Une étude de recherche récente publiée par des chercheurs de Google a révélé le développement d'un modèle d'intelligence artificielle spécialisé dans l'ingénierie logicielle baptisé Gemini for Google (GfG). Ce modèle vise à combler le fossé dont souffrent les grands modèles linguistiques généraux lorsqu'ils traitent des systèmes logiciels massifs et propriétaires des entreprises.
Défis des modèles généraux dans les environnements de programmation
Bien que plus de 75 % des codes sources chez Google soient générés ou rédigés par l'intelligence artificielle, les modèles généraux manquent de connaissances approfondies sur les bibliothèques privées, les modèles de conception uniques et les langages de programmation internes sur lesquels l'entreprise s'appuie. Pour résoudre ce problème, l'équipe de recherche a entraîné le modèle Gemini sur des données internes massives atteignant 1 billion de jetons (Tokens).
Mécanisme d'entraînement et résultats pratiques
L'équipe s'est appuyée pour l'entraînement de GfG sur l'ensemble du cycle de vie du développement, y compris les revues de code, les journaux d'erreurs, la documentation interne et les journaux d'opérations. Pour garantir que le modèle ne perde pas ses capacités de raisonnement général (ce que l'on appelle l'oubli catastrophique), les chercheurs ont utilisé des techniques d'intervention dans l'apprentissage intermédiaire et de relecture de données pour intégrer les connaissances privées tout en préservant l'efficacité générale.
Les tests incluant 29 000 développeurs ont montré des résultats tangibles : le nombre d'interactions requises avec l'intelligence artificielle pour accomplir les tâches a diminué de 23,1 %, et la vitesse de réponse s'est améliorée de 8,9 %. De plus, le taux de codes générés par l'intelligence artificielle qui restent utilisables sans modification pendant 14 jours a augmenté de 16,8 %.
Pourquoi cette nouvelle est-elle importante ?
Ce développement représente un tournant dans la manière dont les grandes entreprises s'appuient sur l'intelligence artificielle ; l'objectif n'est plus seulement d'utiliser des outils d'assistance généraux, mais de construire des modèles d'entreprise qui comprennent le contexte technique spécifique de l'organisation. Le modèle a prouvé son efficacité dans des tâches complexes, telles que les mises à jour de systèmes à grande échelle, où il a contribué à réduire le temps nécessaire de 50 % par rapport au travail manuel, en plus d'améliorer la consommation des ressources informatiques grâce aux systèmes d'optimisation automatique du code.