Points clés
- « Entraîner l’IA » sur votre organisation ne signifie généralement pas bâtir un nouveau modèle. Il s’agit plutôt de donner à un système existant le bon contexte, les bonnes sources, les bons outils et les bonnes règles.
- Il existe une échelle d’approches, des instructions et de la récupération d’information jusqu’aux connaissances structurées, aux agents, à l’ajustement fin (fine-tuning) et, rarement, au préentraînement. Commencez par l’échelon le plus léger qui fonctionne.
- L’ajustement fin aide à obtenir un format, un style, une classification et une maîtrise du vocabulaire du domaine constants. C’est un mauvais moyen d’enseigner des faits qui changent.
- L’évaluation et les boucles de rétroaction ont leur place à chaque échelon. Sans elles, impossible de savoir si le système s’améliore ou se dégrade.
Lorsque des dirigeants disent vouloir « entraîner l’IA sur notre organisation », ils veulent généralement quelque chose de raisonnable : un système d’IA qui connaît leurs politiques, leurs produits, leurs clients, leur terminologie et leurs façons de travailler, et dont les réponses en tiennent compte. La confusion vient du mot « entraînement ». Pour un ingénieur, l’entraînement de modèles désigne souvent l’ajustement des paramètres internes d’un modèle à l’aide de grandes quantités de données. C’est une manière de façonner un système, et souvent pas la bonne.
Ce guide présente les options réalistes, de la plus légère à la plus lourde, et indique quand chacune en vaut la peine. L’idée centrale est simple :
Le but n’est pas qu’un modèle sache tout. C’est de donner au bon système un accès fiable à la bonne vérité organisationnelle.
L’échelle : de la plus légère à la plus lourde
Chaque échelon ajoute des capacités, mais aussi des coûts, de la complexité et de l’entretien. La plupart des systèmes d’IA organisationnels utiles combinent les trois ou quatre premiers échelons. Peu ont besoin du cinquième. Presque aucun n’a besoin du sixième.
| Approche | Ce qu’elle fait | Idéale pour |
|---|---|---|
| 1. Instructions et contexte | Indique au modèle qui il sert, quelles règles s’appliquent et à quoi ressemble un bon résultat | Ton, format, limites, comportement propre à un rôle |
| 2. Récupération d’information | Trouve les passages pertinents dans des sources fiables et les fournit avec chaque requête | Politiques, procédures, information sur les produits, tout ce qui change |
| 3. Connaissances structurées | Représente explicitement les entités et leurs relations | Questions qui touchent à la fois des clients, des contrats, des personnes, des produits et des systèmes |
| 4. Outils, actions et agents | Permet à l’IA d’interroger des systèmes et d’exécuter des actions définies, dans les limites des autorisations | Données en temps réel, tâches en plusieurs étapes, exécution de flux de travail |
| 5. Ajustement fin | Modifie le comportement d’un modèle à l’aide d’exemples soigneusement choisis | Format, style, classification et vocabulaire du domaine constants, à grande échelle |
| 6. Préentraînement | Construit un modèle de fondation à partir de très grands jeux de données | Rarement approprié pour une organisation individuelle |
1. Instructions, consignes système et contexte
Les consignes système sont un ensemble permanent d’instructions données à un modèle avant toute requête d’un utilisateur : son rôle, le public visé, les règles à suivre, le format à utiliser et la conduite à adopter en cas de doute. Combinées à des données contextuelles sur l’utilisateur et la tâche, elles constituent le moyen le plus rapide de façonner le comportement du système. Elles coûtent peu, se modifient en quelques minutes et devraient toujours être la première chose à bien régler.
2. Récupération d’information dans des sources fiables
La génération augmentée par récupération, généralement abrégée RAG, signifie que le système cherche, dans vos documents approuvés, les passages pertinents pour une question et les transmet au modèle avec la question. Le modèle répond à partir de ces passages, idéalement en citant ses sources. Comme rien n’est intégré au modèle lui-même, une politique mise à jour se reflète aussitôt dans les réponses. La récupération d’information est le cheval de bataille de l’IA organisationnelle, mais elle ne vaut que ce que valent les sources sur lesquelles elle s’appuie : des documents périmés, en double ou contradictoires produisent des réponses périmées et incohérentes.
3. Connaissances structurées
Bien des questions importantes portent sur des relations : quels contrats appartiennent à ce client, qui est responsable de ce processus, quels produits sont touchés par ce règlement. Les documents seuls s’y prêtent mal. Les connaissances structurées représentent ce qui compte pour votre organisation (des entités comme les clients, les produits, les emplacements et les personnes) ainsi que les liens qui les unissent. Cela peut aller d’un schéma bien tenu à un graphe de connaissances complet. L’IA dispose ainsi d’une carte fiable plutôt que d’une pile de pages. Notre guide sur une meilleure information organisationnelle explique cette couche plus en profondeur.
4. Outils, actions et agents
Certaines réponses se trouvent dans des systèmes, et non dans des documents : l’état d’une commande, le solde d’un budget, l’historique d’un billet. Donner à l’IA accès à des outils lui permet de consulter ces renseignements et, dans certains cas, d’agir, par exemple en rédigeant un dossier ou en acheminant une demande. Un agent est un système qui planifie et exécute plusieurs étapes de ce genre en vue d’un objectif. Les questions de conception cruciales portent sur les autorisations : ce que le système peut lire, ce qu’il peut modifier et à quel moment une personne doit donner son approbation avant que quoi que ce soit ne se produise.
