trained
FREN
Nous parler

Entraînement des modèles et des connaissances · Entraînez votre IA

Vos équipes sont formées. Votre IA est-elle entraînée?

Donnez à l’IA les connaissances organisationnelles, le contexte, les outils et les règles dont elle a besoin pour accomplir un travail utile.

Entraîner votre IAComprendre ce que signifie entraîner l’IA

L’idée centrale

Le but n’est pas qu’un modèle sache tout. C’est de donner au bon système un accès fiable à la bonne source de vérité de l’organisation.

Les modèles d’IA généralistes en savent beaucoup sur le monde et presque rien sur votre organisation : vos clients, vos produits, vos politiques, votre histoire, votre vocabulaire ou vos règles.

Combler cet écart passe rarement par l’entraînement d’un nouveau modèle. Il s’agit plutôt de structurer ce que votre organisation sait, d’y connecter l’IA de façon sécuritaire et de démontrer que le résultat est fiable.

Ce que veut vraiment dire « entraîner l’IA »

Privilégiez l’approche la plus légère qui fonctionne.

Il existe plusieurs façons de faire connaître une organisation à l’IA. Elles diffèrent par leur coût, l’effort requis, leur flexibilité et leur risque. La plupart des systèmes utiles combinent les premières; les méthodes plus lourdes ne sont utilisées que lorsque les données probantes le justifient.

  1. Instructions et contexte

    Des instructions claires, des exemples et le contexte organisationnel fournis à un modèle performant.

    Presque toujours

  2. Récupération d’information (RAG)

    Au moment de répondre, le système consulte des sources fiables et autorisées, et peut les citer.

    La plupart du travail intellectuel

  3. Connaissances structurées

    Des entités, des relations et des définitions modélisées explicitement pour que les réponses restent cohérentes.

    Domaines complexes

  4. Outils et agents

    Un accès contrôlé aux systèmes pour que l’IA puisse chercher de l’information et effectuer des actions encadrées.

    Travail en plusieurs étapes

  5. Ajustement fin

    Adapter un modèle à partir d’exemples sélectionnés pour obtenir un format, une classification ou un vocabulaire spécialisé constants.

    Lorsque c’est justifié

  6. Préentraînement d’un modèle

    Construire un modèle de fondation de toutes pièces. Rarement la bonne réponse pour une seule organisation.

    Rarement

Ce que nous faisons

Tout ce dont l’IA a besoin pour comprendre votre organisation.

Selon le cas d’usage, l’entraînement des modèles et des connaissances peut comprendre l’un ou l’autre des éléments suivants.

  • Connaissances organisationnelles et préparation des données

    Repérer, nettoyer et organiser les sources sur lesquelles l’IA doit s’appuyer. Résoudre les contradictions, retirer le contenu périmé et déterminer quelle source fait autorité pour quelle question.

  • Connaissances structurées

    Modéliser les entités, les relations et les définitions sur lesquelles repose votre organisation, pour que l’IA réponde de façon cohérente au lieu de deviner à partir de documents épars.

  • Récupération d’information (RAG)

    Relier l’IA, au moment où elle répond, à des sources fiables dont l’accès est régi par des autorisations, avec des citations renvoyant à la source pour que les gens puissent vérifier le travail.

  • Choix et personnalisation des modèles

    Choisir des modèles adaptés à la tâche, à la sensibilité des données, au coût et aux exigences d’hébergement. Personnaliser à l’aide de consignes, d’exemples et de configurations avant de recourir à des méthodes plus lourdes.

  • Ajustement fin, lorsque justifié

    Ajuster un modèle à partir d’exemples choisis lorsqu’une tâche exige, à grande échelle, un format, une classification ou un vocabulaire spécialisé uniformes, et lorsque l’évaluation montre que cette méthode surpasse des approches plus simples.

  • Agents et accès aux outils

    Donner à l’IA un accès contrôlé aux systèmes dont elle a besoin pour chercher de l’information et effectuer des actions encadrées, avec des limites claires sur ce qu’elle peut faire sans intervention humaine.

  • Autorisations et autorité des sources

    Veiller à ce que l’IA ne voie que ce que la personne qui l’utilise a le droit de voir, et à ce que l’information sensible reste là où elle doit être.

  • Évaluation et boucles de rétroaction

    Constituer des jeux d’essai à partir de vraies questions et de vraies tâches, mesurer la qualité avant et après les changements, et consigner les corrections pour que le système s’améliore au fil du temps.

Une meilleure IA exige une meilleure information

Le modèle n’est qu’une couche du système.

Une IA fiable commence par une information structurée, des relations explicites, la provenance, les autorisations et une autorité des sources clairement établie. Sans ces éléments, même le meilleur modèle produit des réponses assurées, mais incohérentes.

Lire le guide
  1. 05Une IA digne de confiance

    Des réponses et des actions fondées sur ce qui est vrai pour l’organisation.

