/ingénierie
L’intelligence artificielle n’est pas de la magie
Elle se construit brique par brique en associant des technologies issues des sciences mathématiques, informatiques, statistiques et des données.
/domaines
Huit domaines, une même équipe.
L’intelligence artificielle recouvre des techniques très différentes. Un modèle qui prévoit vos ventes n’a rien de commun avec un assistant qui répond à partir de vos documents, ni avec une caméra qui contrôle une ligne de production.
Les ingénieurs d’AI Studio pratiquent ces huit domaines au sein d’une même équipe. Un projet en assemble plusieurs : un assistant documentaire mobilise l’ingénierie des données, les modèles de langage et l’industrialisation.
- Science des données (Data Science) Explore, nettoie et analyse vos données pour en tirer les statistiques utiles et révéler les relations qu’elles contiennent. C’est la première étape de tout projet : elle dit ce que vos données permettent, et ce qu’il leur manque.
- Ingénierie des données Rassemble vos sources (logiciels métier, fichiers, documents, capteurs) dans un socle fiable, documenté et sécurisé. Les modèles s’appuient sur ce socle, et vos équipes y retrouvent une donnée à jour.
- Apprentissage automatique (Machine Learning) Apprend de vos données pour classer, prévoir, recommander ou optimiser : prévision des ventes, maintenance prédictive, détection d’anomalies, tarification… Ses modèles restent sobres, rapides et plus faciles à expliquer.
- Apprentissage profond (Deep Learning) Entraîne des réseaux de neurones à plusieurs couches là où les méthodes classiques atteignent leurs limites : images, sons, signaux, textes. Il demande davantage de données et de calcul, et se réserve aux problèmes qui le justifient.
- Langage et grands modèles de langage (NLP, LLM) Comprennent, résument, traduisent et rédigent à partir de vos documents, dans le cadre de vos règles d’accès. La génération augmentée par récupération (RAG) relie le modèle à vos sources et lui fait citer chacune de ses réponses.
- Agents Enchaînent les actions dans vos outils : chercher une information, vérifier un dossier, préparer un courrier, transmettre une demande. Vos équipes fixent ce que l’agent fait seul, et valident le reste avant exécution.
- Vision par ordinateur (Computer Vision) Reconnaît, mesure et classe ce que montrent les images, les documents numérisés et les vidéos : contrôle qualité, lecture de documents (OCR), détection de défauts, comptage…
- Industrialisation (MLOps) Met les modèles en production, surveille leur qualité et les fait évoluer à mesure que vos données changent. Nos ingénieurs s’appuient sur Igloo, notre plateforme MLOps interne. C’est la discipline qui fait durer une solution.
/familles
Trois familles de techniques qui s’emboîtent.
L’apprentissage profond est une forme d’apprentissage automatique, et l’IA générative une application de l’apprentissage profond. Chaque famille ouvre des usages nouveaux, et demande davantage de données et de calcul que la précédente.
Le bon choix dépend du problème et des données disponibles. Une prévision fiable tient souvent dans un modèle d’apprentissage automatique de quelques mégaoctets, qui tourne sur un serveur ordinaire.
- Apprentissage automatique Apprend des règles à partir d’exemples chiffrés : historiques de ventes, mesures, transactions. Il prévoit et classe avec peu de données et peu de calcul.
- Apprentissage profond Repose sur des réseaux de neurones à nombreuses couches. Il traite les images, les sons et les textes, au prix de volumes de données et de calcul plus importants.
- IA générative Des modèles d’apprentissage profond entraînés sur d’immenses corpus, qui produisent du texte, du code ou des images. Les grands modèles de langage en sont la forme la plus connue.
/indépendance
Aucune technologie imposée.
Pour chaque projet, nous comparons les solutions et retenons celles qui servent vos objectifs : un modèle ouvert ou commercial, une bibliothèque libre ou un service existant, une installation chez vous ou chez un hébergeur en France.
Les modèles changent plusieurs fois par an. Une solution faite de briques remplaçables change de modèle, d’hébergeur ou de bibliothèque sans être reconstruite.
- Des modèles comparés sur vos données, avant d’être retenus
- Des briques remplaçables pour suivre les évolutions sans tout refaire
- Un déploiement à votre main sur votre infrastructure ou chez un hébergeur en France
/méthode
Le problème d’abord, la technique ensuite.
Nous partons de votre problème, de vos données et de vos contraintes, puis nous retenons la solution la plus simple qui le résout dans la durée : parfois une règle bien écrite, parfois un réseau de neurones. Chaque solution est mesurée sur vos propres données, avant sa mise en service puis tout au long de sa vie.
- Partir du problème Nous décrivons avec vos équipes la décision ou la tâche à améliorer, et la façon de mesurer le progrès.
- Prototyper Un premier modèle, construit sur un échantillon de vos données, montre ce qui est possible avant tout investissement lourd.
- Mettre en production La solution rejoint vos logiciels et vos règles d’accès, et vos équipes s’en servent au quotidien.
- Faire durer Nous surveillons la qualité, réentraînons les modèles et les remplaçons quand de meilleurs apparaissent.
/à savoir
Les questions les plus fréquentes, en quelques lignes.
Le Diag Data IA, financé à 40 % par Bpifrance
Le MLOps
L’industrialisation des modèles (MLOps) réunit les pratiques qui mettent un modèle en production et l’y maintiennent : déploiement, surveillance de la qualité, réentraînement, suivi des versions. Sans elle, un modèle se dégrade à mesure que les données changent.
Machine Learning et Deep Learning
L’apprentissage profond est une branche de l’apprentissage automatique, fondée sur des réseaux de neurones à nombreuses couches. Il excelle sur les images, les sons et les textes ; l’apprentissage automatique classique reste plus sobre sur les données chiffrées.
Les trois types d’apprentissage
L’apprentissage supervisé apprend à partir d’exemples annotés, l’apprentissage non supervisé découvre des structures dans des données sans étiquettes, et l’apprentissage par renforcement apprend par essais et récompenses.
Un grand modèle de langage
Un grand modèle de langage (LLM) est une forme d’IA générative, entraînée sur d’immenses corpus de textes. L’intelligence artificielle recouvre bien d’autres techniques, de la prévision au contrôle visuel.
La génération augmentée par récupération
Le RAG fournit au modèle les passages utiles de vos documents au moment de répondre. Le modèle répond alors à partir de vos sources, et les cite.
L’ajustement de modèle
L’ajustement (fine-tuning) spécialise un modèle sur votre vocabulaire et vos tâches. Il se justifie quand des instructions précises et la recherche dans vos documents ne suffisent plus.
Les données nécessaires
Un modèle de langage relié à vos documents sert dès ses premiers jours. Un modèle de prévision demande un historique, souvent de plusieurs mois. Le diagnostic de vos données le dit avant tout engagement.
Une même équipe, de la donnée au modèle en service.
/dans cette rubrique
- AI Studio Nous construisons ce qui dure
/contact
Travaillons ensemble
Découvrez comment Inceptive peut vous aider à transformer votre activité et à résoudre des problématiques opérationnelles complexes grâce à l’intelligence artificielle.