![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/12\/Hasan-Zayour.jpg\")
Introduction<\/h2><\/div>Depuis son \u00e9mergence explosive au milieu de l'ann\u00e9e 2022, l'IA g\u00e9n\u00e9rative a rapidement attir\u00e9 l'attention du monde entier. Initialement centr\u00e9e sur la modalit\u00e9 du langage, elle s'est depuis \u00e9tendue \u00e0 de nouveaux domaines passionnants, notamment les mod\u00e8les d'images, d'audio et de vid\u00e9o. Au d\u00e9but de l'ann\u00e9e 2023, les sp\u00e9culations sur l'impact potentiel de la technologie sur les entreprises de divers secteurs se sont multipli\u00e9es, accompagn\u00e9es de cas d'adoption pr\u00e9coces passionnants. Au fur et \u00e0 mesure que les d\u00e9veloppeurs ont commenc\u00e9 \u00e0 \u00e9laborer des solutions avec ces mod\u00e8les, la perception g\u00e9n\u00e9rale a \u00e9volu\u00e9 vers l'\u00e9mergence continue de versions plus r\u00e9centes, plus grandes et, esp\u00e9rons-le, meilleures des mod\u00e8les les plus largement utilis\u00e9s.<\/p>\n<\/div>
\u00c0 l'aube de 2024, un constat s'impose : le d\u00e9ploiement de l'IA ne se r\u00e9sume pas \u00e0 l'adoption du dernier mod\u00e8le en date, le plus gros, disponible sur \u00e9tag\u00e8re. S'il est courant de penser que les solutions d'IA sont pr\u00eates \u00e0 l'emploi ou que l'augmentation de la taille du mod\u00e8le entra\u00eene automatiquement de meilleurs r\u00e9sultats, cette approche r\u00e9pond rarement aux besoins sp\u00e9cialis\u00e9s de la plupart des entreprises. En r\u00e9alit\u00e9, les applications r\u00e9ussies n\u00e9cessitent des solutions d'IA adapt\u00e9es, flexibles et efficaces.<\/p>\n<\/div>
Pour ce faire, nous nous tournons vers Syst\u00e8mes d'IA compos\u00e9s<\/strong>. Contrairement aux mod\u00e8les uniques et monolithiques, les syst\u00e8mes d'IA compos\u00e9s int\u00e8grent de multiples composants d'IA sp\u00e9cialis\u00e9s, chacun \u00e9tant optimis\u00e9 pour un r\u00f4le sp\u00e9cifique. Cette structure garantit un haut degr\u00e9 de personnalisation, d'adaptabilit\u00e9 et de pr\u00e9cision, transformant l'IA d'un outil g\u00e9n\u00e9ral en une solution sur mesure. En combinant des composants d'IA plus petits et interconnect\u00e9s, les entreprises peuvent obtenir des performances et des r\u00e9sultats qui d\u00e9passent de loin la port\u00e9e des seuls mod\u00e8les disponibles sur \u00e9tag\u00e8re. Par cons\u00e9quent, pour un impact commercial optimal dans tous les secteurs, nous soutenons qu'une vision strat\u00e9gique devrait donner la priorit\u00e9 \u00e0 des conceptions de syst\u00e8mes plus intelligents plut\u00f4t qu'\u00e0 la simple construction de mod\u00e8les plus grands et plus exigeants en termes de calcul.<\/p>\n<\/div>Comprendre les syst\u00e8mes d'IA compos\u00e9s<\/h2><\/div>Le laboratoire de recherche en intelligence artificielle de Berkeley (BAIR) d\u00e9finit un syst\u00e8me d'IA compos\u00e9 comme un syst\u00e8me \u201cqui s'attaque \u00e0 des t\u00e2ches d'intelligence artificielle en utilisant plusieurs composants en interaction, y compris des appels multiples \u00e0 des mod\u00e8les, des extracteurs ou des outils externes\u201d.\u201d<\/a>. Par exemple, Syst\u00e8me RAG (Retrieval Augmented Generation)<\/a> est un syst\u00e8me compos\u00e9 qui combine un grand mod\u00e8le de langage (LLM), un m\u00e9canisme de recherche d'informations et une base data vectoris\u00e9e. En revanche, un mod\u00e8le d'IA g\u00e9n\u00e9ratif est un mod\u00e8le statistique<\/a>; par exemple, un LLM pr\u00e9dit le prochain mot dans un texte sur la base de l'apprentissage data.<\/p>\n<\/div>Dans ce contexte, un mod\u00e8le peut \u00eatre consid\u00e9r\u00e9 comme un bloc unique, tandis qu'un syst\u00e8me d'IA compos\u00e9 s'apparente davantage \u00e0 une machine compos\u00e9e de plusieurs blocs, chacun remplissant une fonction sp\u00e9cifique pour atteindre l'objectif global du syst\u00e8me.<\/p>\n<\/div>
![\"Compound](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/12\/Compound-AI-Systems-article-image-1.png\" "\\"Syst\u00e8mes")
