans un épisode du podcast Mixture of Experts d'IBM.

Si ces lois sont utiles aux fournisseurs de LLM qui s'efforcent de créer une intelligence artificielle générale (AGI), de nombreux experts affirment qu'il est loin d'être évident que les entreprises aient besoin de cette échelle d'investissement ou d'IA pour en tirer la plus grande valeur. « Ce n'est pas parce que vous connaissez le moyen le plus rentable de former un modèle d'une taille de l'ordre du nième degré que les avantages réels que vous tirerez de ce modèle justifieront les coûts. C'est une question totalement différente à laquelle les lois de mise à l'échelle ne répondent pas », a expliqué le cadre d'IBM lors de l'entretien.

La position de Scott est tout à fait opposée à celle de certains critiques de l'IA qui pensent que la croissance s'est arrêtée au GPT-4 et à d'autres modèles similaires. Selon certains critiques, les derniers modèles (dont Gemini 1.5 Pro de Google et Claude Opus d'Anthropic) n'ont pas apporté d'améliorations significatives par rapport aux modèles précédents. Gary Marcus, critique d'IA, a souligné ce point de vue en avril, mettant en doute l'absence d'avancées significative depuis la sortie de GPT-4. Il écrivait : « nous savons tous que GPT-3 était bien meilleur que GPT-2. Et nous savons tous que GPT-4 était bien meilleur que GPT-3 ».

« Mais que s'est-il passé depuis ? », se demandait-il. La position de Scott suggère que les géants de la technologie comme Microsoft se sentent encore justifiés d'investir massivement dans des modèles d'IA beaucoup plus grands, en pariant sur des percées continues plutôt que sur l'atteinte d'un plateau de capacités. Compte tenu de l'investissement de Microsoft dans OpenAI et de la forte commercialisation de ses propres fonctionnalités d'IA Microsoft Copilot, l'entreprise a tout intérêt à maintenir la perception d'un progrès continu, même si la technologie stagne. Copilot fait toutefois l'objet de critiques dans la communauté.

Ed Zitron, critique fréquent de l'IA, a récemment écrit dans un billet sur son blogue sarcastique : « l'une des défenses de l'investissement continu dans l'IA générative est qu'OpenAI a quelque chose que nous ne connaissons pas. Une grande technologie secrète et sexy qui brisera éternellement les os de tous ceux qui la détestent. Cependant, j'ai un contrepoint : "non, ce n'est pas le cas" ». Malgré les critiques, Scott reste optimiste quant à la possibilité de futures percées. Il reconnaît toutefois le défi que représente la rareté des données dans ce domaine, car il faut souvent des années pour développer de nouveaux modèles.

Scott s'est dit convaincu que les futures itérations montreront des améliorations. « Le prochain échantillon arrive, et je ne peux pas vous dire quand ni prédire exactement quelle sera sa qualité, mais il sera presque certainement meilleur pour les choses qui sont fragiles à l'heure actuelle, où vous vous dites, oh mon dieu, c'est un peu trop cher, ou un peu trop fragile, pour que je puisse l'utiliser », a déclaré Scott lors de son passage dans le podcast Training Data.

« Tout cela s'améliorera. Les choses deviendront moins chères et moins fragiles. Et des choses plus compliquées deviendront possibles. C'est l'histoire de chaque génération de ces modèles au fur et à mesure que nous les développons », a ajouté le cadre de Microsoft.

Et vous ?

Quel est votre avis sur le sujet ?
Que pensez-vous des lois de mise à l'échelle des grands modèles de langage ? Ont-elles atteint leurs limites ?
Pourquoi les entreprises continuent-elles d'investir autant d'argent et de ressources dans les LLM toujours plus grands ?
Les modèles plus grands sont-ils plus sûr et plus fiables comme le prétendent les entreprises comme Microsoft ?

Voir aussi

Des chercheurs bouleversent le statu quo sur la formation des LLM en éliminant du processus la multiplication matricielle, ce qui réduit les coûts liés aux exigences élevées en matière de calcul et de mémoire

L'IA semble s'approcher rapidement d'un mur où elle ne peut pas devenir plus intelligente : l'IA sera-t-elle à court de données ? Limites de la mise à l'échelle des LLM sur les données générées par l'homme

Le PDG d'OpenAI estime que l'approche actuelle de l'IA va bientôt atteindre ses limites, la mise à l'échelle des modèles LLM cessera d'apporter des améliorations à l'IA, selon lui

[bmayesky]

Cette limite d’absorption du savoir humain en cache une autre: la diminution de la production d'articles innovants. Aujourd'hui, il est valorisant de publier un article pointu, de vulgarisation, ... parce qu'il est lu par d'autres et que cela contribue à augmenter le savoir global et la visibilité de son auteur. Demain, avec l'IA en intermédiaire, cela ne servira à plus rien de publier son savoir puisque celui-ci sera repris par l"IA en son nom propre. Et cela fera diminuer les publications sur lesquelles l'IA pourra apprendre et fera diminuer d'autant la pertinence de ses réponses. Le progrès de l"IA va péricliter parce que les humains n'auront plus aucun intérêt à l'alimenter. Et l'innovation, en dehors de se répandre différemment, échappera à l'IA, ce qui la rendra moins intéressante. Cela pourrait créer une forme d'équilibre entre innovation humaine et son suivi (sa généralisation) par l'IA.