Intelligence artificielle
L’intelligence artificielle peut aujourd’hui chercher, analyser, rédiger, classer, expliquer, assister ou automatiser une partie du travail. Mais elle n’est utile que si elle répond à un besoin réel.
Nous vous aidons à identifier les bons usages, à les tester sur vos propres données et à les intégrer à votre système d’information avec un niveau de contrôle adapté à votre activité.
Nos principes
Nous commençons par observer ce que les personnes cherchent réellement à faire : gagner du temps, retrouver une information, réduire les erreurs, mieux exploiter des données ou automatiser une tâche répétitive. C’est ce résultat que nous cherchons à mesurer. Le choix de la technologie vient ensuite.
Un excellent modèle utilisé sur des informations incomplètes, mal organisées ou obsolètes donnera rarement un bon résultat. Avant de comparer les modèles, nous regardons donc les documents, les données disponibles, leur qualité, leurs droits d’accès et la manière dont ils pourront être exploités.
Une IA peut se tromper. Il faut donc déterminer ce qu’elle peut faire seule, ce qui doit être vérifié et les actions qu’elle ne doit jamais exécuter sans validation. Plus une décision a de conséquences, plus le contrôle doit être explicite.
Cas d’usage
Il n’existe pas un seul usage de l’intelligence artificielle. Voici quelques situations dans lesquelles elle peut apporter quelque chose de concret. Toutes ne sont évidemment pas pertinentes pour toutes les entreprises : le cadrage sert précisément à identifier celles qui méritent d’être explorées.
Poser une question en langage naturel à partir de contrats, procédures, dossiers techniques, documentations ou historiques, et retrouver immédiatement les passages qui permettent de vérifier la réponse.
Préparer des comptes rendus, synthèses, réponses à appels d’offres, fiches produit ou autres documents à partir de vos modèles et de vos informations existantes. L’utilisateur garde la validation finale.
Lire une demande reçue par courriel ou formulaire, identifier son sujet, extraire les informations utiles et l’orienter vers le bon traitement.
Aider les collaborateurs à retrouver rapidement une procédure, une règle métier ou une information présente dans la documentation de l’entreprise.
Résumer des volumes importants d’informations, repérer des anomalies ou des tendances et préparer une analyse qui pourra ensuite être vérifiée par un responsable.
Aider les équipes techniques à comprendre une base de code, préparer des tests, documenter, rechercher des anomalies ou accélérer la modernisation d’une application existante.
Transformer des documents dispersés et hétérogènes en une base d’information organisée, recherchable et exploitable par les équipes comme par les outils d’IA.
Aider les équipes à comprendre ce que ces outils savent faire, leurs limites, la manière de formuler une demande et surtout les situations dans lesquelles une vérification reste nécessaire.
Ajouter certaines capacités d’IA à un ERP, un CRM, une GED, un portail interne ou une application métier sans reconstruire l’ensemble du système.
Notre démarche
Un projet d’IA comporte encore beaucoup d’incertitudes au départ. Plutôt que de construire immédiatement une solution complète, nous avançons progressivement. À chaque étape, nous cherchons à répondre à une question précise avant d’engager la suivante.
Nous travaillons avec les personnes qui connaissent réellement le processus ou la tâche concernée. L’objectif est de comprendre ce qui prend du temps, ce qui provoque des erreurs et ce que l’on souhaiterait améliorer.
Nous vérifions que les informations nécessaires existent, qu’elles sont suffisamment fiables et qu’elles peuvent être utilisées dans les conditions prévues. Nous comparons ensuite plusieurs approches techniques.
Nous construisons une première version sur un périmètre volontairement limité. Elle utilise de vraies données et des situations représentatives du travail quotidien. Le prototype doit permettre de mesurer les résultats, pas seulement de produire une démonstration impressionnante.
Une fois l’intérêt du dispositif démontré, il doit devenir un véritable service : accessible aux bonnes personnes, sécurisé, surveillé et intégré aux outils existants.
Le comportement d’un dispositif d’IA doit continuer à être observé après sa mise en service. Nous suivons les usages et les erreurs, faisons évoluer les données ou les modèles lorsque c’est nécessaire et transférons progressivement la maîtrise du dispositif à vos équipes.
Architecture de référence
Les modèles d’IA évoluent très vite. Une application ne devrait donc pas dépendre entièrement d’un modèle, d’un fournisseur ou d’une technologie particulière. Nous séparons autant que possible les différentes fonctions du système afin de pouvoir remplacer une brique sans reconstruire l’ensemble.
La technologie utilisée derrière chacune de ces étapes peut évoluer sans obliger à recommencer tout le projet.
Formats de mission
Vous n’avez pas nécessairement besoin de nous confier toutes les étapes. eletec peut intervenir pour une journée de cadrage, réaliser une étude ou un prototype, accompagner la mise en production ou suivre un dispositif déjà existant. Les durées indiquées restent des ordres de grandeur.
