C'est vraiment génial de vous voir tous. Ce que je veux faire aujourd'hui, puisque cet événement est présenté comme la Startup School, c'est partager avec vous quelques leçons que j'ai apprises sur la création de startups chez AI Fund. AI Fund est un studio de capital-risque, et nous créons en moyenne environ une startup par mois. Parce que nous co-fondons les startups, nous y écrivons du code, parlons aux clients, concevons des fonctionnalités et déterminons les prix. Nous avons fait beaucoup de répétitions, non seulement en regardant les autres créer des startups, mais en étant réellement sur le terrain pour créer des startups avec des entrepreneurs. Ce que je veux faire aujourd'hui, c'est partager certaines des leçons que j'ai apprises en créant des startups, en particulier autour de cette technologie d'IA changeante et de ce qu'elle permet. Ce sera axé sur le thème de la vitesse. Pour ceux d'entre vous qui veulent créer une startup, je pense qu'un prédicteur fort des chances de succès d'une startup est sa vitesse d'exécution. J'ai en fait beaucoup de respect pour les entrepreneurs et les cadres qui peuvent faire les choses très rapidement. La nouvelle technologie d'IA permet aux startups d'aller beaucoup plus vite. J'espère partager avec vous certaines de ces meilleures pratiques, qui changent encore tous les deux ou trois mois, pour vous permettre d'obtenir cette vitesse qui, je l'espère, vous donnera de plus grandes chances de succès.

Avant de plonger dans la vitesse, beaucoup de gens me demandent : 'Andrew, où sont les opportunités pour les startups ?' Voici ce que je considère comme une pile technologique d'IA, où au niveau le plus bas se trouvent les entreprises de semi-conducteurs, puis les clouds ou hyperscalers construisent par-dessus, et beaucoup d'entreprises de modèles de base d'IA construisent par-dessus tout cela. Même si une grande partie de l'excitation médiatique et du battage médiatique s'est portée sur ces couches technologiques, les plus grandes opportunités doivent se trouver au niveau de la couche application, car nous avons en fait besoin des applications pour générer encore plus de revenus afin qu'elles puissent se permettre de payer les couches de technologie de base, de cloud et de semi-conducteurs. Pour une raison quelconque, les médias et les réseaux sociaux ont tendance à ne pas parler autant de la couche application, mais pour ceux d'entre vous qui envisagent de créer des startups, les plus grandes opportunités doivent s'y trouver, bien qu'il y ait des opportunités à tous les niveaux de la pile.

L'une des choses qui a beaucoup changé au cours de l'année dernière en termes de tendances technologiques en IA est l'essor de l'IA agentique. Il y a environ un an et demi, quand j'ai commencé à donner des conférences pour essayer de convaincre les gens que les agents d'IA pourraient être quelque chose, je ne réalisais pas qu'un groupe de marketeurs s'emparerait de ce terme, l'utiliserait comme un autocollant et le collerait sur tout ce qu'ils voyaient, ce qui lui a fait perdre une partie de son sens. Je veux partager d'un point de vue technique pourquoi je pense que l'IA agentique est excitante et importante et ouvre également plus d'opportunités de startups. La façon dont beaucoup d'entre nous utilisent les LLM est de les inciter à générer une sortie. La façon dont nous faisons sortir quelque chose par un LLM est comme si vous demandiez à un humain, ou à une IA, de taper un essai en écrivant du premier au dernier mot d'un seul coup sans jamais utiliser la touche retour arrière. Les humains ne font pas leur meilleur travail d'écriture en étant forcés de taper dans cet ordre linéaire, et l'IA non plus. Malgré la difficulté d'être forcés d'écrire de cette manière linéaire, nos LLM s'en sortent étonnamment bien. Avec les flux de travail agentiques, nous pouvons aller vers un système d'IA et lui demander d'écrire d'abord un plan d'essai, puis de faire des recherches sur le web si nécessaire, de récupérer des pages web pour les mettre dans son propre contexte, d'écrire un premier brouillon, puis de lire le premier brouillon, de le critiquer et de le réviser. Nous nous retrouons avec ce flux de travail itératif où votre modèle réfléchit, fait des recherches et révise. En parcourant cette boucle plusieurs fois, c'est plus lent, mais cela livre un bien meilleur produit final. Pour beaucoup de projets sur lesquels AI Fund a travaillé, allant du remplissage de documents de conformité complexes au diagnostic médical en passant par le raisonnement sur des documents juridiques complexes, nous avons constaté que ces flux de travail agentiques font la différence entre un fonctionnement correct ou non. Une grande partie du travail à accomplir et des entreprises de valeur encore à créer consistera à prendre des flux de travail et à comprendre comment les implémenter dans ce type de flux de travail agentiques. Pour mettre à jour l'image de la pile technologique de l'IA, ce qui a émergé au cours de l'année dernière est une nouvelle couche d'orchestration agentique qui aide les créateurs d'applications à orchestrer ou coordonner les appels aux couches technologiques sous-jacentes. La couche d'orchestration a rendu encore plus facile la création d'applications. Je pense que la conclusion fondamentale selon laquelle la couche d'application doit être la couche la plus précieuse de la pile reste vraie.