<\/span><\/div>Mod\u00e8les et syst\u00e8mes compos\u00e9s d'IA. Source<\/a><\/em><\/p>\n<\/div>En quoi ces syst\u00e8mes sont-ils utiles ?<\/h2><\/div>Sp\u00e9cialisation : Un gros marteau n'est pas l'outil id\u00e9al pour tout faire<\/strong><\/h3><\/div>Lorsqu'il s'agit de r\u00e9pondre \u00e0 des applications sp\u00e9cifiques ou \u00e0 des besoins industriels, il peut s'av\u00e9rer insuffisant de s'appuyer sur un mod\u00e8le d'IA polyvalent tel que le GPT-4. Bien que puissants, ces mod\u00e8les sont con\u00e7us pour traiter un large \u00e9ventail de t\u00e2ches et peuvent ne pas disposer des connaissances sp\u00e9cialis\u00e9es requises pour des applications particuli\u00e8res, ce qui conduit \u00e0 des rendements d\u00e9croissants au-del\u00e0 d'un certain point.<\/p>\n<\/div>
Par exemple, une institution financi\u00e8re cherchant \u00e0 d\u00e9velopper un chatbot pour l'analyse des investissements ou la gestion de patrimoine a besoin d'un syst\u00e8me qui int\u00e8gre \u00e0 la fois des connaissances sp\u00e9cialis\u00e9es et une expertise propre \u00e0 l'entreprise. Compte tenu de la nature du secteur, il y aurait des pr\u00e9occupations concernant la confidentialit\u00e9 (l'entreprise pourrait exiger des solutions sur site et l'utilisation exclusive de mod\u00e8les ouverts), la pr\u00e9cision (les solutions doivent \u00eatre d'une pr\u00e9cision irr\u00e9prochable) et l'efficacit\u00e9. L'utilisation de mod\u00e8les linguistiques, m\u00eame les plus puissants, en tant que solution autonome ne serait certainement pas le meilleur choix. Au contraire, un syst\u00e8me d'IA compos\u00e9 pourrait \u00eatre tr\u00e8s efficace en int\u00e9grant de multiples composants sp\u00e9cialis\u00e9s, tels que des syst\u00e8mes de g\u00e9n\u00e9ration assist\u00e9e par r\u00e9cup\u00e9ration (RAG) et des agents d'IA sur mesure. Cette approche garantit que chaque partie du syst\u00e8me est optimis\u00e9e pour son r\u00f4le sp\u00e9cifique.<\/p>\n<\/div>
Flexibilit\u00e9 : Les syst\u00e8mes modulaires s'adaptent facilement \u00e0 l'\u00e9volution des besoins<\/strong><\/h3><\/div>Lorsqu'un syst\u00e8me est construit \u00e0 partir de composants modulaires, le remplacement ou la mise \u00e0 niveau des pi\u00e8ces individuelles devient beaucoup plus simple. Le m\u00eame principe s'applique aux syst\u00e8mes d'IA compos\u00e9s, qui sont construits \u00e0 partir de plusieurs blocs. Si un composant d'une solution d'IA compos\u00e9e devient obsol\u00e8te ou ne r\u00e9pond plus aux nouvelles exigences de conformit\u00e9, il peut \u00eatre remplac\u00e9 sans qu'il soit n\u00e9cessaire de proc\u00e9der \u00e0 une r\u00e9vision compl\u00e8te de l'ensemble du syst\u00e8me. Par exemple, si un nouveau mod\u00e8le plus adapt\u00e9 est disponible, il peut \u00eatre int\u00e9gr\u00e9 au syst\u00e8me pour remplacer l'ancienne version. De m\u00eame, si un m\u00e9canisme de recherche d'informations plus efficace est mis au point, il peut \u00eatre remplac\u00e9 sans perturber l'ensemble du syst\u00e8me. Cette flexibilit\u00e9 s'\u00e9tend au-del\u00e0 des mod\u00e8les et des syst\u00e8mes de recherche \u00e0 d'autres composants, tels que les unit\u00e9s de traitement data, les moteurs d'analyse ou les modules de conformit\u00e9.<\/p>\n<\/div>
\u00c9volutivit\u00e9 : Des essaims de composants intelligents plus performants qu'un seul g\u00e9ant<\/strong><\/h3><\/div>La nature modulaire des syst\u00e8mes d'IA compos\u00e9s offre des avantages significatifs en termes d'\u00e9volutivit\u00e9. En permettant aux composants individuels d'\u00eatre mis \u00e0 l'\u00e9chelle de mani\u00e8re ind\u00e9pendante, ces syst\u00e8mes peuvent g\u00e9rer efficacement des volumes data croissants et une complexit\u00e9 croissante sans n\u00e9cessiter une r\u00e9vision compl\u00e8te.<\/p>\n<\/div>
Un syst\u00e8me peut \u00eatre mis \u00e0 l'\u00e9chelle en le r\u00e9pliquant dans un r\u00e9seau de syst\u00e8mes, ce qui permet th\u00e9oriquement une mise \u00e0 l'\u00e9chelle infinie. C'est pourquoi un mod\u00e8le linguistique unique, quelle que soit sa taille ou sa puissance (\u00e0 l'heure actuelle), ne peut pas rechercher efficacement un \u00e9l\u00e9ment d'information sp\u00e9cifique dans une tr\u00e8s grande database. Pour augmenter les capacit\u00e9s de recherche d'un mod\u00e8le, vous devrez in\u00e9vitablement cr\u00e9er un syst\u00e8me \u00e0 plusieurs composants pour am\u00e9liorer la fonction de recherche. Si m\u00eame les t\u00e2ches les plus simples, comme la recherche d'informations, ne peuvent pas \u00eatre mises \u00e0 l'\u00e9chelle efficacement par un seul mod\u00e8le, il devient \u00e9vident que les composants individuels, seuls, ne peuvent pas prendre en charge des applications complexes \u00e0 grande \u00e9chelle.<\/p>\n<\/div>
