Explorer l'IA

Grâce à quelques techniques ingénieuses, l’IA peut faciliter l’étude et la pratique de l’aroma-phytothérapie, en créant du contenu fondé et adapté à la vision unique de l’aromathérapeute ou de l’amateur·rice d’huiles essentielles et de plantes médicinales.

Par exemple, l’IA peut assister la conception de formulations cliniques et de synergies olfactives basées sur des études scientifiques récentes. Elle peut compiler et résumer des informations provenant de publications scientifiques, facilitant l’accès à de nouvelles découvertes. Pour les professionnels, l’IA peut fournir une assistance précieuse dans la création de contenu inspirant pour les réseaux sociaux ou d’une campagne marketing bien orchestrée.

L’IA transforme la manière dont les entreprises interagissent avec leurs client·es.

Par exemple, elle peut remplacer les foires aux questions (FAQ) en affinant les requêtes des consommateur·rices pour offrir des recommandations personnalisées. En tenant compte des préférences olfactives, du type de peau, etc., l’IA guide les client·es vers des produits adaptés à leurs besoins spécifiques.

Ainsi, l’IA offre à chaque client·e une expérience sur mesure, augmentant significativement le taux de conversion. De plus, elle réduit la charge de travail du service client prévente, libérant du temps précieux pour des activités à plus forte valeur ajoutée.

Le développement des nouveaux modèles basés sur le traitement du langage naturel (TLN, ou NLP en anglais), y compris les modèles génératifs, progresse à une vitesse impressionnante. En aroma-phytothérapie, il a fallu attendre des modèles récents pour obtenir des résultats crédibles. La concurrence est féroce : Mistral développé par la star parisienne de la French Tech Mistral AI, GPT-4o par OpenAI (San Francisco, Californie, États-Unis), Claude 3.7 par Anthropic (idem), Grok 3 par xAI (idem) et DeepSeek V3 par DeepSeek AI (Pékin, Chine).

Pour se donner toutes les chances d’obtenir des informations de qualité, il faudra alimenter les modèles de base avec des informations spécialisées et les guider avec des instructions précises et souvent très élaborées.

Malgré leurs performances, ces modèles font des erreurs. En aroma-phytothérapie, la sécurité et la précision sont primordiales. Pour se donner toutes les chances d’obtenir des informations de qualité, il faudra alimenter les modèles de base avec des informations spécialisées (voir : le RAG) et les guider avec des instructions précises et souvent très élaborées (voir : prompt engineering).

Le choix d’un de ces modèles généralistes constitue le point de départ du développement d’une application IA spécialisée. Ces modèles sont entrainés sur des données généralisées. Il faudra donc soit les adapter à un domaine d’expertise précis, tel que l’aroma-phytothérapie, soit intégrer des données spécifiques au domaine dans le dialogue avec le modèle de base. Adapter un modèle de base avec des données spécifiques à un domaine exige des ressources informatiques et donc financières importantes. Dans un domaine niche tel que l’aroma-phytothérapie, une telle approche semble démesurée par rapport aux moyens financiers disponibles dans le secteur.

En revanche, la génération augmentée de récupération (anglais : Retrieval-Augmented Generation, RAG) permet au modèle de base d’accéder à des sources externes spécifiques, comme une base de données d’huiles essentielles ou de toxicité, pour répondre avec plus de précision. La RAG offre donc une alternative plus économique en intégrant des données spécifiques sans nécessiter d’entraînement, rendant l’IA générative plus accessible, plus efficace et plus juste.

Parmi les méthodes déployées dans le RAG, les appels de fonction sont permettent au modèle d’accéder à des informations spécialisées et fiables, issues de data sets spécialisés et de publications scientifiques. Le principe est simple : dans le dialogue avec l’IA, des fonctions sont proposées. Le modèle décide si oui ou non il fera appel à ces fonctions. Si une fonction est appelée à l’aide, l’application IA fournira des informations spécifiques au modèle, qui reprendra ensuite le cours de son travail.

Les appels de fonction seront complétés par le prompt engineering, littéralement : ingénierie de prompt, une technique qui consiste à formuler des instructions précises et optimisées pour guider le modèle d’IA dans la génération de réponses pertinentes et précises. En pratique, le prompt engineering va structurer les demandes adressées au modèle de manière à orienter sa réponse vers les informations souhaitées, et cela aussi bien au niveau contenu que dans la forme. Parmi les principales techniques : l’attribution d’un personnage, la description d’un contexte spécifique et d’une action souhaitée précise, la décomposition d’une question complexe en plusieurs étapes plus simples (prompt chaining), l’inclusion des exemples pertinents (few-shot prompting), la spécification du format de réponse attendu…

Par exemple : une réponse IA qui parle d’une Lavande n’est d’aucune utilité. Pour s’assurer que la réponse cite l’espèce botanique et la forme galénique, il suffit de montrer l’exemple (du contenu et du format) :

• Exemple incorrect : Lavende ; exemple incorrect : Lavandula.
• Exemple correct : HE Lavande vraie (sommité fleurie).
• Exemple correct : Ess. Bergamote (zeste).