En me concentrant sur la couche d'application, laissez-moi maintenant plonger dans certaines des meilleures pratiques que j'ai apprises pour permettre aux startups de bouger plus vite. Chez AI Fund, nous nous concentrons uniquement sur le travail sur des idées concrètes. Pour moi, une idée de produit concrète est une idée spécifiée avec suffisamment de détails pour qu'un ingénieur puisse la construire. Par exemple, si vous dites : 'Utilisons l'IA pour optimiser les actifs de santé', ce n'est pas une idée concrète. C'est trop vague. Mais si vous dites : 'Construisons un logiciel pour les hôpitaux afin de permettre aux patients de réserver des créneaux pour des machines IRM en ligne pour optimiser l'utilisation', c'est une idée concrète. Ou si vous dites : 'Utilisons l'IA pour la productivité personnelle des e-mails', ce n'est pas concret. Mais si vous dites : 'Construisons une automatisation intégrée à Gmail qui permet aux utilisateurs d'écrire des prompts pour filtrer ou étiqueter automatiquement les e-mails', c'est une idée concrète. Travailler sur des idées concrètes vous permet d'aller beaucoup plus vite car cela donne à l'équipe une direction claire. Vous pouvez exécuter et valider cette idée beaucoup plus rapidement. Les bonnes idées concrètes viennent souvent d'un expert du domaine qui réfléchit à un problème depuis longtemps. Son intuition peut être très bonne pour prendre des décisions. Si les données vous font perdre foi en une idée concrète, il est tout à fait possible de pivoter rapidement vers une nouvelle direction. Mais avoir cette idée concrète pour commencer est un avantage énorme.

Une autre chose que nous avons apprise est l'importance de la boucle build-feedback. Dans les premières étapes d'une startup, vous essayez de trouver le product-market fit. Cela signifie que vous devez obtenir des retours de clients aussi rapidement que possible. Plus vite vous parcourez cette boucle, plus vite vous trouverez l'adéquation produit-marché. Vous construisez un prototype, obtenez des retours, révisez le prototype et recommencez. Avec l'ingénierie rapide, cette boucle build-feedback peut être très rapide. Nous avons constaté que changer le ratio ingénieurs par rapport au chef de produit peut également aider. Parfois, avoir plus d'ingénieurs capables de construire des prototypes rapidement est préférable à avoir plus de chefs de produit. Pour obtenir des retours sur le produit, vous pouvez commencer par jouer avec le produit vous-même, ce qui prend 10 minutes. Ensuite, vous pouvez demander à trois amis ou coéquipiers, ce qui peut prendre une demi-journée. Ensuite, vous pouvez demander à 3 à 10 inconnus, ce qui peut prendre une journée. Ensuite, vous pouvez envoyer le prototype à 100 testeurs, ce qui peut prendre une semaine. Ensuite, vous pouvez l'envoyer à 1 000 utilisateurs pour obtenir des retours qualitatifs ou quantitatifs, ce qui peut prendre deux semaines. Enfin, vous lancez le produit complet et effectuez des tests A/B, ce qui peut prendre deux mois ou plus. La clé est de franchir ces étapes le plus rapidement possible.