Pourquoi les syst\u00e8mes d'intelligence artificielle compos\u00e9s ont-ils un sens pour les entreprises ?<\/h2><\/div>D'un point de vue commercial, l'adoption de syst\u00e8mes d'IA compos\u00e9s va au-del\u00e0 de la sophistication technique - elle offre des avantages strat\u00e9giques qui s'alignent directement sur les objectifs de l'entreprise. On pourrait m\u00eame affirmer que si une entreprise souhaite tirer parti de l'IA g\u00e9n\u00e9rative, elle n'a pas d'autre choix que de construire (ou d'acheter) un syst\u00e8me compos\u00e9. Bien que cela puisse sembler simple, cela remet en question l'hypoth\u00e8se commune des entreprises selon laquelle les mod\u00e8les autonomes et pr\u00eats \u00e0 l'emploi suffisent \u00e0 r\u00e9pondre aux demandes sp\u00e9cialis\u00e9es.<\/p>\n<\/div>
Am\u00e9lioration de la satisfaction des clients<\/strong><\/h3><\/div>Les mod\u00e8les d'IA les plus avanc\u00e9s ne peuvent pas, \u00e0 eux seuls, cr\u00e9er une exp\u00e9rience personnalis\u00e9e. Celle-ci ne peut \u00eatre obtenue qu'au moyen d'un syst\u00e8me compos\u00e9 qui permet de fournir des exp\u00e9riences client hautement adapt\u00e9es et pertinentes sur le plan contextuel. Par exemple, la solution Voix neuronale personnalis\u00e9e<\/a> associe des LLM g\u00e9n\u00e9raux \u00e0 une formation vocale personnalis\u00e9e, ce qui permet aux marques de cr\u00e9er des assistants num\u00e9riques qui s'alignent pr\u00e9cis\u00e9ment sur leur ton et leur style uniques. Ce niveau de personnalisation est particuli\u00e8rement puissant dans les secteurs en contact avec la client\u00e8le, tels que la publicit\u00e9, o\u00f9 les clients r\u00e9agissent positivement lorsqu'ils se sentent sp\u00e9ciaux et compris. D'un point de vue commercial, la combinaison de cette technologie avec la possibilit\u00e9 d'ajouter un contexte permet d'obtenir des r\u00e9sultats personnalis\u00e9s, ce qui, en fin de compte, am\u00e9liore la satisfaction des clients.<\/p>\n<\/div>Efficacit\u00e9 des co\u00fbts <\/strong><\/h3><\/div>Contrairement aux mod\u00e8les individuels qui fournissent un niveau de qualit\u00e9 fixe \u00e0 un co\u00fbt fixe, l'IA compos\u00e9e offre des configurations flexibles en termes de co\u00fbt et de qualit\u00e9. Par exemple, les entreprises peuvent int\u00e9grer un mod\u00e8le plus petit, adapt\u00e9 aux instructions, avec des composants sp\u00e9cialis\u00e9s, tels que des heuristiques de recherche, afin d'obtenir des r\u00e9sultats de haute qualit\u00e9 \u00e0 un co\u00fbt inf\u00e9rieur \u00e0 celui des mod\u00e8les plus grands et autonomes. Cette flexibilit\u00e9 permet d'utiliser des mod\u00e8les plus petits, potentiellement open-source, qui, avec une ing\u00e9nierie cibl\u00e9e, peuvent fournir des r\u00e9sultats comparables \u00e0 des solutions plus co\u00fbteuses.<\/p>\n<\/div>
Un meilleur contr\u00f4le et une plus grande confiance<\/strong><\/h3><\/div>Pour les entreprises, il est essentiel que les r\u00e9sultats de l'IA soient fiables et dignes de confiance. En s'appuyant uniquement sur des mod\u00e8les individuels, il peut \u00eatre difficile d'obtenir des r\u00e9sultats toujours factuels et bien format\u00e9s. Par exemple, un ancien client du secteur de l'\u00e9ducation m'a demand\u00e9 une solution pour remplir automatiquement les demandes d'inscription en fonction de l'\u00e9cole data et des informations qui s'y rapportent. Au d\u00e9part, j'ai pass\u00e9 des mois \u00e0 mettre au point un syst\u00e8me s\u00e9quentiel bas\u00e9 sur une ing\u00e9nierie avanc\u00e9e des requ\u00eates, sans utiliser d'approche compos\u00e9e. Les r\u00e9sultats se sont am\u00e9lior\u00e9s, mais ils n'ont jamais \u00e9t\u00e9 assez proches de ce que nous pouvions pr\u00e9senter comme des candidatures compl\u00e8tes. Ce n'est qu'avec l'introduction du concept de RAG que des r\u00e9sultats enti\u00e8rement contr\u00f4l\u00e9s ont commenc\u00e9 \u00e0 appara\u00eetre. Cependant, m\u00eame le RAG seul n'\u00e9tait pas suffisant ; des composants suppl\u00e9mentaires \u00e9taient n\u00e9cessaires pour cat\u00e9goriser les informations, maintenir la coh\u00e9rence du contexte et g\u00e9rer d'autres nuances. Ce n'est qu'ensuite que nous avons obtenu la fiabilit\u00e9 et la pr\u00e9cision dont le client avait besoin.<\/p>\n<\/div>
