Google se prépare à utiliser son IA générative pour créer des publicités basées sur des documents produits par des spécialistes (humains) du marketing, révèle un document interne intitulé « AI-powered ads 2023 » (publicités alimentées par l'IA en 2023) consulté par le Financial Times :

« Google utilise déjà l'IA dans ses activités publicitaires pour créer des messages simples qui encouragent les utilisateurs à acheter des produits. Cependant, l'intégration de sa dernière IA générative, qui alimente également son chatbot Bard, signifie qu'il sera en mesure de produire des campagnes beaucoup plus sophistiquées ressemblant à celles créées par les agences de marketing. »

Les annonceurs seront invités à fournir images, vidéos et textes relatifs à leur campagne, que l'IA « remixera » afin d'atteindre les objectifs de vente qu'ils cherchent à atteindre.

Le FT rappelle que Google, qui a lancé le mois dernier une préversion limitée de Bard dans le but de s'attaquer au nouveau Bing de Microsoft (alimenté par ChatGPT), a également intégré son IA générative dans ses applications de productivité très répandues, telles que Workspace, Docs et Gmail.

Et ce, alors que le secteur de la publicité est « confronté à des vents contraires importants », les recettes publicitaires de Google ayant diminué de 4 % au cours du dernier trimestre de l'année dernière, « laissant sa société mère, Alphabet, avec une croissance globale des recettes de seulement 1 % » : 

« La nouvelle technologie sera intégrée à Performance Max, un programme que Google propose depuis 2020 et qui utilise un algorithme pour déterminer où les publicités doivent être diffusées et comment les budgets marketing doivent être dépensés, ainsi que pour produire des textes publicitaires simples. »

Meta, qui a lancé l'an passé Advantage+, une offre similaire à Performance Max, prévoirait elle aussi d'utiliser une IA générative dans ses systèmes publicitaires d'ici la fin de l'année.

Après avoir subi un report de son premier décollage en compagnie de son premier étage « Super Heavy » mardi, la fusée de SpaceX a bien décollé ce jeudi, mais a ensuite explosé en vol, après 3 minutes.

C'est au moment où aurait dû avoir lieu la séparation de la fusée avec ce premier étage que le problème a eu lieu. La trajectoire n'était plus nominale puisqu'on a pu voir la fusée faire des boucles anormales. L'entreprise a qualifié l'explosion d'un pudique « démontage rapide et imprévu » sur Twitter. Vous pouvez revoir le décollage puis l'explosion de Starship sur la chaine YouTube du Wall Street Journal par exemple.

• Super Heavy booster : un prototype du premier étage de Starship prend feu pendant un test
• Starship : le Super Heavy Booster de SpaceX devrait voler en 2021

Pour mieux comprendre quels types de données servent à entraîner de grands modèles de langage (LLM), le Washington Post a entrepris de décortiquer le jeu de données C4 de Google, avec l’aide des chercheurs du Allen Institute for AI et de la société Similarweb.

Ce jeu a notamment servi à entraîner les modèles d’IA générative T5 de Google et LLaMA de Facebook.

Constitué à 16 % de contenus tirés de sites industriels et business, à 15 % de contenu technologique et à 5 % de textes tirés de « communautés », l’objet donne une « photographie monumentale » de la production des quelque 15 millions de sites web récupérés pour entraîner des modèles d’IA, écrit le quotidien américain.

Les trois sites les plus utilisés pour produire l’immense somme de données sont la bibliothèque de brevets patent.google.com, l’encyclopédie Wikipédia et la bibliothèque numérique Scribd, uniquement accessible sur abonnement.

À la 190e place, encore assez haut dans la liste des sites recensés, le Washington Post note la présence de b-ok.org, un site connu pour avoir fait circuler des e-books piratés (et saisi par la justice américaine depuis la constitution de C4).

Au moins deux des 100 premiers pourvoyeurs de contenus soulèvent des problématiques de vie privée : coloradovoters.com et flvoters.com contiennent des copies des bases de données d’inscription de leurs électeurs, informations publiques, mais sensibles. Une fois entrées dans la base d’entraînement, leur usage est inconnu.

L’analyse suggère aussi une série de débats sur les droits d’auteur, dans la mesure où le Washington Post a relevé plus de 200 millions d’apparitions du symbole « copyright », suggérant que les travaux concernés sont soumis à la propriété intellectuelle, et recensé de nombreux noms de médias, alors que ceux-ci critiquent l’utilisation non concertée de leur production.

Le jeu embarque aussi les publications de plusieurs sites notés très bas sur l’indice de confiance des médias de la société indépendante NewsGuard, ainsi que plusieurs vecteurs notoires de publications d’extrême-droite.

Ces derniers éléments pourraient expliquer pourquoi des modèles à la ChatGPT fournissent quelques fois de la désinformation et/ou des productions discriminantes ou de la propagande de manière très assurée.

Parmi les sites dédiés à des communautés précises, le Washington Post relève une surreprésentation de sites religieux, notamment chrétiens, partageant parfois des visions très conservatrices du monde. Le Washington Post note aussi un fort biais occidental dans ces contenus.

Enfin, plus d’un demi-million de blogs personnels ont été retrouvés dans le jeu de données.