Une autre leçon est que comprendre l'IA vous fait aller beaucoup plus vite. La compréhension technique est très importante. Lorsqu'il s'agit d'une technologie mature, la plupart des gens ont de bons instincts sur ce qu'elle peut faire, comme une application mobile. Mais pour l'IA, qui est une technologie émergente, les connaissances ne sont pas aussi répandues. Une compréhension profonde de l'IA est un facteur de différenciation. Vous devez savoir quelle précision vous pouvez obtenir pour un chatbot de service client, ou quelle approche technique, comme le prompting, le fine-tuning ou les flux de travail agentiques, fonctionnera le mieux, ou comment faire pour qu'une application vocale ait une faible latence. Faire les bons choix techniques permet de gagner beaucoup de temps en évitant les impasses. Enfin, je veux parler d'aller au-delà des ingénieurs logiciels et de donner à chacun les moyens de construire avec l'IA. Certaines personnes conseillent aux autres de ne pas apprendre le code car l'IA l'automatisera. Je pense que c'est un mauvais conseil de carrière. À mesure que le codage devient plus facile, les personnes de tous les métiers devraient coder davantage. C'est comme la façon dont nous sommes passés des cartes perforées aux claviers, ou du langage assembleur aux langages modernes, ou des éditeurs de texte aux IDE. Chaque étape a rendu le codage plus facile et plus puissant. Maintenant, avec l'assistance au codage par l'IA, c'est encore plus facile. Ma conclusion est que construire rapidement avec l'IA implique de travailler sur des idées concrètes, d'utiliser l'ingénierie rapide avec l'assistance de l'IA, d'avoir une boucle de rétroaction rapide et d'avoir une compréhension approfondie de la technologie de l'IA. Merci beaucoup. Je serais heureux de répondre à quelques questions.

Bonjour Andrew, merci pour cette présentation. Mon nom est ? et je crée une entreprise appelée ?. Ma question porte sur la couche d'orchestration agentique. Vous avez mentionné qu'elle facilite la création d'applications. Pensez-vous que cette couche finira par être absorbée par les modèles de base eux-mêmes, ou restera-t-elle une couche séparée et distincte dans la pile ?

C'est une excellente question. Je pense que nous verrons les deux. Certaines capacités agentiques de base seront certainement intégrées dans les modèles de base. Nous le voyons déjà avec des choses comme l'appel de fonctions. Mais je pense qu'il y aura toujours besoin d'une couche d'orchestration séparée pour les flux de travail plus complexes qui impliquent plusieurs modèles, différents outils et une logique métier complexe. La couche d'orchestration permet plus de flexibilité et de contrôle, ce qui est important pour de nombreuses applications. Je m'attends à ce qu'elle reste une partie importante de la pile dans un avenir prévisible.

Bonjour Andrew, je suis ? de ?. Vous avez parlé de l'importance des idées concrètes. Comment équilibrez-vous le besoin d'une idée concrète avec le besoin d'être ouvert à de nouvelles opportunités et aux pivots à mesure que vous en apprenez davantage sur le marché ?

C'est un équilibre délicat. Vous avez besoin d'une idée suffisamment concrète pour commencer et avoir une direction claire pour l'exécution. Mais vous devez également être guidé par les données et prêt à changer de cap si les preuves suggèrent que votre idée initiale ne fonctionne pas. La clé est de ne pas trop s'attacher à son idée initiale et d'être prêt à pivoter rapidement. Chez AI Fund, nous évaluons constamment nos idées en fonction des retours clients et des données du marché. Si nous voyons qu'une idée ne prend pas, nous n'avons pas peur de passer à autre chose. Le but est de trouver le product-market fit le plus rapidement possible, et cela nécessite souvent un certain niveau de pivotement.

Andrew, merci pour cette présentation inspirante. Je suis ? et je suis étudiant à ?. Vous avez mentionné que tout le monde devrait apprendre à coder, même avec l'essor de l'IA. Quelles compétences en programmation ou quels langages spécifiques pensez-vous être les plus importants pour les non-ingénieurs à apprendre à l'ère de l'IA ?