Pour conclure<\/h2><\/div>L'examen du paysage actuel de l'IA dans les applications industrielles r\u00e9v\u00e8le une tendance claire : s'appuyer sur un mod\u00e8le unique pour ex\u00e9cuter des fonctions complexes s'av\u00e8re souvent peu fiable. \u00c0 mesure que les cas d'utilisation deviennent plus complexes et que l'adoption par les entreprises augmente, la demande de solutions d'IA hautement sp\u00e9cialis\u00e9es et performantes est appel\u00e9e \u00e0 cro\u00eetre. Pour r\u00e9pondre \u00e0 cette demande, il faut orchestrer une architecture de solution qui int\u00e8gre des mod\u00e8les am\u00e9lior\u00e9s et sp\u00e9cialis\u00e9s, en \u00e9vitant le pi\u00e8ge d'un champ d'application \u00e9troit et unilat\u00e9ral.<\/p>\n<\/div>
La communaut\u00e9 des d\u00e9veloppeurs est en \u00e9bullition avec des applications passionnantes couvrant des domaines allant de la m\u00e9decine \u00e0 la vente au d\u00e9tail, toutes construites en assemblant des composants sp\u00e9cialis\u00e9s plus petits dans des solutions puissantes et personnalis\u00e9es.<\/p>\n<\/div>
M\u00eame l'IA, \u00e0 elle seule, n'est pas assez intelligente pour atteindre les objectifs strat\u00e9giques de l'entreprise. Elle doit \u00eatre compl\u00e9t\u00e9e par une forme sup\u00e9rieure d'intelligence orchestr\u00e9e.<\/p>\n<\/div>
Annexe<\/h2><\/div>Exemples de syst\u00e8mes d'IA compos\u00e9s<\/strong><\/h3><\/div>Vous trouverez ci-dessous une collection de syst\u00e8mes d'IA compos\u00e9s, int\u00e9ressants et percutants, qui mettent en \u00e9vidence l'utilit\u00e9 de ce concept. Quelle que soit l'infrastructure utilis\u00e9e par les d\u00e9veloppeurs, l'objectif est d'observer comment la combinaison de plusieurs composants d'IA avec d'autres outils peut permettre d'atteindre un objectif tr\u00e8s sp\u00e9cifique.<\/p>\n<\/div>
G\u00e9n\u00e9ration am\u00e9lior\u00e9e par r\u00e9cup\u00e9ration (RAG)<\/span><\/a><\/h4><\/div>RAG am\u00e9liore le r\u00e9sultat d'un LLM en fournissant un contexte sp\u00e9cifique obtenu \u00e0 partir d'une base data vectoris\u00e9e qui se trouve en dehors de la data d'apprentissage originale du mod\u00e8le. Alors que les LLM sont form\u00e9s sur de vastes ensembles data et exploitent des milliards de param\u00e8tres pour g\u00e9n\u00e9rer des r\u00e9ponses, le RAG va encore plus loin. Il permet au LLM d'acc\u00e9der \u00e0 des informations sp\u00e9cifiques et actualis\u00e9es et de s'y r\u00e9f\u00e9rer, qu'elles soient sp\u00e9cifiques \u00e0 un domaine ou issues de la base de connaissances interne d'une organisation. Ce processus am\u00e9liore consid\u00e9rablement la pertinence, la pr\u00e9cision et l'utilit\u00e9 du contenu g\u00e9n\u00e9r\u00e9, sans qu'il soit n\u00e9cessaire de r\u00e9entra\u00eener le mod\u00e8le.<\/p>\n<\/div>
Les entreprises disposant de vastes ensembles de data qui ont besoin d'une m\u00e9thode efficace pour organiser les connaissances internes peuvent d\u00e9ployer cette solution sur site, en utilisant le mod\u00e8le de leur choix, pour r\u00e9cup\u00e9rer des \u00e9l\u00e9ments d'information pr\u00e9cis. Par exemple, les analystes financiers peuvent rapidement localiser les data pertinentes dans les reports historiques sans avoir \u00e0 passer manuellement au crible chacune d'entre elles. Le mod\u00e8le, enrichi de ces informations contextuelles, g\u00e9n\u00e8re \u00e9galement des r\u00e9ponses plus pr\u00e9cises et plus utiles, rationalisant ainsi l'ensemble du processus de recherche d'informations.<\/p>\n<\/div>
L'architecture type d'un RAG est d\u00e9crite ci-dessous :<\/p>\n<\/div>
![\"Article:](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/12\/Compound-AI-Systems-article-image-2.png\" "\\"Article")
<\/span><\/div>Architecture g\u00e9n\u00e9rale du RAG<\/em><\/p>\n<\/div>Vous trouverez ci-dessous un tableau des syst\u00e8mes AI compos\u00e9s les plus courants (source<\/a>):<\/p>\n<\/div>![\"Article:](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/12\/Compound-AI-Systems-article-image-3.png\" "\\"Article")
