Intelligence artificielle : le guide complet

La plupart des grandes organisations ont désormais dépassé le stade initial de leur démarche en intelligence artificielle : elles disposent de modèles en production, de projets pilotes en cours, et de travaux de gouvernance qui peinent encore à suivre le rythme des déploiements. Les équipes doivent désormais décider comment choisir les bonnes architectures d'IA, dépendances de données et stratégie d'évaluation, tout en appliquant des contrôles cohérents en matière de gouvernance, de sécurité et d’exploitation tout au long du cycle de vie de l’IA, souvent mis en œuvre au moyen de pratiques MLOps telles que les pipelines de déploiement, la supervision et la gestion des versions de modèles.

Cela exige plus qu’une stratégie générale d’IA. Les modèles prédictifs, les classificateurs de documents, les applications RAG et les systèmes agentiques sont conçus différemment, présentent des modes de défaillance distincts et sollicitent différemment les données, l’infrastructure et la supervision. Les décisions concernant ce qu’il faut développer, mettre à l’échelle et gouverner doivent tenir compte de ces différences sans pour autant morceler les dispositifs de contrôle de l'entreprise.

Ce guide constitue un point de repère pour cette démarche. Il aborde les principales disciplines de l’IA, comment les systèmes sont entraînés et évalués, où les entreprises les déploient efficacement et quels facteurs liés à la gouvernance, à la sécurité et aux données déterminent si un déploiement tient dans le temps.

L’intelligence artificielle n’est pas une discipline unique, mais un vaste domaine composé de nombreuses sous-disciplines imbriquées. Par exemple, le machine learning (ML) est un sous-ensemble de l’IA, c’est-à-dire des systèmes qui apprennent des régularités à partir de données, plutôt que de suivre des règles explicites. Le deep learning est un sous-ensemble du ML, c’est-à-dire des réseaux de neurones à couches qui apprennent des représentations de données complexes et de haute dimension. L’IA générative est un produit du deep learning, c’est-à-dire des modèles de fondation qui produisent de nouveaux résultats au lieu de classer les entrées existantes.

Chaque couche hérite des exigences de qualité des données, d’infrastructure et d’évaluation de la couche supérieure. Un déploiement d’IA générative est aussi un déploiement de ML, avec tout ce que cela implique.

Le domaine distingue également l’IA étroite de l’intelligence artificielle générale (IAG). L’IA étroite, qui décrit chaque système d’IA actuellement en production, est optimisée pour une tâche ou un domaine spécifique. Les décisions d’entreprise concernant l’IA impliquent toujours une IA étroite, ainsi que les frameworks de gouvernance, les pratiques d’évaluation et les modèles de risque qui s’y appliquent. L’IAG, un système capable de raisonner et d’apprendre dans des domaines arbitraires au niveau humain ou supérieur, demeure un objectif de recherche.

La plupart des systèmes d’IA suivent la même boucle fondamentale : les données entrent, un modèle en apprend, puis ce modèle est ensuite utilisé pour générer des prédictions ou des sorties sur de nouvelles données. Les trois phases, à savoir l’entraînement, l’inférence et le fine-tuning, comportent chacune des exigences distinctes en matière d’infrastructure et de gouvernance.

L’entraînement désigne le processus consistant à exposer un modèle à de grandes quantités de données, étiquetées ou non, afin qu’il puisse apprendre à reconnaître des régularités. Pour les systèmes de deep learning, cela implique généralement des architectures de type transformer qui utilisent des mécanismes d’attention pour apprendre quelles parties de l’entrée sont les plus pertinentes pour une sortie donnée. L’entraînement des modèles de fondation, c’est-à-dire les grands modèles de base qui sous-tendent la plupart des applications d’IA générative, nécessite des capacités de calcul à une échelle qui n'a longtemps été accessible qu'aux grandes organisations de recherche et aux fournisseurs de services cloud.

L’inférence correspond au moment où un modèle entraîné est utilisé. Un utilisateur soumet une requête, le modèle génère une réponse et cette réponse est renvoyée en temps quasi réel. La latence, le coût et la fiabilité de l’inférence sont des préoccupations opérationnelles qui deviennent importantes à grande échelle, en particulier pour les applications destinées aux clients.