5. Ajustement fin
L’ajustement fin consiste à poursuivre l’entraînement d’un modèle existant sur un ensemble d’exemples soigneusement choisis afin de modifier son comportement par défaut. Il se justifie lorsque vous avez besoin d’un format ou d’un style très constant sur un grand volume de travail, d’une classification fiable selon vos propres catégories, ou d’une aisance avec un vocabulaire spécialisé que les instructions seules ne permettent pas d’obtenir. Ce n’est pas un bon moyen d’injecter des faits qui changent souvent. Les faits appris par ajustement fin sont difficiles à mettre à jour, à citer et à vérifier. La récupération d’information s’en charge beaucoup mieux. Les systèmes d’IA n’ont pas tous besoin d’ajustement fin, et bon nombre n’en auront jamais besoin.
6. Préentraînement d’un modèle de fondation
Construire un modèle de fondation à partir de zéro exige d’énormes jeux de données, une expertise spécialisée et une puissance de calcul considérable. Pour une organisation individuelle, c’est rarement le bon choix. La question pratique est plutôt de savoir quel modèle existant, ouvert ou commercial, convient le mieux à la charge de travail, et comment le façonner à l’aide des échelons précédents.
L’évaluation et la rétroaction à chaque échelon
Quelle que soit la combinaison choisie, il vous faut un moyen de savoir si elle fonctionne. L’évaluation consiste à mettre le système à l’épreuve sur un ensemble de questions ou de tâches réalistes dont on connaît les bonnes réponses, et à vérifier les résultats avant et après chaque changement important. Parmi les évaluations utiles :
- L’exactitude par rapport aux sources fiables, en vérifiant notamment que les citations appuient réellement la réponse.
- Le comportement face aux questions que le système devrait refuser ou transmettre à un palier supérieur.
- La constance selon la formulation, les utilisateurs et les langues, y compris le français lorsque c’est pertinent.
- La détection de biais ou d’une qualité inégale d’un groupe à l’autre lorsque les résultats touchent des personnes.
Les boucles de rétroaction comblent l’écart entre les tests et l’usage réel. Lorsqu’un utilisateur signale une mauvaise réponse, quelqu’un devrait être chargé d’en retracer l’origine : la source était-elle erronée, la récupération d’information laissait-elle à désirer ou l’instruction manquait-elle de clarté? Chaque réponse appelle un correctif différent.
Préparer et organiser les données d’entraînement
Que vous mettiez en place la récupération d’information, des connaissances structurées ou un jeu de données pour l’ajustement fin, la qualité de vos données d’entraînement fixe le plafond. Concrètement, la préparation consiste à :
- Déterminer les sources faisant autorité pour chaque sujet, et retirer ou signaler celles qui ont été remplacées.
- Éliminer les doublons et résoudre les contradictions avant qu’ils n’atteignent le système.
- Ajouter des métadonnées : responsable, date d’entrée en vigueur, public visé, sensibilité et autorisations.
- Pour l’ajustement fin, rassembler des exemples représentatifs de bons résultats, révisés par des personnes qui connaissent le travail.
- Consigner quelles données ont été intégrées à quel système, et à quel moment.
Considérations relatives à la vie privée
L’utilisation de renseignements personnels dans des index de récupération, des jeux d’évaluation ou des jeux de données d’ajustement fin soulève des questions particulières. Les renseignements intégrés à un modèle ajusté sont difficiles à supprimer ou à corriger, ce qui importe lorsque des personnes ont des droits sur leurs données. Au Canada, la LPRPDE (Loi sur la protection des renseignements personnels et les documents électroniques) encadre, à l’échelle fédérale, le traitement des renseignements personnels dans le secteur privé, et l’Alberta, la Colombie-Britannique et le Québec ont leurs propres lois applicables au secteur privé. La finalité, le consentement, la conservation et l’accès demandent tous réflexion.
Une approche par défaut sensée consiste à réduire au minimum les renseignements personnels dans tout ce qui sert à façonner un modèle, à privilégier la récupération d’information assortie d’autorisations plutôt que l’intégration de données personnelles dans les poids du modèle, et à documenter votre raisonnement. Le Commissariat à la protection de la vie privée du Canada publie des lignes directrices pertinentes, et les exigences précises devraient être confirmées auprès de vos conseillers juridiques. Consultez notre approche en matière d’IA responsable pour voir comment nous intégrons ces considérations à la conception des systèmes.
Comment Trained peut vous aider
Chez Trained, le travail d’entraînement de modèles et de connaissancespart des tâches que vous voulez confier à l’IA, puis retient la combinaison la plus légère d’instructions, de récupération d’information, de connaissances structurées, d’outils, de personnalisation et d’évaluation qui permet de les accomplir de façon fiable. Nous recommandons l’ajustement fin lorsqu’il est justifié, et le disons lorsqu’il ne l’est pas. Si vous cherchez à faire comprendre votre organisation à l’IA, parlez-nous de votre projet.