<\/span><\/div>Autres lectures sur d'autres syst\u00e8mes d'IA compos\u00e9s int\u00e9ressants<\/strong><\/h3><\/div>
Depuis son \u00e9mergence explosive au milieu de l'ann\u00e9e 2022, l'IA g\u00e9n\u00e9rative a rapidement attir\u00e9 l'attention du monde entier. Initialement centr\u00e9e sur la modalit\u00e9 du langage, elle s'est depuis \u00e9tendue \u00e0 de nouveaux domaines passionnants, notamment les mod\u00e8les d'images, d'audio et de vid\u00e9o. Au d\u00e9but de l'ann\u00e9e 2023, les sp\u00e9culations sur l'impact potentiel de la technologie sur les entreprises de divers secteurs se sont multipli\u00e9es, accompagn\u00e9es de cas d'adoption pr\u00e9coces passionnants. Au fur et \u00e0 mesure que les d\u00e9veloppeurs ont commenc\u00e9 \u00e0 \u00e9laborer des solutions avec ces mod\u00e8les, la perception g\u00e9n\u00e9rale a \u00e9volu\u00e9 vers l'\u00e9mergence continue de versions plus r\u00e9centes, plus grandes et, esp\u00e9rons-le, meilleures des mod\u00e8les les plus largement utilis\u00e9s.<\/p>\n<\/div>
\u00c0 l'aube de 2024, un constat s'impose : le d\u00e9ploiement de l'IA ne se r\u00e9sume pas \u00e0 l'adoption du dernier mod\u00e8le en date, le plus gros, disponible sur \u00e9tag\u00e8re. S'il est courant de penser que les solutions d'IA sont pr\u00eates \u00e0 l'emploi ou que l'augmentation de la taille du mod\u00e8le entra\u00eene automatiquement de meilleurs r\u00e9sultats, cette approche r\u00e9pond rarement aux besoins sp\u00e9cialis\u00e9s de la plupart des entreprises. En r\u00e9alit\u00e9, les applications r\u00e9ussies n\u00e9cessitent des solutions d'IA adapt\u00e9es, flexibles et efficaces.<\/p>\n<\/div>
Pour ce faire, nous nous tournons vers Syst\u00e8mes d'IA compos\u00e9s<\/strong>. Contrairement aux mod\u00e8les uniques et monolithiques, les syst\u00e8mes d'IA compos\u00e9s int\u00e8grent de multiples composants d'IA sp\u00e9cialis\u00e9s, chacun \u00e9tant optimis\u00e9 pour un r\u00f4le sp\u00e9cifique. Cette structure garantit un haut degr\u00e9 de personnalisation, d'adaptabilit\u00e9 et de pr\u00e9cision, transformant l'IA d'un outil g\u00e9n\u00e9ral en une solution sur mesure. En combinant des composants d'IA plus petits et interconnect\u00e9s, les entreprises peuvent obtenir des performances et des r\u00e9sultats qui d\u00e9passent de loin la port\u00e9e des seuls mod\u00e8les disponibles sur \u00e9tag\u00e8re. Par cons\u00e9quent, pour un impact commercial optimal dans tous les secteurs, nous soutenons qu'une vision strat\u00e9gique devrait donner la priorit\u00e9 \u00e0 des conceptions de syst\u00e8mes plus intelligents plut\u00f4t qu'\u00e0 la simple construction de mod\u00e8les plus grands et plus exigeants en termes de calcul.<\/p>\n<\/div> Le laboratoire de recherche en intelligence artificielle de Berkeley (BAIR) d\u00e9finit un syst\u00e8me d'IA compos\u00e9 comme un syst\u00e8me \u201cqui s'attaque \u00e0 des t\u00e2ches d'intelligence artificielle en utilisant plusieurs composants en interaction, y compris des appels multiples \u00e0 des mod\u00e8les, des extracteurs ou des outils externes\u201d.\u201d<\/a>. Par exemple, Syst\u00e8me RAG (Retrieval Augmented Generation)<\/a> est un syst\u00e8me compos\u00e9 qui combine un grand mod\u00e8le de langage (LLM), un m\u00e9canisme de recherche d'informations et une base data vectoris\u00e9e. En revanche, un mod\u00e8le d'IA g\u00e9n\u00e9ratif est un mod\u00e8le statistique<\/a>; par exemple, un LLM pr\u00e9dit le prochain mot dans un texte sur la base de l'apprentissage data.<\/p>\n<\/div> Dans ce contexte, un mod\u00e8le peut \u00eatre consid\u00e9r\u00e9 comme un bloc unique, tandis qu'un syst\u00e8me d'IA compos\u00e9 s'apparente davantage \u00e0 une machine compos\u00e9e de plusieurs blocs, chacun remplissant une fonction sp\u00e9cifique pour atteindre l'objectif global du syst\u00e8me.