  2. 04Provenance et fraîcheur

    D’où vient une réponse, et si elle est toujours à jour.

  3. 03Autorisations

    Qui peut voir chaque élément d’information, et ce que l’IA peut voir en conséquence.

  4. 02Entités et relations

    Clients, produits, politiques et projets, et les liens qui les unissent.

  5. 01Sources

    Documents, systèmes et données, en sachant clairement quelle source fait autorité.

Champs d’application

Des points de départ courants.

  • Assistants internes d’accès aux connaissances

    Répondre aux questions du personnel à partir des politiques, des procédures et des travaux antérieurs, avec des citations et les bonnes autorisations.

  • Service à la clientèle et soutien

    Aider les équipes à répondre plus rapidement et de façon plus cohérente, en s’appuyant sur de l’information à jour concernant les produits, les services et les comptes.

  • Travail à forte composante documentaire

    Rédaction, révision, extraction et comparaison de contrats, de rapports, de soumissions et de correspondance.

  • Classification et acheminement

    Catégoriser de façon cohérente les demandes, les dossiers ou les enregistrements pour qu’ils parviennent à la bonne personne ou au bon processus.

  • Agents qui effectuent des actions encadrées

    Consulter des dossiers, préparer des mises à jour et déclencher des étapes dans les systèmes, l’approbation humaine étant requise pour ce qui compte.

  • Évaluation de l’IA existante

    Mettre à l’épreuve, à l’aide de vraies questions, un assistant ou un projet pilote existant, et corriger ce qui en compromet la fiabilité.

Conçu pour le Canada

Confidentialité, résidence et contrôle : des choix réfléchis.

Entraîner l’IA sur l’information d’une organisation soulève de vraies questions sur les renseignements personnels, l’accès, et l’endroit où les données sont stockées et traitées.

Nous vous aidons à déterminer quelle information devrait être utilisée, si elle doit l’être, comment les autorisations se répercutent sur l’IA et si une charge de travail exige une infrastructure hébergée au Canada ou sous contrôle canadien. Pour bien des charges de travail, ce n’est pas nécessaire. Pour d’autres, cela ne fait aucun doute.

IA souveraineIA responsable

Questions

FAQ sur l’entraînement de modèles d’IA

Que signifie entraîner l’IA sur notre organisation?

Cela signifie donner à un système d’IA un accès fiable aux connaissances, au contexte et aux règles de votre organisation. Dans la plupart des cas, cela passe par des connaissances structurées, la récupération d’information à partir de sources fiables, des consignes soignées, l’accès à des outils et l’évaluation. L’ajustement fin d’un modèle est une option parmi d’autres, utilisée lorsqu’elle est justifiée, et non par défaut.

Devons-nous faire l’ajustement fin d’un modèle?

Généralement pas au départ. Bien des cas d’usage organisationnels se prêtent mieux à la récupération d’information et aux connaissances structurées, parce que les faits changent et doivent être cités. L’ajustement fin est utile pour obtenir des formats constants, de la classification ou un vocabulaire spécialisé à grande échelle. Nous ne le recommandons que lorsque l’évaluation montre qu’il justifie son coût et son entretien.

Qu’est-ce que le RAG?

La génération augmentée par récupération (RAG) est une approche dans laquelle un système d’IA récupère l’information pertinente dans des sources approuvées avant de répondre, et s’en sert pour fonder sa réponse. Elle garde les réponses à jour et permet de citer l’origine de l’information.

Que sont les données d’entraînement de l’IA dans un contexte organisationnel?

Pour la plupart des organisations, les « données d’entraînement » désignent les documents, les dossiers, les exemples et les définitions choisis sur lesquels s’appuie un système d’IA, qu’ils soient récupérés au moment de l’exécution ou utilisés pour personnaliser un modèle. Leur qualité, leurs autorisations et leur provenance comptent davantage que leur volume.

Nos données peuvent-elles rester au Canada?

Souvent, oui. De nombreux modèles et plateformes peuvent être déployés dans des régions canadiennes ou sur une infrastructure sous contrôle canadien. Qu’une charge de travail exige ou non une résidence ou un contrôle canadiens dépend des données, des obligations et du risque. Nous vous aidons à trancher et à concevoir la solution en conséquence.

Avec quels modèles et quelles plateformes travaillez-vous?

Trained est une entreprise indépendante qui ne revend aucune plateforme en particulier. Nous recommandons des modèles et une infrastructure en fonction de la tâche, de la sensibilité des données, des exigences d’hébergement, du coût et de votre environnement technologique existant.

Que devrait savoir votre IA sur votre organisation?

Dites-nous pour quelles tâches vous souhaitez l’aide de l’IA et où se trouvent vos connaissances aujourd’hui. Nous vous aiderons à trouver l’approche la plus légère qui fonctionne.

Entraîner votre IA