Réflexion sur les premiers tests avec l’IA générative
L’IA générative a connu une évolution remarquable ces dernières années. L’introduction de puissants modèles de langage tels que ChatGPT a engendré un flot d’expérimentations, de perspectives et d’applications. Néanmoins, la question principale reste inchangée : comment déployer cette technologie d’une manière à la fois pertinente, fiable et utile ?
Chez Sirris, nous aidons les entreprises à rendre la technologie tangible. Notre approche est pragmatique : nous nous basons sur les besoins et enjeux réels, et non sur les buzz du moment. L’article Quatre mois d’expérimentation avec l’IA générative présente les enseignements tirés d’une série de démarches internes. Nick Boucart, conseiller technologique senior chez Sirris, est l’une des forces vives de ce projet.
Expert en logiciels, modèles SaaS et stratégies numériques, il s’est servi de son regard critique et de son expertise technique pour mener une série de tests concrets. Il partage ci-après son expérience concrète de l’IA générative, entre découverte et mise en pratique.
Du scepticisme initial à l’étude pragmatique de l’IA générative
Nous devions être à l’automne 2023. Le lancement de ChatGPT auprès du grand public remontait alors à près d’un an. À l’époque, je n’avais pas de plan structuré pour découvrir ses capacités. Ma première impression ? Une technologie intéressante, mais aussi beaucoup de bruit, des résultats peu fiables et une valeur ajoutée limitée pour mes activités quotidiennes. J’avais essayé différents prompts, mais les résultats étaient rarement convaincants. Souvent, je préférais simplement effectuer une recherche classique sur Google.
Pourtant, des conversations avec des collègues qui ont réussi à tirer profit de ChatGPT grâce à une pratique intensive ont éveillé mon intérêt. Cela m’a fait réfléchir. Peut-être devrais-je donner une chance à cette technologie, mais à ma façon : en m’appuyant sur un prototype concret, techniquement étayé et axé sur des questions réelles.
De l’idée à l’application : le premier chatbot Sirris
En octobre, j’ai décidé d’adopter une approche systématique. J’ai développé un prototype d’IA générative : un chatbot capable de générer des réponses sur la base de l’ensemble du contenu du site web de Sirris. Son fonctionnement était simple, mais efficace.
- J’ai utilisé du code Python pour scraper notre site web,
- j’ai stocké les données sous forme d’incorporations dans une base de données vectorielle,
- puis je les ai reliées à un modèle de langage génératif via LangChain.
Cela a permis de créer une architecture RAG (Retrieval Augmented Generation) qui a formulé des réponses basées sur notre propre contenu.
Les résultats étaient mitigés. Le chatbot a obtenu de bons résultats pour les questions dont les réponses se trouvaient explicitement sur notre site web. Cependant, dans d’autres cas, comme une question sur ce que l’on pouvait faire avec du saumon et des figues, le système a généré une recette. Nous n’avons évidemment pas de section culinaire sur notre site. Cela montre les limites des modèles de langage sans contrôle du contenu.
Approche empirique de l’IA générative : quatre enseignements à retenir
Après ce premier exercice, j’ai poursuivi mes expérimentations. J’ai ajusté les prompts, réindexé le contenu et testé des variantes dans la configuration. Peu à peu, j’ai appris à distinguer les approches efficaces de celles qui ne l’étaient pas et en ait tiré quelques enseignements essentiels :
La technologie doit répondre à un besoin clair
Recourir à un chatbot sans problème clair à résoudre est rarement utile. L’IA générative n’a d’impact que lorsqu’elle répond à un besoin concret. Sinon, cela reste un simple techno-push sans réelle portée.
L’IA générative est un couteau suisse, pas une baguette magique
Ce n’est pas une solution miracle, mais un instrument flexible. Le défi consiste à baliser correctement l’utilisation. Le concept de jobs-to-be-done demeure un cadre de réflexion précieux dans cette démarche.
De longs prompts ne font pas de miracle
Les modèles de langage prédisent le mot suivant le plus probable, en se basant sur d’énormes quantités de données. Ils sont donc puissants, mais aussi potentiellement sujets aux erreurs. Ceux qui souhaitent obtenir des résultats fiables feraient bien d’intégrer des données propres par le biais de techniques telles que RAG (Retrieval Augmented Generation), tool calling et, plus récemment, MCP (Model Context Protocol).
Les utilisateurs sont imprévisibles, et c’est un euphémisme
Les interactions des utilisateurs sont parfois déroutantes. Certains posent des questions innocentes mais plutôt inhabituelles, d’autres essaient délibérément de tester le système. Il est important de réfléchir à ce qui est acceptable ou non et d’adapter le système en conséquence.
Et aujourd’hui ?
Depuis, j’ai développé des dizaines de prototypes et discuté avec de nombreuses entreprises du déploiement de l’IA régénérative. Les principaux défis rencontrés lors de mon premier test restent valables aujourd’hui, mais depuis le lancement de ChatGPT, l’enthousiasme a explosé auprès d’un public plus large. Ce qui est synonyme d’opportunités et de défis pour les entreprises. Comment gérez-vous cette technologie en tant que société de logiciels ? Comment vous assurez-vous que vos applications restent solides, fiables et sûres, même avec des composants d’IA générative ?
La devise « made real » prévaut chez Sirris. Cela vaut aussi pour l’IA régénérative. Nous aidons les entreprises à regarder au-delà du buzz et à mettre en pratique la technologie de manière réaliste et durable.
C’est la raison pour laquelle nous avons lancé le 1er mai le projet Coock+ LISA une initiative de Sirris et de KU Leuven DistriNet. Dans le cadre de ce projet, nous explorons comment déployer des applications d’IA générative de manière responsable dans le cadre du développement logiciel.
Vous souhaitez rejoindre un groupe d’utilisateurs de LISA ?
Envie d’en savoir plus ?
L’article Quatre mois d’expérimentation avec l’IA générative présente les enseignements de nos démarches internes chez Sirris.
