Ce que fait l’IA, expliqué sans jargon
Un guide court sur l’IA, le machine learning et la digitalisation, écrit pour les gens du métier. Il vous aide à savoir ce que vous achetez et quelles questions poser.
Pourquoi l’IA, le ML et la digitalisation
La plupart des entreprises ont déjà les données dont elles ont besoin, mais y accèdent difficilement. La digitalisation les rassemble en un seul endroit, et une couche d’IA vous permet de les interroger en langage courant.
Ce qu’est vraiment l’IA
Un programme très doué pour reconnaître des motifs dans de grandes quantités de données. Il n’est pas conscient et ne sait pas les choses comme un humain. Vous l’utilisez comme un assistant, et vous vérifiez ce qu’il vous donne.
Ce qu’est le machine learning
Il ressemble à un nouvel employé qui apprend comment les choses fonctionnent en observant ce qui s’est passé mois après mois. La différence, c’est qu’il regarde toutes les données à la fois et n’oublie rien.
Automatisation et IA
Une automatisation simple déplace des données d’un endroit à un autre selon une règle fixe. L’IA lit le contenu et peut prendre une décision à partir de lui. Les deux sont utiles, mais pour des choses différentes.
Pourquoi maintenant
Les entreprises qui ont leurs données en un seul endroit peuvent décider sur des chiffres. Plus elles commencent tard, plus elles ont d’historique à remettre en ordre.
La digitalisation reprend le travail répétitif, et les personnes gardent plus de temps pour les décisions.
Prédictions et machine learning
Le machine learning met en chiffres l’intuition d’une personne expérimentée et l’applique de la même façon chaque jour. Il répond à la question que se pose toute entreprise : que va-t-il se passer ensuite ?
Ce qu’il peut prédire
La demande des prochains jours, l’argent qui entre et celui qui sort, le risque qu’une facture soit payée en retard, et les anomalies, c’est-à-dire les endroits où vous perdez de l’argent sans le voir.
Le plus probable, pas le certain
Une prédiction est la meilleure estimation à partir des motifs qui se répètent, avec une marge d’incertitude affichée. Pour les jours proches, elle est précise ; pour les mois lointains, ce n’est qu’une indication.
Le même résultat pour les mêmes données
Un modèle de prédiction donne le même résultat chaque fois qu’il reçoit les mêmes données, vous pouvez donc vérifier d’où vient chaque nombre.
Quand ça marche et quand ça ne marche pas
Si les données d’entrée sont fausses, la prédiction l’est aussi. Les modèles fonctionnent bien sur les motifs qui se répètent et ne peuvent pas anticiper une crise soudaine ou un nouveau client très important.
Le modèle vous dit ce qui a le plus de chances d’arriver. Ce que vous en faites, c’est vous qui le décidez.
Comment fonctionne un modèle de langage
Pas besoin d’être technicien pour comprendre l’idée de base. Ceux qui la comprennent utilisent mieux l’IA et savent quand ne pas s’y fier.
Il prédit le mot suivant
Un modèle de langage, comme celui qui se trouve derrière un chat, ne sait pas les choses comme un humain. Il choisit le mot suivant le plus probable, à partir d’un nombre énorme d’exemples. C’est pourquoi, quand il n’a pas de données claires, il peut inventer des réponses qui sonnent bien.
Grounding
Pour qu’il n’invente pas, nous le relions à vos données approuvées et lui demandons de répondre uniquement à partir d’elles. Quand il n’y trouve pas la réponse, il doit le dire.
La température
Un paramètre qui règle la variété des réponses du modèle. Pour des chiffres d’entreprise, nous la gardons basse, afin que les réponses soient précises et constantes.
Modèle de langage et machine learning
Le modèle de langage est bon pour le texte et les explications, le machine learning pour les prédictions chiffrées. Nous utilisons chacun là où il est bon.
Une IA vaut ce que valent ses données et la façon dont elle est guidée.
Les termes à connaître
En bref, sans jargon.
- Prompt
- L’instruction que vous donnez à l’IA. Plus elle est claire et riche en contexte, meilleure est la réponse.
- Hallucination
- Une réponse inventée par l’IA, qui semble convaincante mais qui est fausse. On la prévient par le grounding.
- Grounding
- Relier l’IA à des sources vérifiées, comme les données de votre entreprise, pour qu’elle réponde à partir d’elles.
- Token
- Le morceau de texte avec lequel travaille un modèle, environ trois quarts d’un mot. Le coût se mesure en tokens.
- Lecture seule
- Un accès en lecture uniquement : l’IA peut lire les données, mais ne peut ni les supprimer ni les modifier.
- Agent IA
- Une IA qui mène une tâche jusqu’au bout : elle lit, décide et agit.
- LLM
- Large Language Model (grand modèle de langage), le modèle qui comprend et écrit du texte, par exemple Claude.
- Modèle (ML)
- Un programme qui a appris des motifs à partir de données historiques pour faire des prédictions.
Vous ne savez pas encore par où commencer ?
Répondez à six questions sur votre entreprise. Sous un ou deux jours ouvrés, nous vous envoyons le plan IA de votre entreprise, écrit par une personne de l’équipe Askera.
Vous voulez voir ce que l’IA peut faire dans votre entreprise ?
Nous réalisons une évaluation gratuite et vous disons par où il vaut la peine de commencer.