«Qu’est-ce qu’une compétence?» a demandé Pierre Stock, vice-président des opérations scientifiques chez Mistral AI. «Il s’agit en substance de la documentation que vous auriez aimé rédiger pour un nouveau venu dans l’équipe, mais que vous n’avez jamais écrite.» (Photo: Julian Pierrot/Paperjam)

«Qu’est-ce qu’une compétence?» a demandé Pierre Stock, vice-président des opérations scientifiques chez Mistral AI. «Il s’agit en substance de la documentation que vous auriez aimé rédiger pour un nouveau venu dans l’équipe, mais que vous n’avez jamais écrite.» (Photo: Julian Pierrot/Paperjam)

«Les entreprises ont besoin de ‘compétences’ réutilisables en matière d’agents IA afin que le travail puisse être automatisé plutôt que répété», a déclaré Pierre Stock, de Mistral AI, lors du salon Nexus Luxembourg, qui s’est tenu à Luxexpo The Box le 10 juin.

«Un modèle agentique qui met dix minutes à s’y retrouver dans une tâche ne devrait pas obliger le prochain employé à répéter le même processus», a déclaré mercredi Pierre Stock, vice-président des opérations scientifiques chez Mistral AI, à Nexus Luxembourg. «On veut que le modèle apprenne et qu’il soit bien plus rapide sur ce point.»

Selon Pierre Stock, les entreprises qui souhaitent mettre en œuvre des agents basés sur l’IA auront besoin de bien plus que de simples modèles plus performants. Elles auront besoin d’outils, de capacités de stockage, de garde-fous, de contrôles et d’instructions réutilisables autour de ces modèles, afin que le travail utile ne se perde pas d’une instruction à l’autre.

Ce que le vice-président entend par là, ce n’est pas que les modèles sont peu performants, mais plutôt que même les modèles les plus performants ont besoin d’un environnement de travail adapté pour pouvoir fonctionner de manière fiable au sein d’une entreprise.

«Monologue intérieur» des modèles

Selon lui, les agents IA ne constituent pas une rupture par rapport à l’architecture des modèles existants, mais un moyen de faire en sorte que ces modèles accomplissent leurs tâches d’une manière plus proche de celle d’une personne qualifiée.

«Cela commence lorsque l’on montre au modèle comment une personne qualifiée s’y prendrait pour accomplir une tâche. En substance, nous fournissons au modèle une reproduction de ce que ferait un expert du domaine», a expliqué Pierre Stock. «Cette reproduction, c’est-à-dire la question, la réponse et les étapes menant à la réponse, nous l’appelons une trace agentique ou une trajectoire agentique.» En d’autres termes, on ne se contente pas de montrer au modèle la réponse finale. On lui montre le chemin qu’un expert a suivi pour y parvenir.

Dans l’exemple présenté par le vice-président, un expert confronté à des signes de stress ne se précipiterait pas pour formuler une recommandation. Il examinerait les conditions météorologiques, vérifierait si le problème est localisé, étudierait les images satellites et analyserait les causes possibles avant de décider de la marche à suivre.

[Pour un modèle agentique], apprendre n’est pas la même chose que se recycler.
Pierre Stock

Pierre Stock, vice-président des opérations scientifiques, Mistral AI

À ce stade, a expliqué Pierre Stock, le modèle n’interagit pas encore avec le monde extérieur. On lui montre la séquence qu’une personne suivrait avant qu’un entraînement ultérieur ne lui permette d’essayer d’accomplir des tâches par lui-même.

L’expert a établi un lien entre ces traces et la responsabilité, expliquant qu’elles consignent les erreurs, les impasses et les revirements, et qu’elles peuvent être examinées ultérieurement pour comprendre les raisons qui ont motivé une décision. «C’est en quelque sorte le monologue intérieur du modèle.»

Sur la scène du Nexus Luxembourg, M. Stock a déclaré que le développement de l’IA évoluait désormais par cycles d’environ six mois, à un rythme bien plus rapide que celui habituellement observé dans l’industrie des semi-conducteurs. (Photo: Julian Pierrot/Paperjam)

Sur la scène du Nexus Luxembourg, M. Stock a déclaré que le développement de l’IA évoluait désormais par cycles d’environ six mois, à un rythme bien plus rapide que celui habituellement observé dans l’industrie des semi-conducteurs. (Photo: Julian Pierrot/Paperjam)

Un moteur sans état

«Même lorsqu’un modèle est capable d’imiter les étapes suivies par un expert, les entreprises ont encore besoin d’un moyen de déterminer si l’on peut se fier à sa réponse», a rappelé Pierre Stock. Pour un exercice mathématique, cela peut être simple. Pour un rapport ou tout autre résultat moins évident, a-t-il expliqué, un deuxième modèle peut être utilisé dans le cadre du processus de vérification, afin de déterminer si le résultat répond aux critères définis, même si le processus ne suit pas toujours exactement le même cheminement.