Cependant, jusqu'à présent, il est difficile de voir l'expansion fonctionnelle cumulative de l'intégration des outils d'IA car elle s'aligne souvent sur l'empilement de fonctions basé sur la distribution des intentions et s'accompagne de problèmes dynamiques de jetons et de surcharge de temps, ce qui est différent de l'ingénierie statique. Quel est selon vous l'avenir d'un possible effet d'accumulation d'outils agentiques à l'avenir ?

Concernant le coût des jetons pour les agents LLM, mon conseil le plus fréquent aux développeurs est, en première approximation, de ne pas se soucier du coût des jetons. Seul un petit nombre de startups ont la chance d'avoir des utilisateurs qui utilisent tellement leur produit que le coût des jetons devient un problème. Cela peut devenir un problème ; j'ai fait partie d'équipes où les utilisateurs aimaient notre produit et nous avons commencé à regarder nos factures d'IA générative et elles grimpaient d'une manière qui devenait vraiment problématique. Mais il est en fait difficile d'en arriver au point où vos coûts d'utilisation de jetons sont un problème. Pour les équipes dont j'ai fait partie et où nous avons eu la chance que les utilisateurs fassent de notre coût de jetons un problème, nous avions souvent des solutions d'ingénierie pour infléchir les courbes et les faire redescendre grâce au prompting, au fine-tuning ou en utilisant DSPy pour optimiser. Je vois beaucoup de flux de travail agentiques qui intègrent de nombreuses étapes différentes. Par exemple, si vous construisez un chatbot de service client, nous utiliserons souvent le prompting, optimiserons les résultats dans DSPy, construirons des évaluations et des garde-fous. Le chatbot de service client pourrait avoir besoin de RAG pour obtenir des informations à transmettre à l'utilisateur. Je vois effectivement ces choses se développer. Un conseil pour beaucoup d'entre vous : j'architecture souvent mon logiciel pour rendre le passage entre différents fournisseurs de briques technologiques relativement facile. De nombreux produits sont construits au-dessus des LLM, mais parfois, si vous désignez un produit spécifique et me demandez quel LLM nous utilisons, je ne le sais pas parce que nous avons mis en place des évaluations. Lorsqu'un nouveau modèle sort, nous lançons rapidement des évaluations pour voir s'il est meilleur, puis nous passons simplement à celui-ci. Le modèle que nous utilisons semaine après semaine peut changer sans que les ingénieurs ne me le disent parce que les évaluations montrent que le nouveau modèle fonctionne mieux. Les coûts de changement pour les modèles de base sont relativement bas, et nous architecturons souvent nos logiciels — AI Suite est un outil open-source sur lequel mes amis et moi avons travaillé — pour faciliter le changement. Les coûts de changement pour les plateformes d'orchestration sont un peu plus élevés, mais préserver cette flexibilité dans votre choix de briques technologiques vous permet d'aller plus vite même si vous construisez de plus en plus de choses les unes sur les autres. J'espère que cela aide.

Merci beaucoup. Dans le monde de l'éducation en IA, il existe principalement deux paradigmes. L'un est que l'IA peut rendre les enseignants plus productifs en automatisant la notation et les devoirs. Une autre école de pensée est qu'il y aura des tuteurs personnels pour chaque étudiant. Chaque étudiant peut avoir un tuteur qui reçoit des retours d'une IA et reçoit des questions personnelles. Comment voyez-vous ces deux paradigmes converger et à quoi ressemblera l'éducation dans les cinq prochaines années ?

