IA générative et intégration de LLM

Nous réduisons le risque par couches successives. Le modèle répond à partir de passages de vos contenus et doit les citer. Des garde-fous vérifient que chaque affirmation est étayée par ces passages. Lorsque les sources ne contiennent pas la réponse, la fonctionnalité l’indique au lieu de deviner. Le jeu d’évaluation mesure la fréquence des réponses non étayées, et nous ne mettons en production qu’une fois ce taux conforme au seuil que vous avez fixé.

Pour répondre à partir de vos documents, la récupération est généralement le meilleur point de départ : elle garde les réponses à jour, montre les sources et respecte les droits d’accès. L’ajustement fin (fine-tuning) est utile lorsque vous avez besoin d’un format ou d’un style constant, d’un vocabulaire spécialisé ou d’un modèle plus petit et peu coûteux à exécuter. De nombreux systèmes combinent les deux. Nous testons les options sur votre jeu d’évaluation et recommandons la plus simple qui atteint le niveau exigé.

Pas si nous pouvons l’éviter, et nous concevons les systèmes pour l’empêcher. Nous utilisons des services de modèles pour entreprises dont les conditions excluent l’entraînement sur vos données, ou des modèles ouverts hébergés dans votre propre environnement. Les prompts et les documents ne sont envoyés qu’aux services que vous approuvez, les journaux sont conservés selon vos règles de conservation et les données personnelles sont masquées lorsque la tâche le permet.

Nous choisissons tâche par tâche, selon la qualité des réponses sur votre jeu d’évaluation, le coût par requête, la rapidité, les langues prises en charge et le lieu où le modèle est autorisé à s’exécuter. Les options comprennent les modèles OpenAI GPT, Anthropic Claude, Google Gemini, Meta Llama et Mistral, via des services tels qu’Azure OpenAI, Amazon Bedrock ou Vertex AI. Le modèle se trouve derrière une interface unique et peut donc être remplacé plus tard.

Le coût de développement dépend du nombre et de l’état de vos sources, des intégrations et des droits d’accès concernés, ainsi que du niveau d’exactitude exigé. Le coût d’exploitation dépend de l’usage, du modèle retenu, du volume de texte envoyé avec chaque requête et de la mise en cache. Nous chiffrons les deux et montrons comment un modèle plus petit ou une meilleure récupération peut réduire le coût d’exploitation.

Vos utilisateurs peuvent essayer tôt un prototype sur vos contenus, avant le développement complet. Ce qui prend plus de temps, c’est de connecter les sources avec les bons droits d’accès, de mener les revues de sécurité et de confidentialité, et d’atteindre la qualité convenue sur le jeu d’évaluation. Nous planifions ces étapes dès le départ et vous remettons un calendrier dès que les sources et la mission sont clarifiées.

Dès le premier commit, vous êtes titulaire de la propriété intellectuelle des travaux que nous réalisons pour vous : aucune cession n’est à prévoir en fin de projet. Cela inclut le code, les prompts, les jeux d’évaluation, les index de recherche et les poids de tout modèle ajusté produits pour vous. Les outils XSIS préexistants restent notre propriété et vous sont concédés sous licence. Les modèles commerciaux restent la propriété de leur éditeur et sont utilisés selon ses conditions, que nous vous listons. Vos documents et vos données restent les vôtres du début à la fin.

Uniquement avec votre accord. Nous vous indiquons les outils que nous utiliserions, la manière dont ils traitent le code et les données, et si quoi que ce soit quitte votre environnement. Si vous le préférez, nous travaillons sans eux. Le code écrit avec l’aide de l’IA suit la même relecture et les mêmes tests que tout autre code, et l’ingénieur qui le soumet en est responsable.