Un voyage à travers l'IA générative : points saillants de notre conférence interne

Sur 16 septembre 2025, nos équipes ont organisé une conférence interne intitulée « Un voyage à travers l'IA générative ». L'objectif était de démystifier l'intelligence artificielle générative, expliquez ses concepts fondamentaux et partagez des applications concrètes.

Dirigé par Roxane Mouseau et Hichame Haichour, experts en IA (à partir de Neuvence), la session a réuni des équipes et des passionnés pour explorer des sujets tels que Modèles linguistiques étendus (LLM), leur architecture, la manière dont ils sont formés et la manière dont ils peuvent être appliqués à de vrais problèmes commerciaux.

Comprendre les bases de l'IA générative

Les trois niveaux de l'intelligence artificielle

- ANI (intelligence artificielle étroite) : L'IA s'est concentrée sur une tâche unique et précise.

- AGI (Intelligence générale artificielle) : IA dotée d'une capacité de raisonnement semblable à celle d'un humain.

- ASI (super intelligence artificielle) : Une IA qui dépasse les capacités humaines (encore théorique).

Comment fonctionnent les LLM ?

Les grands modèles linguistiques (LLM) s'appuient sur :‍

- Apprentissage automatique (supervisé et autosupervisé),

- Embrayages pour représenter le langage sous forme de vecteurs,

- Les Architecture du transformateur, sur la base du mécanisme d'attention pour saisir le contexte et le sens.

Former un LLM : un défi colossal

Construire un modèle comme GPT-4 ou Gémeaux nécessite :

- Des milliers de GPU hautes performances,

- Temps de calcul énorme (semaines, voire mois),

- D'énormes investissements financiers, souvent par dizaines de millions.

Exemple : GPT-5 et Grok 3 mettent en lumière les défis liés à l'évolutivité, aux coûts et à la consommation d'énergie.

Évaluation d'un LLM : vers une plus grande fiabilité

Méthodes d'évaluation

- Analyse comparative avec des ensembles de données de référence,

- LLM en tant que juge, où un modèle en évalue un autre.

Pourquoi l'honnêteté est importante

De nouvelles recherches montrent l'importance des modèles capables de admettre l'incertitude quand ils ne connaissent pas la réponse.

Certains évaluateurs du LLM sont maintenant surpasser les humains en termes de constance et de cohérence, ce qui en fait de puissants outils d'assurance qualité.

Cas d'utilisation concret : automatisation de la génération de fichiers de configuration

Au cours de la session, nous avons exploré un exemple concret : automatisation de la génération de fichiers JSON pour un outil de qualité des données.

Deux approches ont été testées :

1. Augmentation rapide (RAG) : enrichir les invites à l'aide de documents contextuels,
   
   
2. Ajustement supervisé : adapter un modèle open source à un cas d'utilisation commercial spécifique.
   
   

Résultat : configuration plus rapide et amélioré qualité des données.

Quelle est la prochaine étape pour l'IA générative ?

Les prochaines tendances à surveiller sont notamment les suivantes :

- LLM multimodaux (texte, image, audio, vidéo),

- Agents IA autonomes capable de raisonner et d'exécuter des tâches,

- Optimisation et quantification pour réduire les coûts d'inférence,

De nouvelles approches pour Sécurité et fiabilité de l'IA.

‍

Conclusion

Cette conférence a permis à nos équipes de mieux comprendre Principes fondamentaux de l'IA générative et comment ils se traduisent dans des cas d'utilisation concrets. En combinant théorie avec pratique, notre objectif est de diffuser la culture de l'IA au sein des équipes et de susciter de nouvelles collaborations.