L’annonce récente de la société Encord concernant ses nouvelles capacités d’annotation de données multimodales a suscité un vif intérêt dans l’industrie de l’intelligence artificielle (IA). Effectivement, la possibilité de classifier des données audio et de documents en une seule interface s’ajoute à la prise en charge déjà existante pour les données médicales, de vision par ordinateur et vidéo. La complexité de générer des données vidéo ou audio rend cette avancée significative, un facteur crucial à un moment où l’industrie de l’IA se tourne de plus en plus vers des capacités multimodales, telles que le mode vocal de ChatGPT. Pour illustrer cette importance, il suffit de considérer les applications médicales où un accès à des données de qualité est primordial pour affiner les modèles d’IA.
Importance des Données de Qualité dans les Modèles d’IA
L’un des enjeux majeurs pour améliorer un modèle d’IA réside dans l’accès à des données de qualité, y compris des données hyper-spécifiques souvent nécessaires dans des contextes à fort enjeu comme la médecine. Les plateformes capables d’annoter et d’évaluer plusieurs types de données deviennent donc essentielles. Encord est déjà utilisé par plusieurs clients pour des images médicales comme les IRM, afin de développer de meilleurs modèles d’aide pour les médecins. Ces nouveaux modèles permettent non seulement de diagnostiquer avec plus de précision mais aussi de proposer des traitements plus efficaces. L’intégration de diverses données dans une seule interface réduit le temps et les coûts souvent associés à l’annotation de données cloisonnées.
Les produits d’IA vidéo et audio nécessitent des données sophistiquées pour atteindre un réalisme proche de l’humain. Synthesia, par exemple, utilise Encord pour développer des modèles pour ses avatars IA réalistes. Les nouvelles fonctions d’annotation et de curation d’Encord permettent aux équipes d’IA de personnaliser une interface afin de gérer simultanément différents types de fichiers. Cette approche intégrée évite la fragmentation des données et des processus, permettant une collaboration plus harmonieuse entre les équipes et une plus grande efficacité dans le développement des modèles.
Catégories Essentielles d’Annotation et Optimisation des Données
Encord ne se limite pas à l’annotation de données multimodales, couvrant également des catégories essentielles comme la reconnaissance d’entités, la traduction, le résumé, la classification de textes et l’analyse de sentiments. Les équipes d’IA peuvent filtrer leurs données pour garder uniquement ce qui est nécessaire à la construction d’un modèle performant et utiliser un tableau de bord pour signaler les données nuisibles. En moyenne, les clients d’Encord utilisent des ensembles de données 35 % plus petits tout en améliorant la précision de leurs modèles de 20 % grâce à cette sélection minutieuse.
Ulrik Stig Hansen, cofondateur d’Encord, croit que cette attention à la qualité et la centralisation des données pourrait contribuer à l’élaboration d’une intelligence générale artificielle (AGI). Pour lui, une gestion optimisée et centralisée des données multimodales représente non seulement un avantage compétitif mais aussi une avancée majeure vers des modèles d’IA plus précis et efficaces. Les nouvelles capacités d’Encord sont ainsi perçues comme une étape importante dans cette ère de développement d’IA, où la centralisation et le traitement optimisé des données jouent un rôle crucial.