<\/p>\n<\/div> Mod\u00e8les et syst\u00e8mes compos\u00e9s d'IA. Source<\/a><\/em><\/p>\n<\/div> Lorsqu'il s'agit de r\u00e9pondre \u00e0 des applications sp\u00e9cifiques ou \u00e0 des besoins industriels, il peut s'av\u00e9rer insuffisant de s'appuyer sur un mod\u00e8le d'IA polyvalent tel que le GPT-4. Bien que puissants, ces mod\u00e8les sont con\u00e7us pour traiter un large \u00e9ventail de t\u00e2ches et peuvent ne pas disposer des connaissances sp\u00e9cialis\u00e9es requises pour des applications particuli\u00e8res, ce qui conduit \u00e0 des rendements d\u00e9croissants au-del\u00e0 d'un certain point.<\/p>\n<\/div> Par exemple, une institution financi\u00e8re cherchant \u00e0 d\u00e9velopper un chatbot pour l'analyse des investissements ou la gestion de patrimoine a besoin d'un syst\u00e8me qui int\u00e8gre \u00e0 la fois des connaissances sp\u00e9cialis\u00e9es et une expertise propre \u00e0 l'entreprise. Compte tenu de la nature du secteur, il y aurait des pr\u00e9occupations concernant la confidentialit\u00e9 (l'entreprise pourrait exiger des solutions sur site et l'utilisation exclusive de mod\u00e8les ouverts), la pr\u00e9cision (les solutions doivent \u00eatre d'une pr\u00e9cision irr\u00e9prochable) et l'efficacit\u00e9. L'utilisation de mod\u00e8les linguistiques, m\u00eame les plus puissants, en tant que solution autonome ne serait certainement pas le meilleur choix. Au contraire, un syst\u00e8me d'IA compos\u00e9 pourrait \u00eatre tr\u00e8s efficace en int\u00e9grant de multiples composants sp\u00e9cialis\u00e9s, tels que des syst\u00e8mes de g\u00e9n\u00e9ration assist\u00e9e par r\u00e9cup\u00e9ration (RAG) et des agents d'IA sur mesure. Cette approche garantit que chaque partie du syst\u00e8me est optimis\u00e9e pour son r\u00f4le sp\u00e9cifique.<\/p>\n<\/div> Lorsqu'un syst\u00e8me est construit \u00e0 partir de composants modulaires, le remplacement ou la mise \u00e0 niveau des pi\u00e8ces individuelles devient beaucoup plus simple. Le m\u00eame principe s'applique aux syst\u00e8mes d'IA compos\u00e9s, qui sont construits \u00e0 partir de plusieurs blocs. Si un composant d'une solution d'IA compos\u00e9e devient obsol\u00e8te ou ne r\u00e9pond plus aux nouvelles exigences de conformit\u00e9, il peut \u00eatre remplac\u00e9 sans qu'il soit n\u00e9cessaire de proc\u00e9der \u00e0 une r\u00e9vision compl\u00e8te de l'ensemble du syst\u00e8me. Par exemple, si un nouveau mod\u00e8le plus adapt\u00e9 est disponible, il peut \u00eatre int\u00e9gr\u00e9 au syst\u00e8me pour remplacer l'ancienne version. De m\u00eame, si un m\u00e9canisme de recherche d'informations plus efficace est mis au point, il peut \u00eatre remplac\u00e9 sans perturber l'ensemble du syst\u00e8me. Cette flexibilit\u00e9 s'\u00e9tend au-del\u00e0 des mod\u00e8les et des syst\u00e8mes de recherche \u00e0 d'autres composants, tels que les unit\u00e9s de traitement data, les moteurs d'analyse ou les modules de conformit\u00e9.<\/p>\n<\/div> La nature modulaire des syst\u00e8mes d'IA compos\u00e9s offre des avantages significatifs en termes d'\u00e9volutivit\u00e9. En permettant aux composants individuels d'\u00eatre mis \u00e0 l'\u00e9chelle de mani\u00e8re ind\u00e9pendante, ces syst\u00e8mes peuvent g\u00e9rer efficacement des volumes data croissants et une complexit\u00e9 croissante sans n\u00e9cessiter une r\u00e9vision compl\u00e8te.<\/p>\n<\/div> Un syst\u00e8me peut \u00eatre mis \u00e0 l'\u00e9chelle en le r\u00e9pliquant dans un r\u00e9seau de syst\u00e8mes, ce qui permet th\u00e9oriquement une mise \u00e0 l'\u00e9chelle infinie. C'est pourquoi un mod\u00e8le linguistique unique, quelle que soit sa taille ou sa puissance (\u00e0 l'heure actuelle), ne peut pas rechercher efficacement un \u00e9l\u00e9ment d'information sp\u00e9cifique dans une tr\u00e8s grande database. Pour augmenter les capacit\u00e9s de recherche d'un mod\u00e8le, vous devrez in\u00e9vitablement cr\u00e9er un syst\u00e8me \u00e0 plusieurs composants pour am\u00e9liorer la fonction de recherche. Si m\u00eame les t\u00e2ches les plus simples, comme la recherche d'informations, ne peuvent pas \u00eatre mises \u00e0 l'\u00e9chelle efficacement par un seul mod\u00e8le, il devient \u00e9vident que les composants individuels, seuls, ne peuvent pas prendre en charge des applications complexes \u00e0 grande \u00e9chelle.