Les erreurs des agents IA deviennent des exercices d’entraînement
Un agent chargé de traiter une demande de remboursement consulte un dossier, applique une règle et prépare une réponse. S’il se trompe de procédure et qu’un employé le corrige, l’entreprise dispose d’un exemple concret de ce que l’agent devrait faire la prochaine fois. C’est le type de situation que Remanence veut exploiter. La plateforme s’appuie sur les données laissées par les agents en service, notamment les outils consultés, les tâches réussies et les corrections, pour recréer des situations de travail dans un environnement de test.
Ces exercices servent à spécialiser des modèles existants dont les paramètres, appelés « poids », sont accessibles. Par apprentissage par renforcement, le modèle s’exerce sur des tâches dont le résultat peut être évalué. De nouvelles situations de travail peuvent ensuite alimenter d’autres cycles d’entraînement. D’après les investisseurs, le client conserve les poids du modèle adapté et peut garder ses données sur sa propre infrastructure.
Hamza Benchekroun, directeur technique de Remanence, a travaillé chez InstaDeep avant de rejoindre H Company. Il y a participé, avec ses futurs associés Pierre-Louis Cedoz et Axel Moyal, au post-entraînement des modèles Holo, conçus pour accomplir des tâches sur ordinateur. Leur expérience commune se prolonge désormais dans une offre destinée aux entreprises. Parmi les investisseurs figurent aussi Zero Prime Ventures et Global Founders Capital. Le cabinet Gide, conseil de la startup, indique qu’elle travaille déjà avec des entreprises du juridique, du support client et du logiciel professionnel en Europe et aux États-Unis
Pour les entreprises, la mesure décisive sera le coût par tâche réussie
FirstMark estime qu’un modèle spécialisé peut améliorer les performances et coûter moins cher à l’usage sur les tâches pour lesquelles il a été entraîné. Pour une entreprise, le calcul doit aussi intégrer la préparation des données, le réentraînement, l’hébergement et le temps passé par les équipes à corriger les erreurs. Les annonces consultées ne donnent pas de résultats publics permettant de comparer ces coûts chez un client identifié. Le bon indicateur serait donc le coût par tâche correctement accomplie, interventions humaines comprises.
Au Maroc, un service client qui traite des demandes en français, en arabe et en darija offre un cas d’usage concret. Ses équipes peuvent disposer de corrections qui reflètent des formulations locales ou des procédures propres à l’entreprise. Si ces exemples sont suffisamment nombreux et fiables, ils peuvent servir à entraîner un modèle sur des demandes fréquentes, comme le suivi d’un dossier ou l’explication d’une facture. L’entreprise pourrait alors mesurer, langue par langue, le taux de réponses correctes, le nombre de dossiers repris par un employé et le coût du traitement. C’est à cette échelle que le pari de Remanence pourra être jugé.
Ces exercices servent à spécialiser des modèles existants dont les paramètres, appelés « poids », sont accessibles. Par apprentissage par renforcement, le modèle s’exerce sur des tâches dont le résultat peut être évalué. De nouvelles situations de travail peuvent ensuite alimenter d’autres cycles d’entraînement. D’après les investisseurs, le client conserve les poids du modèle adapté et peut garder ses données sur sa propre infrastructure.
Hamza Benchekroun, directeur technique de Remanence, a travaillé chez InstaDeep avant de rejoindre H Company. Il y a participé, avec ses futurs associés Pierre-Louis Cedoz et Axel Moyal, au post-entraînement des modèles Holo, conçus pour accomplir des tâches sur ordinateur. Leur expérience commune se prolonge désormais dans une offre destinée aux entreprises. Parmi les investisseurs figurent aussi Zero Prime Ventures et Global Founders Capital. Le cabinet Gide, conseil de la startup, indique qu’elle travaille déjà avec des entreprises du juridique, du support client et du logiciel professionnel en Europe et aux États-Unis
Pour les entreprises, la mesure décisive sera le coût par tâche réussie
FirstMark estime qu’un modèle spécialisé peut améliorer les performances et coûter moins cher à l’usage sur les tâches pour lesquelles il a été entraîné. Pour une entreprise, le calcul doit aussi intégrer la préparation des données, le réentraînement, l’hébergement et le temps passé par les équipes à corriger les erreurs. Les annonces consultées ne donnent pas de résultats publics permettant de comparer ces coûts chez un client identifié. Le bon indicateur serait donc le coût par tâche correctement accomplie, interventions humaines comprises.
Au Maroc, un service client qui traite des demandes en français, en arabe et en darija offre un cas d’usage concret. Ses équipes peuvent disposer de corrections qui reflètent des formulations locales ou des procédures propres à l’entreprise. Si ces exemples sont suffisamment nombreux et fiables, ils peuvent servir à entraîner un modèle sur des demandes fréquentes, comme le suivi d’un dossier ou l’explication d’une facture. L’entreprise pourrait alors mesurer, langue par langue, le taux de réponses correctes, le nombre de dossiers repris par un employé et le coût du traitement. C’est à cette échelle que le pari de Remanence pourra être jugé.