«Pour les utilisateurs professionnels, la question n’est pas de savoir si un modèle aboutit chaque fois au même résultat de la même manière. Il s’agit plutôt de savoir si le résultat est suffisamment satisfaisant pour l’usage prévu», a détaillé l’expert.

Le problème majeur, c’est que le modèle lui-même ne garde pas en mémoire le travail qu’il vient d’effectuer. «Le modèle est ‘sans état’, il n’a pas d’état», a-t-il déclaré. C’est pourquoi, dans ce contexte, «apprendre» ne revient pas à reconstruire le modèle. «Ici, apprendre, ce n’est pas la même chose que se recycler.»

Autour du modèle

C’est le «harnais», ou «échafaudage», qui confère au modèle cette structure enveloppante. Pierre Stock a utilisé ces termes pour désigner la couche construite autour du modèle: «Les agents IA ont besoin d’outils, de mémoire, de garde-fous et de règles régissant la manière dont le modèle accomplit une tâche.» Il a comparé cette structure à un bureau de travail: un environnement contrôlé où le modèle peut utiliser des fichiers, faire appel à des outils et laisser des instructions, plutôt que de devoir recommencer chaque tâche à partir d’une «enveloppe» vide.

Les compétences? Il s’agit essentiellement de la documentation que vous auriez aimé rédiger pour un nouveau venu dans l’équipe, mais que vous n’avez jamais écrite.
Pierre Stock

Pierre Stock, vice-président des opérations scientifiques, Mistral AI

Selon la description de l’expert, le modèle n’est pas livré à lui-même pour improviser. Il évolue au sein d’un environnement conçu pour le guider, le contrôler et l’aider à réutiliser ce qu’il a déjà appris.

Les compétences, un rouage essentiel

Pour Pierre Stock, l’élément le plus important de cet environnement est ce qu’il appelle les «compétences». Il a utilisé ce terme pour désigner des consignes réutilisables, destinées aussi bien aux personnes qu’aux modèles, qui décrivent comment le travail doit être effectué, quand les outils doivent être utilisés et ce que les collègues expérimentés omettent souvent de consigner par écrit. «Qu’est-ce que les compétences? Il s’agit essentiellement de la documentation que vous auriez aimé rédiger pour un nouveau venu dans l’équipe, mais que vous n’avez jamais écrite», a-t-il expliqué.

Une compétence peut englober les bonnes pratiques d’un domaine, des conseils sur les situations dans lesquelles un outil doit ou ne doit pas être utilisé, ainsi que des mises en garde que seul un professionnel expérimenté a généralement en tête. Dans les diapositives du vice-président, les humains et les agents élaborent ensemble ces compétences, de sorte qu’une procédure inconnue aujourd’hui puisse devenir une bonne pratique demain.

Le réentraînement modifie le modèle et nécessite une infrastructure importante. La mise à jour des compétences modifie les connaissances dont dispose le modèle, ce qui permet au système de conserver ce qu’il a appris au cours de son exploitation. Une entreprise pourrait alors passer à un modèle plus récent tout en conservant ces compétences au sein du système. Pour les entreprises, cela signifie que les compétences vont au-delà de la simple documentation: il s’agit d’un savoir-faire qui peut être mis à jour, amélioré et réutilisé pour guider les systèmes d’IA dans leurs tâches futures.

Le goulot d’étranglement humain

Pierre Stock a établi un lien entre cette approche et le domaine de la conception industrielle et de la fabrication, où le travail s’articule souvent autour de boucles répétitives de résolution et de vérification. Dans le domaine de la conception industrielle, a-t-il expliqué, les systèmes autonomes pourraient contribuer à accélérer les cycles tout en réduisant l’intervention humaine.

Cela n’écarterait pas les personnes concernées du processus, mais cela modifierait leur rôle. Au lieu de répéter chaque étape intermédiaire, les ingénieurs consacreraient davantage de temps à définir les problèmes, à gérer les équipes, à remettre en question les résultats et à déterminer si ceux-ci sont satisfaisants.

Selon le vice-président, le développement de l’IA évolue désormais par cycles d’environ six mois, à un rythme bien plus rapide que celui habituellement observé dans l’industrie des semi-conducteurs. À mesure que les agents gagnent en autonomie, leur «temps de vol» – c’est-à-dire la période pendant laquelle ils peuvent accomplir un travail utile de manière autonome – devrait passer de quelques minutes à plusieurs heures, jours, voire semaines.

Dans ce cas de figure, les entreprises auront besoin de personnes capables de garder une vue d’ensemble suffisante pour pouvoir demander des précisions aux agents travaillant en parallèle, sans avoir à vérifier elles-mêmes chaque étape.

L’avertissement de Pierre Stock ne portait pas sur le fait que les agents d’IA soient prêts à fonctionner sans supervision. Il soulignait plutôt que les entreprises qui souhaitent les utiliser devront mettre en place un environnement de travail adapté, et non se contenter d’acheter un modèle plus performant.