Pertinence plutôt que l’échelle: Concevoir une IA qui résiste au contact avec la réalité

Pourquoi les modèles plus petits et spécifiques à une tâche sont essentiels pour l’IA sur le terrain

Les équipes peuvent désormais passer d’une requête IA à un prototype plus rapidement que jamais. Mais ces prototypes se cassent souvent dans les flux de travail réels, comme la maintenance sur site, la fabrication ou la gestion des installations, lorsque la précision, la cohérence et la responsabilité sont essentielles. Le problème est que, bien que l’IA puisse toujours fournir une réponse, ce dont vous avez réellement besoin est la bonne réponse, dans le bon contexte, à chaque fois.

C’est là que la plupart des grands modèles de langage (LLM) perdent de leur valeur. Avec un LLM, poser simplement la même question de différentes manières peut générer des résultats totalement différents. Cela provient du fait que de nombreux LLM privilégient l’étendue plutôt que la profondeur spécialisée. Et si la flexibilité peut être utile dans les travaux créatifs, cette vaste connaissance peut devenir un handicap pour quiconque recherche la précision.

Les environnements opérationnels exigent de la cohérence. Les actifs sont connus, les procédures documentées, et les protocoles de sécurité ainsi que les exigences réglementaires définissent les paramètres acceptables. Toute variabilité des résultats fondée sur des connaissances générales d’internet peut aggraver un problème. Dans une réparation de système CVC, par exemple, les techniciens ont besoin de résultats ancrés dans l’actif précis – son historique d’entretien et ses schémas de défaillance connus.

Imaginez un technicien répondant à une panne d’équipement sous pression temporelle. Si le système fournit des réponses incohérentes selon la formulation de la question, ou ne peut pas rattacher ses recommandations à des données fiables, vous vous retrouvez rapidement face à un gros problème. Le temps de réponse compte pour les clients et pour le succès de l’entreprise.

Le passage de l’échelle à la pertinence

Le changement en cours consiste à passer de l’IA générique à l’IA pertinente. Au lieu de demander à l’IA de tout faire, de plus en plus d’organisations limitent son rôle à des tâches spécifiques et répétables. Les modèles plus petits, spécifiques à une tâche, et les systèmes d’IA à portée restreinte gagnent du terrain car ils peuvent être ancrés dans des données opérationnelles en temps réel, contraints par les règles métier, et intégrés directement aux flux de travail existants.

Il a été démontré que les modèles plus petits sont meilleurs pour:

• Dépannage: Les petits modèles peuvent transformer des entrées très nuancées comme les manuels, l’expérience antérieure et le partage informel de connaissances en distillations de connaissances, permettant aux membres d’équipe plus juniors d’apprendre plus rapidement et d’agir avec davantage de confiance. Les petits modèles d’IA peuvent également enrichir cela en incorporant des ordres de travail historiques, des journaux de réparation et des schémas de défaillance spécifiquement pertinents pour suggérer les étapes suivantes probables. Cela réduit le temps passé à chercher à travers les systèmes.
• Transferts de travail: Une documentation incomplète ou incohérente peut rendre les transferts entre équipes ou quarts de travail dangereux. Mais les modèles spécifiques à une tâche, entraînés sur les données de service, peuvent résumer ce qui a été fait, quelles pièces ont été remplacées et ce qui reste en suspens. Cela permet au technicien suivant de commencer avec une vision claire plutôt que de devoir reconstituer les informations.
• Conformité et sécurité: Dans les environnements réglementés, manquer une étape comporte risque réel. Les petits modèles de langage spécifiques à une tâche peuvent guider les flux d’inspection standardisés, confirmer les étapes requises et identifier ou signaler les incohérences en temps réel.

Ces modèles plus petits peuvent être entraînés et contraints autour de données connues, de flux de travail approuvés et d’actions définies. Au lieu de fonctionner comme un outil séparé, ils s’intègrent aux systèmes existants, où ils peuvent récupérer des données en temps réel, mettre à jour les dossiers et suggérer les étapes suivantes.  

Construire une IA dont les équipes opérationnelles peuvent se fier

Pour que l’IA réussisse dans les environnements de service sur le terrain et de fabrication, elle doit être ancrée dans la réalité du déroulement du travail: systèmes connectés, données opérationnelles structurées et flux de travail auxquels les équipes font déjà confiance. Et elle doit être digne de confiance.

La confiance commence par une base de données cohérentes et structurées afin que les modèles interprètent les actifs, les ordres de travail et les indicateurs de la même manière à chaque fois. Les résultats doivent également être encadrés par des garde-fous et une gouvernance afin que les recommandations restent dans les flux de travail approuvés, proviennent de sources de données validées et n’incitent pas les opérateurs à agir au‑delà de leur rôle ou de leurs compétences. Si une recommandation ne peut pas être rattachée à des données connues, l’IA ne doit pas la proposer.

L’IA doit également être intégrée – incorporée aux systèmes que les équipes utilisent déjà lors de la prise de décision; sinon, elle sera moins utile voire ignorée. Et la supervision humaine reste indispensable. L’objectif n’est pas, et ne doit jamais être, de remplacer les opérateurs; il s’agit de travailler à leurs côtés. Cela signifie que les humains doivent toujours être ceux qui approuvent les actions critiques, qui annulent les recommandations, qui exécutent les actions essentielles et qui escaladent lorsqu’un élément sort des schémas attendus.

La confiance dans l’IA se construit de la même manière que pour tout système opérationnel: grâce à une performance constante et à son alignement avec la façon dont le travail est réalisé. Vous pouvez toujours obtenir une réponse de l’IA, mais c’est une réponse fiable, correcte et cohérente qui compte réellement. Les environnements opérationnels où l’IA peut créer le plus de valeur sont également ceux où il y a peu ou pas d’ambiguïté.

L’efficacité d’une IA à la bonne taille

Il existe également un avantage pratique aux modèles plus petits. Ils sont plus légers, plus rapides et plus faciles à gérer. Ils nécessitent également moins de puissance de calcul, produisent des résultats avec une latence plus faible et peuvent être mis à jour lorsque les processus évoluent.

Et il est possible de combiner les deux approches de l’IA. Certaines entreprises utilisent des modèles plus grands et plus génériques pour capter des schémas larges et du raisonnement, puis distillent ces connaissances dans des modèles plus petits adaptés à des tâches spécifiques. Cela permet aux organisations de conserver les avantages de l’entraînement à grande échelle tout en livrant des systèmes qui fonctionnent de manière plus fiable sur le terrain.

Les gains d’efficacité sont les plus évidents dans les processus à haut volume tels que la gestion des ordres de travail ou la surveillance de la production, où les améliorations de performance peuvent être mesurées par des indicateurs opérationnels, comme des temps de résolution plus rapides et une réduction des temps d’arrêt.  

Redéfinir le succès

La confiance est au cœur de la prochaine phase de l’IA. Les systèmes réussiront lorsqu’ils fonctionneront dans des conditions réelles, et non en fonction de leur apparence intelligente en tant que prototype. L’IA est à son meilleur lorsqu’elle rend les processus réellement plus sûrs, réduit les transferts ou rend la responsabilité plus claire. L’IA est fiable lorsqu’elle est cohérente. Faire évoluer l’intelligence de façon indiscriminée pour le simple plaisir de le faire ne crée aucun avantage opérationnel. Un système conçu de manière à pouvoir compter sur son bon fonctionnement sur le terrain, quand et comment vous en avez besoin, est la clé d’un réel progrès.