<\/p>\n<\/div> D'un point de vue commercial, l'adoption de syst\u00e8mes d'IA compos\u00e9s va au-del\u00e0 de la sophistication technique - elle offre des avantages strat\u00e9giques qui s'alignent directement sur les objectifs de l'entreprise. On pourrait m\u00eame affirmer que si une entreprise souhaite tirer parti de l'IA g\u00e9n\u00e9rative, elle n'a pas d'autre choix que de construire (ou d'acheter) un syst\u00e8me compos\u00e9. Bien que cela puisse sembler simple, cela remet en question l'hypoth\u00e8se commune des entreprises selon laquelle les mod\u00e8les autonomes et pr\u00eats \u00e0 l'emploi suffisent \u00e0 r\u00e9pondre aux demandes sp\u00e9cialis\u00e9es.<\/p>\n<\/div> Les mod\u00e8les d'IA les plus avanc\u00e9s ne peuvent pas, \u00e0 eux seuls, cr\u00e9er une exp\u00e9rience personnalis\u00e9e. Celle-ci ne peut \u00eatre obtenue qu'au moyen d'un syst\u00e8me compos\u00e9 qui permet de fournir des exp\u00e9riences client hautement adapt\u00e9es et pertinentes sur le plan contextuel. Par exemple, la solution Voix neuronale personnalis\u00e9e<\/a> associe des LLM g\u00e9n\u00e9raux \u00e0 une formation vocale personnalis\u00e9e, ce qui permet aux marques de cr\u00e9er des assistants num\u00e9riques qui s'alignent pr\u00e9cis\u00e9ment sur leur ton et leur style uniques. Ce niveau de personnalisation est particuli\u00e8rement puissant dans les secteurs en contact avec la client\u00e8le, tels que la publicit\u00e9, o\u00f9 les clients r\u00e9agissent positivement lorsqu'ils se sentent sp\u00e9ciaux et compris. D'un point de vue commercial, la combinaison de cette technologie avec la possibilit\u00e9 d'ajouter un contexte permet d'obtenir des r\u00e9sultats personnalis\u00e9s, ce qui, en fin de compte, am\u00e9liore la satisfaction des clients.<\/p>\n<\/div> Contrairement aux mod\u00e8les individuels qui fournissent un niveau de qualit\u00e9 fixe \u00e0 un co\u00fbt fixe, l'IA compos\u00e9e offre des configurations flexibles en termes de co\u00fbt et de qualit\u00e9. Par exemple, les entreprises peuvent int\u00e9grer un mod\u00e8le plus petit, adapt\u00e9 aux instructions, avec des composants sp\u00e9cialis\u00e9s, tels que des heuristiques de recherche, afin d'obtenir des r\u00e9sultats de haute qualit\u00e9 \u00e0 un co\u00fbt inf\u00e9rieur \u00e0 celui des mod\u00e8les plus grands et autonomes. Cette flexibilit\u00e9 permet d'utiliser des mod\u00e8les plus petits, potentiellement open-source, qui, avec une ing\u00e9nierie cibl\u00e9e, peuvent fournir des r\u00e9sultats comparables \u00e0 des solutions plus co\u00fbteuses.<\/p>\n<\/div> Pour les entreprises, il est essentiel que les r\u00e9sultats de l'IA soient fiables et dignes de confiance. En s'appuyant uniquement sur des mod\u00e8les individuels, il peut \u00eatre difficile d'obtenir des r\u00e9sultats toujours factuels et bien format\u00e9s. Par exemple, un ancien client du secteur de l'\u00e9ducation m'a demand\u00e9 une solution pour remplir automatiquement les demandes d'inscription en fonction de l'\u00e9cole data et des informations qui s'y rapportent. Au d\u00e9part, j'ai pass\u00e9 des mois \u00e0 mettre au point un syst\u00e8me s\u00e9quentiel bas\u00e9 sur une ing\u00e9nierie avanc\u00e9e des requ\u00eates, sans utiliser d'approche compos\u00e9e. Les r\u00e9sultats se sont am\u00e9lior\u00e9s, mais ils n'ont jamais \u00e9t\u00e9 assez proches de ce que nous pouvions pr\u00e9senter comme des candidatures compl\u00e8tes. Ce n'est qu'avec l'introduction du concept de RAG que des r\u00e9sultats enti\u00e8rement contr\u00f4l\u00e9s ont commenc\u00e9 \u00e0 appara\u00eetre. Cependant, m\u00eame le RAG seul n'\u00e9tait pas suffisant ; des composants suppl\u00e9mentaires \u00e9taient n\u00e9cessaires pour cat\u00e9goriser les informations, maintenir la coh\u00e9rence du contexte et g\u00e9rer d'autres nuances. Ce n'est qu'ensuite que nous avons obtenu la fiabilit\u00e9 et la pr\u00e9cision dont le client avait besoin.<\/p>\n<\/div> L'examen du paysage actuel de l'IA dans les applications industrielles r\u00e9v\u00e8le une tendance claire : s'appuyer sur un mod\u00e8le unique pour ex\u00e9cuter des fonctions complexes s'av\u00e8re souvent peu fiable. \u00c0 mesure que les cas d'utilisation deviennent plus complexes et que l'adoption par les entreprises augmente, la demande de solutions d'IA hautement sp\u00e9cialis\u00e9es et performantes est appel\u00e9e \u00e0 cro\u00eetre. Pour r\u00e9pondre \u00e0 cette demande, il faut orchestrer une architecture de solution qui int\u00e8gre des mod\u00e8les am\u00e9lior\u00e9s et sp\u00e9cialis\u00e9s, en \u00e9vitant le pi\u00e8ge d'un champ d'application \u00e9troit et unilat\u00e9ral.