Je pense que tout le monde sent qu'un changement arrive dans l'EdTech. Je ne pense pas que la disruption soit encore là. Je pense que beaucoup de gens expérimentent différentes choses. Coursera a Coursera Coach, qui fonctionne en fait très bien. DeepLearning.AI est plus axé sur l'enseignement de l'IA et possède également des chatbots intégrés. De nombreuses équipes expérimentent la notation automatique. Il y a un avatar de moi sur le site web de DeepLearning.AI avec lequel vous pouvez parler sur deeplearning.ai/avatar. Pour certaines choses comme l'apprentissage des langues avec Speak ou Duolingo, les façons dont l'IA va les transformer sont devenues plus claires. Pour le paysage éducatif plus large, je vois beaucoup d'expérimentations, mais la transformation exacte reste à voir. Je pense que ce que fait Kira Learning est très prometteur pour l'éducation de la maternelle à la terminale. Je vois des tons d'expérimentations, mais l'état final n'est pas encore clair. Je pense effectivement que l'éducation sera hyper-personnalisée, mais quel sera ce flux de travail — s'agit-il d'un avatar, d'un chatbot textuel ? J'ai l'impression que le battage médiatique d'il y a quelques années selon lequel tout serait si facile avec les agents n'était que du battage. La réalité est que le travail est complexe. Les enseignants, les étudiants et les autres personnes effectuent des flux de travail vraiment complexes. Pour la prochaine décennie, nous examinerons le travail à accomplir et nous chercherons comment le mapper à des flux de travail agentiques. L'éducation est l'un des secteurs où ce mappage est en cours, mais il n'est pas encore assez mature pour que l'état final soit clair. Je pense donc que nous devrions tous continuer à y travailler.

D'accord, merci beaucoup, Andrew. Ma question est la suivante : je pense que l'IA a un grand potentiel pour le bien, mais il y a aussi un potentiel de conséquences négatives, comme l'exacerbation des inégalités économiques. Je pense que beaucoup de nos startups ici, tout en faisant de grandes choses, contribueront également, par la vertu de leurs produits, à certaines de ces conséquences négatives. Comment pensez-vous que nous, en tant que bâtisseurs d'IA, devrions équilibrer la création de produits avec les inconvénients sociétaux potentiels ? Comment pouvons-nous à la fois avancer vite et être responsables comme vous l'avez mentionné ?

Regardez dans votre cœur et si, fondamentalement, ce que vous construisez n'améliore pas la condition des gens dans leur ensemble, ne le faites pas. Je sais que cela semble simple, mais c'est en fait très difficile à faire sur le moment. Chez AI Fund, nous avons abandonné plusieurs projets non pas pour des raisons financières, mais pour des raisons éthiques. Il y avait des projets que nous avons examinés où le dossier économique était très solide, mais nous avons dit : 'Nous ne voulons pas que cela existe dans le monde', et nous les avons arrêtés sur cette base. J'espère que plus de gens feront cela. Je m'inquiète aussi d'emmener tout le monde avec nous. Les personnes dans toutes sortes de rôles qui ne sont pas de l'ingénierie sont beaucoup plus productives si elles connaissent l'IA. Par exemple, dans mon équipe marketing, les marketeurs qui savent coder surpassent largement ceux qui ne le savent pas. Tout le monde a appris à coder, puis ils se sont améliorés. Essayer de s'assurer que tout le monde a les moyens de construire avec l'IA sera une partie importante de ce que nous ferons tous.

Je suis l'un de vos grands fans et je vous remercie pour vos cours en ligne. Vos cours rendent l'apprentissage profond beaucoup plus accessible au monde. Ma question porte sur l'éducation. À mesure que l'IA devient plus puissante et répandue, il semble y avoir un écart croissant entre ce qu'elle peut réellement faire et la façon dont les gens la perçoivent. Pensez-vous qu'il soit important d'éduquer le grand public sur l'apprentissage profond, plutôt que seulement les techniciens, pour aider les gens à comprendre ce que l'IA fait réellement et comment elle fonctionne ?

Je pense que la connaissance va se diffuser. DeepLearning.AI veut donner à chacun les moyens de construire avec l'IA, donc nous y travaillons. Je pense qu'il y a deux dangers principaux. Le premier est que les gens qui ne comprennent pas l'IA sont plus susceptibles d'en avoir peur. Une partie de cette peur est justifiée, mais une autre ne l'est pas. L'éducation aide les gens à avoir une vision plus équilibrée de ce qui doit les inquiéter. Deuxièmement, l'IA est un outil qui peut être utilisé pour le bien ou pour le mal. Plus il y aura de gens qui comprendront comment l'utiliser, plus il sera probable qu'elle soit utilisée pour le bien. L'éducation est une partie importante de cela. Je pense donc que nous devrions tous continuer à y travailler. C'est tout le temps que nous avons pour les questions. Merci à tous d'être venus, et j'espère que vous passerez une excellente fin de journée.