Une journée avec les personnes concernées pour faire émerger les usages possibles, les confronter aux contraintes réelles et déterminer lesquels méritent d’être étudiés.
Aucun engagement pour la suite.
Vérifier la faisabilité d’un cas d’usage avant d’engager son développement.
Tester le dispositif sur un périmètre limité avec des situations représentatives de son futur usage.
Transformer un prototype validé en un service utilisable dans les conditions réelles de l’entreprise.
Suivre les usages et la qualité d’un dispositif existant, faire évoluer ses sources et ses modèles et accompagner les équipes.
Comprendre les usages pertinents de l’IA, apprendre à utiliser les outils, vérifier leurs réponses et connaître leurs limites.
Programme adapté au métier et au niveau des participants.
Sécurité, maîtrise & conformité
La qualité d’un dispositif d’IA ne se résume pas à la qualité de ses réponses. Il faut également savoir quelles données il utilise, qui peut y accéder, combien il coûte, ce qu’il est autorisé à faire et comment réagir lorsqu’il se trompe. Ces questions sont traitées dès la conception.
Déterminer quelles informations peuvent être transmises à un service extérieur, lesquelles doivent rester dans votre infrastructure et comment les accès sont contrôlés.
Identifier les règles applicables au projet en fonction des données utilisées, des personnes concernées et de l’usage prévu. Les exigences de protection des données et le cadre européen de l’intelligence artificielle sont intégrés au cadrage lorsque le projet est concerné.
Afficher les sources lorsqu’elles existent, conserver les informations nécessaires au suivi et permettre à l’utilisateur de signaler ou corriger une réponse.
Mesurer la consommation réelle et utiliser un modèle adapté à la tâche plutôt que choisir systématiquement le modèle le plus puissant. Prévoir quotas, cache ou limites de consommation lorsque cela est utile.
Déterminer explicitement quelles actions nécessitent une validation avant leur exécution, en particulier lorsqu’elles produisent des conséquences financières, contractuelles ou opérationnelles.
Selon les contraintes du projet, utiliser un hébergement européen, une infrastructure privée ou des modèles exécutés localement. Documenter les dépendances pour conserver des possibilités de changement.
Construire des cas de référence permettant de vérifier régulièrement la qualité des réponses et de détecter une dégradation après une modification du système.
Éviter qu’une application entière dépende d’un seul modèle ou fournisseur. Prévoir dès la conception ce qui devra pouvoir être remplacé et, lorsque le métier l’exige, le fonctionnement à conserver si le service d’IA devient indisponible.
Questions fréquentes
Pas nécessairement.
La qualité, la pertinence et l’organisation des informations sont souvent plus importantes que leur quantité.
Certains projets peuvent démarrer avec un ensemble relativement limité de documents ou de données, à condition qu’ils représentent correctement le besoin.
Cela dépend énormément de l’usage.
Le nombre de demandes, leur taille, le modèle utilisé, l’hébergement et le volume de données traitées peuvent faire varier fortement le coût.
Nous estimons donc le coût de fonctionnement avant la mise en production et mettons en place des mécanismes de suivi lorsque cela est nécessaire.
Oui, lorsque le besoin et l’infrastructure le permettent.
Les modèles exécutés localement peuvent être particulièrement intéressants pour la confidentialité, la maîtrise des données ou certains usages intensifs. Les services cloud peuvent être préférables dans d’autres situations.
Nous comparons les solutions sur le cas d’usage réel plutôt que sur un classement général des modèles.
Oui, certaines tâches peuvent être partiellement ou largement automatisées.
L’enjeu consiste à déterminer lesquelles, avec quel niveau de fiabilité et avec quelles conséquences sur l’organisation du travail.
Nous privilégions les usages où l’automatisation libère du temps, réduit les tâches répétitives ou aide les personnes à mieux faire leur travail.
On ne peut pas garantir qu’un modèle génératif ne se trompera jamais.
En revanche, on peut fortement réduire le risque : limiter son périmètre, lui fournir des sources identifiées, afficher ces sources, tester les réponses et imposer une validation humaine lorsque les conséquences sont importantes.
La bonne question n’est donc pas seulement : « L’IA peut-elle se tromper ? » mais aussi : « Que se passe-t-il lorsqu’elle se trompe ? »
C’est précisément pour cette raison que nous privilégions des architectures modulaires.
Lorsque les différentes fonctions sont correctement séparées, changer de modèle reste une évolution technique plutôt qu’une reconstruction complète de l’application.
Première étape
Vous n’avez pas besoin d’arriver avec un projet d’IA déjà défini. Expliquez-nous ce que vous cherchez à améliorer ou ce qui vous fait perdre du temps aujourd’hui. Un atelier de cadrage permet de regarder ce que l’IA pourrait apporter, mais aussi de conclure qu’une autre solution serait plus simple ou plus pertinente. Dans les deux cas, vous repartez avec une direction plus claire.