Le fine-tuning adapte un modèle pré-entraîné à un domaine ou à une tâche spécifique en utilisant un ensemble de données plus petit et ciblé. C’est une approche courante pour les entreprises qui souhaitent tirer parti des capacités d’un modèle de fondation sans entraîner un modèle depuis zéro, mais elle introduit un risque de dérive du modèle si les données de fine-tuning diffèrent des entrées en production au fil du temps.

Le véritable goulot d’étranglement dans le déploiement de l’IA est rarement le modèle lui-même. Dans une enquête MIT Technology Review Insights menée auprès de 400 hauts responsables data et technologies, 45 % des répondants ont cité la complexité d’intégration et 40 % ont cité la gouvernance des données comme les plus grands défis des initiatives d’IA. La qualité des données, la gouvernance et l’infrastructure de calcul façonnent les résultats de manière plus cohérente que la sélection des modèles.

Regardez un tutoriel vidéo pour vous lancer avec Snowflake Cortex Agents :

Les chercheurs classent généralement les systèmes d’IA en quatre catégories en fonction de leurs capacités de mémoire et de raisonnement :

Réactif → Mémoire limitée → Théorie de l’esprit → Conscience de soi

En pratique, tous les systèmes actuellement en production relèvent des deux premiers types.

L’implication pratique : l’IA d’aujourd’hui fonctionne dans des contextes limités. Un modèle performant sur une tâche le doit au fait qu’il a été entraîné pour cette tâche et évalué sur des données similaires à ce qu’il rencontre en production. Les systèmes qui semblent généraliser sont généralement soit de très grands modèles à mémoire limitée, soit des systèmes spécialisés dotés d'une large couverture d'entraînement — et non une intelligence générale.

Les disciplines suivantes représentent les principales branches de l’IA appliquée. Chacune possède ses propres méthodes, benchmarks et modes de défaillance. Pour les équipes qui développent ou évaluent des systèmes d'IA, comprendre sur quelle discipline s'appuie une application donnée est le point de départ pour poser les bonnes questions sur les exigences en matière de données, les critères d'évaluation et les risques.

Le machine learning entraîne des modèles statistiques sur des données historiques pour classer les entrées, prédire les résultats ou faire émerger des régularités. Les décisions clés en matière de conception (ingénierie de caractéristiques, réglage hyperparamétrique, méthodes d'ensemble) impliquent toutes des compromis entre la complexité du modèle, son interprétabilité et sa capacité de généralisation. La plupart des analyses prédictives d’entreprise reposent sur le ML.

Le deep learning utilise des réseaux de neurones à nombreuses couches pour apprendre les représentations de données complexes : images, données audio, texte, signaux de séries temporelles. Plusieurs techniques fondamentales, notamment la descente de gradient et la rétropropagation, permettent à ces réseaux d'apprendre des caractéristiques automatiquement, sans nécessiter d'ingénierie explicite. Le deep learning alimente la plupart de ce qui est actuellement décrit comme l’IA dans les applications grand public. En savoir plus sur le deep learning

Le traitement automatique du langage naturel (NLP) permet aux systèmes d’interpréter, de classer et de générer du langage humain. Le NLP moderne repose en grande partie sur des modèles de langage de type transformer et sous-tend des applications allant de la classification de documents aux interfaces conversationnelles en passant par la génération de code. En savoir plus sur le traitement du langage naturel

La vision par ordinateur applique l'apprentissage profond aux données visuelles (images et vidéos) pour des tâches telles que la détection d'objets, la classification d'images, l'identification de défauts et la reconnaissance faciale. Elle est largement déployée dans le contrôle qualité en fabrication, l'imagerie médicale, les systèmes autonomes et l'analytique du commerce de détail. En savoir plus sur la vision par ordinateur

L’apprentissage par renforcement entraîne des agents à prendre des décisions séquentielles en récompensant les résultats souhaités. Il constitue le socle de la robotique, des systèmes de recommandation et des méthodes d'apprentissage par renforcement à partir des retours humains (RLHF) utilisées pour aligner les grands modèles de langage. En savoir plus sur l'apprentissage par renforcement >