<\/p>\n<\/div> La communaut\u00e9 des d\u00e9veloppeurs est en \u00e9bullition avec des applications passionnantes couvrant des domaines allant de la m\u00e9decine \u00e0 la vente au d\u00e9tail, toutes construites en assemblant des composants sp\u00e9cialis\u00e9s plus petits dans des solutions puissantes et personnalis\u00e9es.<\/p>\n<\/div> M\u00eame l'IA, \u00e0 elle seule, n'est pas assez intelligente pour atteindre les objectifs strat\u00e9giques de l'entreprise. Elle doit \u00eatre compl\u00e9t\u00e9e par une forme sup\u00e9rieure d'intelligence orchestr\u00e9e.<\/p>\n<\/div> Vous trouverez ci-dessous une collection de syst\u00e8mes d'IA compos\u00e9s, int\u00e9ressants et percutants, qui mettent en \u00e9vidence l'utilit\u00e9 de ce concept. Quelle que soit l'infrastructure utilis\u00e9e par les d\u00e9veloppeurs, l'objectif est d'observer comment la combinaison de plusieurs composants d'IA avec d'autres outils peut permettre d'atteindre un objectif tr\u00e8s sp\u00e9cifique.<\/p>\n<\/div> RAG am\u00e9liore le r\u00e9sultat d'un LLM en fournissant un contexte sp\u00e9cifique obtenu \u00e0 partir d'une base data vectoris\u00e9e qui se trouve en dehors de la data d'apprentissage originale du mod\u00e8le. Alors que les LLM sont form\u00e9s sur de vastes ensembles data et exploitent des milliards de param\u00e8tres pour g\u00e9n\u00e9rer des r\u00e9ponses, le RAG va encore plus loin. Il permet au LLM d'acc\u00e9der \u00e0 des informations sp\u00e9cifiques et actualis\u00e9es et de s'y r\u00e9f\u00e9rer, qu'elles soient sp\u00e9cifiques \u00e0 un domaine ou issues de la base de connaissances interne d'une organisation. Ce processus am\u00e9liore consid\u00e9rablement la pertinence, la pr\u00e9cision et l'utilit\u00e9 du contenu g\u00e9n\u00e9r\u00e9, sans qu'il soit n\u00e9cessaire de r\u00e9entra\u00eener le mod\u00e8le.<\/p>\n<\/div> Les entreprises disposant de vastes ensembles de data qui ont besoin d'une m\u00e9thode efficace pour organiser les connaissances internes peuvent d\u00e9ployer cette solution sur site, en utilisant le mod\u00e8le de leur choix, pour r\u00e9cup\u00e9rer des \u00e9l\u00e9ments d'information pr\u00e9cis. Par exemple, les analystes financiers peuvent rapidement localiser les data pertinentes dans les reports historiques sans avoir \u00e0 passer manuellement au crible chacune d'entre elles. Le mod\u00e8le, enrichi de ces informations contextuelles, g\u00e9n\u00e8re \u00e9galement des r\u00e9ponses plus pr\u00e9cises et plus utiles, rationalisant ainsi l'ensemble du processus de recherche d'informations.<\/p>\n<\/div> L'architecture type d'un RAG est d\u00e9crite ci-dessous :<\/p>\n<\/div> Architecture g\u00e9n\u00e9rale du RAG<\/em><\/p>\n<\/div> Vous trouverez ci-dessous un tableau des syst\u00e8mes AI compos\u00e9s les plus courants (source<\/a>):<\/p>\n<\/div>Comprendre les syst\u00e8mes d'IA compos\u00e9s<\/h2><\/div>
<\/span><\/div>En quoi ces syst\u00e8mes sont-ils utiles ?<\/h2><\/div>
Sp\u00e9cialisation : Un gros marteau n'est pas l'outil id\u00e9al pour tout faire<\/strong><\/h3><\/div>
Flexibilit\u00e9 : Les syst\u00e8mes modulaires s'adaptent facilement \u00e0 l'\u00e9volution des besoins<\/strong><\/h3><\/div>
\u00c9volutivit\u00e9 : Des essaims de composants intelligents plus performants qu'un seul g\u00e9ant<\/strong><\/h3><\/div>
Pourquoi les syst\u00e8mes d'intelligence artificielle compos\u00e9s ont-ils un sens pour les entreprises ?<\/h2><\/div>
Am\u00e9lioration de la satisfaction des clients<\/strong><\/h3><\/div>
Efficacit\u00e9 des co\u00fbts <\/strong><\/h3><\/div>
Un meilleur contr\u00f4le et une plus grande confiance<\/strong><\/h3><\/div>
Pour conclure<\/h2><\/div>
Annexe<\/h2><\/div>
Exemples de syst\u00e8mes d'IA compos\u00e9s<\/strong><\/h3><\/div>
G\u00e9n\u00e9ration am\u00e9lior\u00e9e par r\u00e9cup\u00e9ration (RAG)<\/span><\/a><\/h4><\/div>
<\/span><\/div><\/span><\/div>Autres lectures sur d'autres syst\u00e8mes d'IA compos\u00e9s int\u00e9ressants<\/strong><\/h3><\/div>