Ou, mieux encore :

• Exemple correct : HE Lavande vraie (Lavandula angustifolia subsp. angustifolia , sommité fleurie).
• Exemple correct : Ess. Bergamote (Citrus × aurantium subsp. bergamia, C. bergamia, zeste).

Le prompt engineering permet également d’adapter les requêtes aux préférences individuelles des l’utilisateur·rices. Tout comme dans le RAG, des data sets spécialisés seront appelées pour proposer des choix multiples, qui permettent d’affiner les requêtes et donc de rendre les réponses de l’IA plus pertinentes. C’est la tâche de l’application spécialisée IA.

L’intégration du prompt engineering et des appels de fonction dans les systèmes d’IA permet d’améliorer la qualité et la précision des informations obtenues, ce qui est particulièrement souhaité dans des domaines de niche comme l’aroma-phytothérapie. Ces deux techniques sont mises en place par l’application IA spécialisée.

Le double rôle de l’application spécialisée est d’interagir avec les modèles de base IA via une interface API, tout en offrant une interface utilisateur·rice intuitive.

Le double rôle de l’application spécialisée est d’interagir avec les modèles de base IA via une interface API, tout en offrant une interface utilisateur·rice intuitive.

C’est précisément dans cette interface utilisateur·rice que l’application IA spécialisée crée de la valeur ajoutée. Au-delà d’un simple chat bot répondant aux questions, l’interface propose des prompts préconstruits pour des questions spécifiques et permet de personnaliser les requêtes grâce à des choix multiples. Cette approche offre un accès à une expertise que l’utilisateur·rice ne possède peut-être pas.

Par exemple, pour créer une synergie d’huiles essentielles destinée à la diffusion, la qualité de l’expérience olfactive est primordiale. L’application IA spécialisée propose des choix basés sur plusieurs critères :

• la famille olfactive (floral, épicé, hespéridé, etc.),
• la complexité du mélange (des simples agrumes-lavande aux mélanges boisés-résineux),
• la ténacité,
• l’intensité et
• la volatilité.

Les choix de l’utilisateur·rice mènent à des formulations distinctes.

En faisant le lien entre l’utilisateur·rice et le modèle de base, l’application IA spécialisée offre des avantages significatifs. Elle facilite l’accès à une expertise sans nécessiter de connaissances préalables approfondies et permet une personnalisation précise des requêtes, garantissant des résultats adaptés aux besoins spécifiques, tout en optimisant l’interaction avec les modèles de base pour des réponses plus fiables et pertinentes.

En 2023, une recherche avec ChatGPT consommait dix fois plus d’énergie qu’une requête Google [1]. Ce chiffre est sûrement dépassé. Selon l’AIE (2024), la consommation des data centers, de l’IA et des cryptos pourrait doubler d’ici 2026 [2]. Dans son récent Rapport Environnemental 2024, Google rapporte une hausse de la consommation d’énergie de 17 % en un an (2022-2023) [3].

L’IA figure parmi les plus grands consommateurs d’énergie des centres de données, ces « usines numériques » qui hébergent les ordinateurs et le matériel réseaux nécessaires à son fonctionnement.

L’IA figure parmi les plus grands consommateurs d’énergie des centres de données, ces « usines numériques » qui hébergent les ordinateurs et le matériel réseaux nécessaires à son fonctionnement. L’entraînement et le maintien des modèles d’IA requièrent une puissance de calcul considérable, entraînant une forte consommation d’énergie et d’eau pour refroidir les installations. De plus, la fabrication de matériel spécialisé pour l’IA requiert des ressources rares, avec un impact socio-écologique majeur tout au long de la chaîne, de la production à la gestion des déchets.

L’IA partage les premières places des plus grands consommateurs d’énergie avec le minage de cryptomonnaies et le streaming vidéo, suivis par les réseaux sociaux, les jeux en ligne et les moteurs de recherche. En tant qu’aromathérapeute ou entreprise, choisissez-vous des solutions d’IA attentives à leur impact écologique ? Ce choix s’intègre dans une approche plus large de consommation responsable.

Le choix d’un système d’IA devient de plus en plus un choix politique. Préférez-vous les systèmes d’IA européens « de souche », comme Le Chat de la société française Mistral, aux entreprises américaines, chinoises ou russes ? Au-delà des considérations géopolitiques, il est crucial de se demander quelle énergie ces pays choisissent pour réaliser leurs ambitieux projets de centres de données hyperscale.

Le parallèle avec une aromathérapie durable est évident. Choisir un produit naturel ne garantit pas nécessairement une action durable. Si, pour obtenir une huile essentielle, les ressources naturelles sont exploitées sans considération pour leur régénération, ou si les écosystèmes sont endommagés, ou encore si la biodiversité est affectée, l’aromathérapie est loin d’être un choix durable.

Références :

[1] De Vries, A. (2023). The growing energy footprint of artificial intelligence. Joule, 7(10), 2191–2194. https://doi.org/10.1016/j.joule.2023.09.004

[2] Electricity 2024 – analysis – IEA. (2024, January 1). IEA. https://www.iea.org/reports/electricity-2024

[3] 2024 Environmental Report – Google Sustainability. (n.d.). Sustainability. https://sustainability.google/reports/google-2024-environmental-report/