L’IA générative utilise de grands modèles de fondation, souvent appelés grands modèles de langage (LLM) lorsqu’ils sont appliqués au texte, pour produire de nouveaux contenus : texte, code, images, audio et données synthétiques. Les capacités clés comprennent l'apprentissage zéro-shot (exécution de tâches sans exemples d'entraînement spécifiques à la tâche) et le prompting par chaîne de pensée (guidage des modèles pour raisonner étape par étape face à un problème). La vitesse d’adoption a dépassé la pratique d’évaluation dans de nombreuses entreprises, un risque de gouvernance qui apparaît en production avant d’apparaître dans la planification. En savoir plus sur l’IA générative >

L’IA multimodale combine les entrées entre les différentes modalités (texte, images, audio et vidéo) dans un espace d’enchâssement partagé, permettant à un seul modèle de raisonner sur plusieurs types de données. Il représente la frontière actuelle du développement de modèles de fondation et est de plus en plus pertinent pour les applications qui ont besoin de traiter ensemble des documents, des diagrammes et des médias non structurés.

Un agent d’IA est bien plus performant qu’un simple chatbot. Un agent peut planifier sur plusieurs étapes, utiliser des outils externes, récupérer du contexte à partir de sources externes et effectuer des actions. Par exemple, un chatbot d’assistance client peut répondre à des questions, mais un agent peut recevoir une demande de renseignements, récupérer l’historique du compte pertinent, croiser une base de connaissances, rédiger une résolution et ouvrir un ticket d’assistance, le plus souvent de manière autonome.

C’est également cette capacité qui fait des systèmes agentiques la catégorie la plus risquée au sein de la pile d’IA d’entreprise. Les erreurs s'amplifient au fil des étapes, de sorte qu'une supervision humaine doit être planifiée avant le déploiement.

Par ailleurs, les agents d’IA ne se valent que par la qualité des informations auxquelles ils peuvent accéder : la qualité de récupération, la gestion du contexte et la fiabilité des outils sont aussi importantes que le modèle lui-même. Un agent qui exploite des données obsolètes, incomplètes ou de faible portée produit rapidement des erreurs assurées et plausibles.

L’IA agentique est le domaine de l’IA d’entreprise qui évolue le plus rapidement à l’heure actuelle, et les frameworks de gouvernance sont encore en train de le rattraper. Les équipes qui créent des systèmes agentiques doivent définir le périmètre, les procédures d'escalade et les modes de défaillance avant le déploiement, et non après. En savoir plus sur l’IA >

L’adoption de l’IA d’entreprise tend à se concentrer là où le flux de travail, les entrées de données et les critères d’évaluation sont bien compris. Les exemples ci-dessous se concentrent sur les domaines dans lesquels l’IA est déjà appliquée dans la production, plutôt que sur des expériences spéculatives ou en phase de démarrage.

L’aide à la décision augmente le jugement des analystes et des opérateurs avec des recommandations générées par les modèles, telles que l’évaluation des risques, la souscription de crédit, l’aide à la décision clinique, l’optimisation de la chaîne d’approvisionnement.

L’automatisation gère des tâches à fort volume et adjacentes aux règles : traitement de documents, tri des e-mails, routage des tickets d’assistance, saisie de données, révision du code. La valeur réside dans le débit et la constance, pas dans la nouveauté.

La génération de contenu s’appuie sur l’IA générative pour produire des brouillons, des résumés, des traductions, des descriptions de produits et de la documentation interne à grande échelle. Les infrastructures de contrôle et d’évaluation de la qualité comptent davantage ici que la sélection des modèles.

La personnalisation alimente les moteurs de recommandation, la tarification dynamique, le marketing individualisé et les expériences adaptatives des produits. Ces systèmes sont souvent les déploiements de ML les plus anciens d’une entreprise et sont porteurs de la dette technique la plus ancienne.

La détection des fraudes et des anomalies utilise le deep learning pour identifier les régularités qui s’écartent de la référence : fraude financière, intrusion réseau, défauts de fabrication, problèmes de qualité des données.

