Commencer par une tâche que l’on peut évaluer
Savoir reconnaître un résultat utile.
Rechercher dans des documents internes et prédire un résultat opérationnel nécessitent des données et des méthodes d’évaluation différentes. Nous examinons les entrées, la décision que le résultat doit éclairer et les conséquences d’une erreur. Cela permet de déterminer l’approche à explorer, les éléments probants nécessaires et les étapes où une personne doit vérifier le résultat avant son utilisation.
Une étude de faisabilité ciblée peut répondre à une question technique précise avant de convenir du périmètre d’une application plus vaste.
Services d’IA et de machine learning
Choisissez l’approche en fonction du problème.
Les données disponibles, l’accès aux sources et les exigences de vérification déterminent l’application et la façon d’évaluer ses résultats.
Parlons de vos besoinsDéveloppement d’applications d’IA
Créez des applications qui assistent le traitement documentaire, la recherche d’informations et la préparation de contenus provisoires. Définissez les sources, le résultat requis et les étapes de vérification dans le processus métier concerné.
- Traitement documentaire
- Recherche dans des connaissances sélectionnées
- Préparation assistée de contenus
Développement de chatbots et d’assistants
Développez des interfaces conversationnelles à partir d’informations approuvées et de services connectés. Fixez le périmètre des sujets et les règles d’accès, avec la possibilité de demander des précisions ou de transmettre la conversation à une personne.
- Interfaces utilisateur conversationnelles
- Connexions aux sources de connaissances
- Relais vers une assistance humaine
Développement de machine learning
Préparez les données pour une tâche de prédiction ou de classification, développez des modèles candidats et comparez leurs résultats à une référence pertinente. L’évaluation s’appuie sur des exemples représentatifs et des indicateurs adaptés à la question métier.
- Préparation des données
- Modèles de prédiction et de classification
- Comparaison et évaluation des modèles
Intégration et évaluation de l’IA
Connectez le modèle retenu à votre application et vérifiez le comportement de l’ensemble du processus. Recueillez des retours utiles et examinez les cas présentant des entrées inhabituelles, des sources manquantes ou des résultats nécessitant une attention particulière.
- Intégration de l’application et du modèle
- Exemples et critères d’évaluation
- Suivi et retours utilisateurs
Exemple illustratif de vision par ordinateur
Détectez les objets, puis examinez les éléments probants.
Cet exemple de scène de chantier illustre la détection d’objets dans un processus de traitement d’images. Un projet définirait les catégories d’objets et les exemples représentatifs, puis examinerait les objets manqués et les détections incorrectes avant de décider comment utiliser les résultats.
- Définissez les objets et les situations qui comptent.
- Examinez les détections incorrectes et les objets manqués.
- Reliez le résultat à une étape de vérification humaine convenue.
Exemple d’application d’IA
Recherchez dans les documents de l’entreprise avec des références aux sources.
Un assistant interne pourrait aider les collaborateurs à trouver des réponses dans un ensemble sélectionné de documents de l’entreprise. L’application récupérerait les contenus auxquels l’utilisateur est autorisé à accéder et préparerait une réponse accompagnée de références. L’évaluation vérifierait si ces références étayent la réponse et comment l’assistant réagit lorsque les documents sont absents, obsolètes ou contradictoires.
- Appliquez les règles d’accès aux documents avant de récupérer les sources.
- Testez les réponses utiles, mais aussi les questions auxquelles il est impossible de répondre.
- Prévoyez un moyen de consulter la source ou de demander une aide humaine.
- QuestionnerUn collaborateur pose une question liée à son travail.
- RechercherL’application recherche dans les sources documentaires autorisées.
- RépondreL’assistant prépare une réponse avec des références aux sources.
- VérifierL’utilisateur consulte les références ou demande une aide supplémentaire.
Scénario d’assistant hypothétique ; la faisabilité et la qualité des résultats doivent être évaluées avec les sources sélectionnées.
La réalisation d’un projet d’IA
Appuyez-vous sur l’évaluation pour choisir la suite.
Un prototype est utile lorsqu’il répond à une question convenue sur la tâche, les données ou l’approche proposée.
Évaluer le cas d’usage
Examinez avec votre équipe les exemples d’entrée, l’accès aux sources et le résultat attendu. Définissez les exemples d’évaluation, les critères de réussite et les conditions qui rendraient l’approche inadaptée.
Ce que vous recevezPérimètre du cas d’usage et plan d’évaluationDévelopper et comparer
Construisez un prototype ou un modèle ciblé et évaluez les résultats. Étudiez les cas d’échec, comparez les approches candidates et identifiez les limites à traiter avant l’intégration.
Ce que vous recevezPrototype et constats documentésIntégrer et vérifier
Intégrez l’approche retenue à l’application avec les contrôles d’accès et la vérification humaine convenus. Documentez le suivi, la collecte de retours et la manière de contrôler les futures modifications des modèles ou des sources.
Ce que vous recevezProcessus intégré et procédures de vérification
Avant de commencer
Quelques questions
que vous vous posez peut-être.
Vous avez une autre question ?
Parlons-en ensemble
Avons-nous besoin d’un modèle de machine learning sur mesure ?
Cela dépend de la tâche. Un modèle existant, une application fondée sur la recherche ou un logiciel classique peut répondre au besoin. Nous considérons la disponibilité des données, les résultats d’évaluation et les contraintes d’exploitation avant de recommander un modèle sur mesure.
Pouvons-nous commencer si nos données métier sont incomplètes ?
Nous pouvons commencer par examiner un échantillon représentatif. Les constats peuvent indiquer un besoin de préparation des données, d’élargissement des sources ou de réduction du périmètre initial. Ils aident aussi à distinguer ce qui peut être testé maintenant de ce qui nécessite des informations supplémentaires.
Comment gérez-vous les réponses inexactes de l’IA ?
La conception peut intégrer des références aux sources, une vérification humaine, des comportements de repli et la collecte de retours. Ces mécanismes sont choisis selon la tâche et testés sur des questions représentatives. Ils aident à gérer les erreurs, sans garantir l’exactitude de chaque résultat.
Votre prochaine étape
Quelle tâche votre projet d’IA doit-il traiter ?
Présentez des exemples d’entrée, le résultat dont vous avez besoin et la décision qu’il doit éclairer. Nous pouvons définir un premier périmètre d’évaluation.