{"id":3671,"date":"2025-01-30T08:00:00","date_gmt":"2025-01-30T08:00:00","guid":{"rendered":"https:\/\/www.salesforce.com\/?p=3671"},"modified":"2025-01-28T14:17:06","modified_gmt":"2025-01-28T14:17:06","slug":"complete-ai-system","status":"publish","type":"post","link":"https:\/\/www.salesforce.com\/fr\/blog\/complete-ai-system\/","title":{"rendered":"IA d\u2019entreprise\u00a0: pourquoi un LLM seul n\u2019apporte pas de r\u00e9sultats concrets"},"content":{"rendered":"\n

L\u2019engouement autour des grands mod\u00e8les de langage (LLM) v\u00e9hicule certaines id\u00e9es fausses\u00a0: entra\u00eener et d\u00e9ployer un LLM ou lancer isol\u00e9ment un projet de copilote n\u2019est pas un gage de r\u00e9ussite. Aussi sophistiqu\u00e9 soit-il, un LLM n\u2019est pas une solution en soi\u2009; il doit faire partie d\u2019un syst\u00e8me complet<\/a> et soigneusement con\u00e7u, reposant sur l\u2019int\u00e9gration des <\/a>donn\u00e9es<\/u>, de l\u2019IA<\/u> et de l\u2019automatisation<\/u>. L\u2019enjeu\u00a0: se doter d\u2019une IA capable d\u2019agir en autonomie tout en pr\u00e9servant l\u2019interaction avec les humains.<\/strong><\/p>\n\n\n\n

\n\t
\n\n\t\t
\n\t\t\t

Commencez \u00e0 cr\u00e9er vos agents Agentforce d\u00e8s aujourd’hui\u00a0!<\/h2>\n\t\t\t\t\t\t\t

Exploitez tout le potentiel d’Agentforce en apprenant \u00e0 d\u00e9finir des r\u00f4les, \u00e0 \u00e9tendre les capacit\u00e9s \u00e0 l’aide d’outils avanc\u00e9s et \u00e0 les personnaliser en fonction des besoins de votre entreprise. Inscrivez-vous d\u00e8s maintenant \u00e0 nos d\u00e9monstrations\u00a0!<\/p>\n\t\t\t\n\t\t\t\n\t\t\t\t\t\t\t

\n\t\t\t\t\tRegarder les d\u00e9mos<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\n\t\t
\n\t\t\t\"\"\t\t<\/div>\n\t<\/div>\n\n\t\n\t<\/div>\n\n\n\n

Les faux pas de l\u2019IA d\u2019entreprise<\/strong><\/h2>\n\n\n\n

De nombreuses organisations sont prises dans un cycle d\u2019exp\u00e9rimentation de l\u2019IA vou\u00e9 \u00e0 l\u2019\u00e9chec, avec une succession de Proof of Concept sans possibilit\u00e9 de passage \u00e0 l\u2019\u00e9chelle. Nous identifions quatre types d\u2019impasses dont votre entreprise doit se pr\u00e9server, pour \u00e9conomiser du temps et de pr\u00e9cieuses ressources.<\/p>\n\n\n\n

<\/a>1. Les LLM artisanaux<\/strong><\/h3>\n\n\n\n

L\u2019id\u00e9e d\u2019entra\u00eener un LLM propri\u00e9taire semble s\u00e9duisante, porteuse d\u2019un avantage concurrentiel significatif. Mais construire un LLM ne se r\u00e9duit pas \u00e0 collecter des donn\u00e9es pour nourrir un mod\u00e8le de machine learning. La complexit\u00e9 de l\u2019ing\u00e9nierie, les exigences en mati\u00e8re d\u2019infrastructure et les ajustements continus rendent cet effort insurmontable et source de d\u00e9ception pour la plupart des entreprises. Et m\u00eame si ces d\u00e9fis techniques sont relev\u00e9s, deux probl\u00e8mes majeurs persistent.<\/p>\n\n\n\n

<\/a>La r\u00e9cence des donn\u00e9es<\/strong><\/h4>\n\n\n\n

La pertinence d\u2019un LLM d\u00e9pend de l\u2019actualit\u00e9 de ses donn\u00e9es d\u2019entra\u00eenement. Dans un environnement dynamique et riche comme celui d\u2019une entreprise, vos donn\u00e9es changent constamment. Sans un entra\u00eenement continu \u2014 action complexe et co\u00fbteuse \u2014 le mod\u00e8le devient imm\u00e9diatement obsol\u00e8te.<\/p>\n\n\n\n

Prenons l\u2019exemple d\u2019une soci\u00e9t\u00e9 de services financiers qui doit \u00e9valuer ses risques li\u00e9s aux pr\u00eats. Si le LLM n\u2019est pas r\u00e9entra\u00een\u00e9 pour refl\u00e9ter les changements r\u00e9cents du march\u00e9, la mise \u00e0 jour des politiques ou l\u2019\u00e9volution du comportement des clients face au cr\u00e9dit, il fournira des \u00e9valuations obsol\u00e8tes, faussant la prise de d\u00e9cision et faisant courir d\u2019importants risques financiers.<\/p>\n\n\n\n

<\/a>La gouvernance des donn\u00e9es<\/strong><\/h4>\n\n\n\n

Les bases de donn\u00e9es traditionnelles stockent la data selon des sch\u00e9mas structur\u00e9s, ce qui permet des autorisations claires, une bonne visibilit\u00e9 et un rappel coh\u00e9rent des donn\u00e9es. En revanche, lorsqu\u2019un LLM s\u2019approprie des donn\u00e9es, il les int\u00e8gre \u00e0 ses param\u00e8tres, au d\u00e9triment de tout concept de localisation ou de propri\u00e9t\u00e9.<\/p>\n\n\n\n

Cette transformation cr\u00e9e un cauchemar en mati\u00e8re de gouvernance, car il est pratiquement impossible d\u2019appliquer des autorisations granulaires ou d\u2019extraire des informations sp\u00e9cifiques une fois qu\u2019elles sont apprises par un LLM. Ceci pr\u00e9sente un al\u00e9a significatif et souvent sous-estim\u00e9 par les entreprises, compliquant les processus de conformit\u00e9, d\u2019audit et de gestion des risques.<\/p>\n\n\n

\n
\n

Dans la pratique, les copilotes ont rarement d\u00e9pass\u00e9 le stade de petite exp\u00e9rience isol\u00e9e, ajout\u00e9e dans des applications existantes.<\/p>\n<\/blockquote>\n\n