La prévision applique des modèles de séries temporelles et le ML à la planification de la demande, à la gestion de la capacité, à la projection financière et à la modélisation des risques.

Regardez cette présentation pour comprendre comment l’IA générative et le calcul accéléré transforment chaque secteur :

La gouvernance de l’IA n’est plus un exercice de planification pour un déploiement futur. De nombreuses entreprises gouvernent désormais des systèmes déjà en production, notamment des modèles et des applications conçus avant que les dispositifs de contrôle de l'entreprise, les structures de responsabilité et les pratiques de supervision ne soient pleinement définis.

Le contexte réglementaire a rendu cette question plus urgente. Le règlement européen sur l'IA (EU AI Act) établit des exigences différenciées en fonction du niveau de risque : les systèmes utilisés dans le recrutement, le crédit, l’application de la loi et les infrastructures critiques sont soumis aux obligations les plus strictes. Le cadre de gestion des risques liés à l’IA du NIST offre une structure volontaire mais largement adoptée pour identifier, évaluer et gérer les risques liés à l’IA tout au long du cycle de vie des modèles. Tous deux partent du principe que la gouvernance commence dès la conception, et non dès le déploiement. Cela signifie que les entreprises qui ont sauté cette étape développent désormais rétroactivement les structures qui auraient dû primer.

Les risques liés à l’IA en entreprise se répartissent en trois catégories :

• Le risque lié aux données couvre la qualité des données d'entraînement, les biais, la provenance et la confidentialité.
• Le risque lié aux modèles couvre la précision, le calibrage, la dérive et l’interprétabilité.
• Le risque opérationnel couvre les effets en aval des sorties des modèles sur les décisions, les personnes et les systèmes.

La gestion de ces risques nécessite une évaluation systématique, à savoir des processus définis pour tester le comportement du modèle avant son déploiement, le superviser en production et détecter la dérive avant qu’elle ne devienne un problème métier.

Le même schéma se retrouve dans les déploiements en entreprise : les équipes qui investissent tôt dans les évaluations détectent les modes de défaillance avant qu'ils n'atteignent la production, tandis que celles qui ne le font pas se retrouvent à remonter aux sources des problèmes à partir des réclamations des utilisateurs.

La qualité de l’IA est fonction de la qualité des données. Cette relation s’applique à toutes les disciplines abordées dans ce guide : un modèle de deep learning entraîné sur des données non représentatives échouera de la même manière qu’une régression logistique entraînée sur des données erronées, et ce de manière encore moins lisible.

Les exigences en matière de données pour l’IA moderne vont au-delà des jeux de données propres et étiquetés. Elles comprennent des contrôles d'accès gouvernés (afin que les modèles soient entraînés sur des données que les équipes sont autorisées à utiliser), des définitions métier claires (afin que les caractéristiques aient la même signification dans les environnements d'entraînement et de production), le lignage et la provenance (afin que les équipes puissent retracer le comportement d'un modèle jusqu'à ses données d'entrée), ainsi qu'une infrastructure performante capable de fournir des données aux modèles lors de l'inférence sans introduire de latence ni de goulots d'étranglement.

La réalité opérationnelle est que le travail de data engineering s’est considérablement orienté vers l’IA. L’étude Technology Review Insights du MIT a révélé que les data engineers consacrent désormais 37 % de leur temps à des projets d’IA, contre 19 % en 2023, soit près du double en deux ans. Ce changement pousse les équipes des plateformes data à rendre les données prêtes pour l’IA disponibles de manière fiable, et pas seulement théoriquement accessibles.

En savoir plus sur Snowflake pour l’IA >

Une IA d'entreprise fiable repose sur l'environnement opérationnel autour du modèle : les méthodes d'évaluation, l'accès aux données gouvernées, les pratiques de supervision, les structures de responsabilité et les procédures d'escalade en cas de sorties incorrectes, de dérive, de dégradation des performances et de comportement non souhaité. Les guides ci-dessous traitent des disciplines qui aident les systèmes d’IA à passer de déploiements isolés à des services de production fiables.