Le 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, d'en expliquer les concepts fondamentaux et de présenter des applications concrètes.

Sous la direction de Roxane Jouseau et Hichame Haichour, experts en IA (de Novencia), la session a réuni des équipes et des passionnés pour explorer des sujets tels que les grands modèles linguistiques (LLM), leur architecture, leur apprentissage et leur application à des problèmes concrets rencontrés en entreprise.

Comprendre les principes fondamentaux de l'IA générative

Les trois niveaux de l'intelligence artificielle

- ANI (intelligence artificielle étroite) : IA axée sur une seule tâche bien précise.

- AGI (intelligence artificielle générale) : une IA dotée d'une capacité de raisonnement similaire à celle des humains.

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

Comment fonctionnent les modèles de langage de grande envergure (LLM) ?

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

- Apprentissage automatique (supervisé et auto-supervisé),

- Représentations vectorielles pour modéliser le langage,

- L'architecture Transformer, qui s'appuie sur le mécanisme d'attention pour saisir le contexte et le sens.

Entraîner un modèle LLM : un défi colossal

La création d'un modèle tel que GPT-4 ou Gemini nécessite :

- Des milliers de processeurs graphiques (GPU) haute performance,

- Des durées de calcul considérables (des semaines, voire des mois),

- Des investissements financiers colossaux, souvent de l'ordre de plusieurs dizaines de millions.

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

Évaluation d'un modèle de langage de grande capacité : vers une plus grande fiabilité

Méthodes d'évaluation

- Comparaison avec des ensembles de données de référence,

- LLM-as-a-judge, où un modèle en évalue un autre.

Pourquoi l'honnêteté est importante

De nouvelles recherches montrent qu'il est important que les modèles soient capables de reconnaître leur incertitude lorsqu'ils ne connaissent pas la réponse.

Certains systèmes d'évaluation des LLM surpassent désormais les humains en matière de cohérence et d'uniformité, ce qui en fait des outils puissants pour l'assurance qualité.

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

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

Deux approches ont été testées :

1. Augmentation des invites (RAG) : enrichissement des invites à l'aide de documents contextuels,
   
   
2. Réglage fin supervisé : adaptation d'un modèle open source à un cas d'utilisation métier spécifique.
   
   

Résultat : une configuration plus rapide et une meilleure qualité des données.

Quel avenir pour l'IA générative ?

Parmi les tendances à surveiller, on peut citer :

- Modèles de langage multimodaux (texte, image, audio, vidéo),

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

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

Nouvelles approches en matière de sécurité et de fiabilité de l'IA.

‍

Conclusion

Cette conférence a permis à nos équipes de mieux comprendre les principes fondamentaux de l'IA générative et la manière dont ceux-ci se traduisent en cas d'utilisation concrets. En alliant théorie et pratique, nous souhaitons diffuser la culture de l'IA au sein de nos équipes et susciter de nouvelles collaborations.