Grand modèle de langage (LLM)
Un grand modèle de langage est un modèle statistique entraîné sur de très vastes corpus de texte, qui prédit les suites probables d'un texte. Il peut classer, résumer, traduire et rédiger, et constitue le composant de raisonnement de la plupart des agents IA — mais il ne détient à lui seul aucune donnée d'entreprise en temps réel.
Un LLM est un composant, pas un système. Seul, il n'a accès ni à vos commandes, ni à vos contrats, ni à vos données de référence, et ses connaissances ont une date limite. La valeur commerciale apparaît lorsque le modèle est connecté aux données officielles de l'entreprise et aux systèmes sur lesquels il peut écrire.
Le choix du modèle est une décision d'ingénierie : coût par jeton, latence, fenêtre de contexte, couverture linguistique et région d'hébergement comptent davantage que les classements de référence.
En pratique
- Apporte le jugement, le langage et l'extraction — pas les faits propres à votre entreprise
- Nécessite la recherche documentaire ou l'accès à des outils pour traiter des données actuelles
- Le choix du modèle dépend du coût, de la latence, de la langue et de la localisation des données
Termes liés
- Génération augmentée par récupération (RAG)La génération augmentée par récupération est une méthode où les documents pertinents de l'entreprise sont d'abord recherchés, puis les passages retrouvés sont fournis au modèle de langage comme contexte. Le modèle répond à partir de ces passages, ce qui rend les réponses actuelles, sourcées et vérifiables.
- HallucinationUne hallucination est une réponse d'un modèle de langage énoncée avec assurance mais fausse — un chiffre, une clause ou une référence inventés. C'est une propriété de la génération de texte statistique, raison pour laquelle les systèmes en production vérifient les sorties par rapport aux données sources au lieu de leur faire confiance.
- Fine-tuningLe fine-tuning poursuit l'entraînement d'un modèle existant sur des exemples propres à l'entreprise afin qu'il adopte un style, un format ou un comportement de classification donné. Il change la façon dont un modèle répond, pas les faits actuels qu'il connaît, et reste généralement la dernière option après le prompt et la récupération.