Petits modèles, données propres : comment les PME peuvent rester autonomes grâce à l’IA

Offres, données clients, processus internes : souhaite-t-on vraiment transférer toutes ces informations dans un cloud externe pour utiliser l’IA ? Les petits modèles de langage montrent qu’il existe d’autres solutions. Ils peuvent fonctionner localement, nécessitent peu de ressources et peuvent être adaptés aux besoins spécifiques de chaque entreprise. Les PME peuvent ainsi garder le contrôle de leurs données.

Le modèle le plus efficace pour un usage donné

ChatGPT a démontré de manière impressionnante le potentiel de l’intelligence artificielle, mais de nombreuses entreprises sont confrontées à un dilemme : si cette technologie suscite l’enthousiasme, les préoccupations liées à la protection des données ne cessent de croître. Une entreprise industrielle peut, par exemple, souhaiter automatiser ses calculs de coûts et la gestion de projets clients, tandis qu’une fiduciaire peut utiliser l’IA pour analyser des documents. Toutes deux savent toutefois qu’il peut être risqué de faire confiance à des fournisseurs de services cloud externes lorsque des secrets commerciaux hautement sensibles doivent quitter leur propre infrastructure.

Alors que les grands modèles de langage se comportent comme des généralistes numériques capables de tout faire, les petits modèles de langage (Small Language Models, SLM) [1] agissent plutôt comme des spécialistes de précision. Dotés d’un nombre de paramètres nettement inférieur, ils sont optimisés pour accomplir des tâches spécifiques avec une grande efficacité, soit dès la phase d’entraînement, soit par la combinaison avec des données spécifiques lors de son utilisation en tant qu’outil d’intelligence artificielle. Leur faible exigence en matière de matériel constitue un avantage décisif : les SLM peuvent fonctionner sur un serveur ordinaire, voire sur un ordinateur portable performant. Une comparaison permet de mieux comprendre leur intérêt : pour transporter de petites marchandises au quotidien, nul besoin d’un énorme camion ; une camionnette maniable est souvent bien plus efficace et pratique.

L’autonomie, aussi dans le domaine de l’IA

Pour les entreprises, la souveraineté numérique signifie avant tout pouvoir décider librement : il s’agit de contrôler précisément où se trouvent leurs données, qui peut y accéder et de quels fournisseurs elles dépendent sur le plan technologique. Pour les PME, ce n’est pas une question abstraite de géopolitique, mais une nécessité pratique. Perdre le contrôle peut les rendre vulnérables aux modifications des règles de protection des données, aux hausses de prix ou aux changements de licence imposés par les fournisseurs de services cloud externes, sans qu’elles puissent réellement maîtriser les conséquences. La souveraineté numérique protège ainsi leur modèle économique contre les dépendances externes. Face aux évolutions réglementaires à venir, notamment au règlement européen sur l’intelligence artificielle (AI Act), l’utilisation de modèles locaux offre également un avantage majeur en matière de conformité. En conservant la maîtrise complète de leurs systèmes d’IA, les entreprises peuvent répondre plus facilement et de manière proactive aux exigences réglementaires.

Potentiel et limites des petits modèles

L’un des principaux avantages des SLM réside dans leur fonctionnement local : lorsque les données ne quittent jamais l’entreprise, la protection des informations hautement sensibles est assurée. De plus, l’IA peut fonctionner de manière fiable même sans connexion Internet. Comparés aux modèles de très grande taille, les SLM sont nettement moins coûteux à exploiter et consomment moins d’énergie, car ils sont optimisés pour des tâches spécifiques. La transparence constitue un autre atout : de nombreux modèles récents sont disponibles en open source ou sous des licences ouvertes, comme Mistral, Gemma ou le modèle suisse Apertus [2]. Les entreprises ne sont donc pas contraintes de faire aveuglément confiance à une « boîte noire ». Elles peuvent vérifier quelle version du modèle est utilisée et, dans certains cas, connaître la nature des données d’entraînement. Cela constitue une base essentielle pour une utilisation responsable et maîtrisée de cette technologie.

Un petit modèle peut être entraîné à partir du langage métier de l’entreprise et de ses documents spécifiques, ou être connecté à des sources de données internes. Ainsi, dans une entreprise industrielle, un outil d’IA peut être optimisé pour répondre aux demandes techniques liées aux garanties, tandis qu’une fiduciaire peut utiliser un SLM pour résumer de manière cohérente des rapports complexes selon ses propres modèles. Dans le service client ou l’analyse de rapports de contrôle, les SLM permettent également de mettre en place des processus assistés par l’IA hautement spécialisés et fiables.

Les SLM ne sont toutefois pas des solutions universelles : les grands modèles restent plus performants pour les tâches complexes ou abstraites. Par ailleurs, leur mise en place et leur maintenance nécessitent un certain savoir-faire technique, ce qui représente un défi au quotidien pour de nombreuses PME.

Conclusion

Le meilleur modèle n’est pas nécessairement le plus grand, mais celui qui répond le mieux à un besoin spécifique. Si les modèles géants peuvent impressionner par leurs capacités, les petits modèles offrent un avantage décisif : ils permettent aux PME de tirer pleinement parti du formidable potentiel de l’intelligence artificielle, sans renoncer à la maîtrise de leurs données ni à leur souveraineté numérique.

Tomyra AI [3], une spin-off de la Haute école spécialisée bernoise, accompagne les PME et d’autres organisations dans cette transition. Tomyra AI est un environnement d’IA conçu pour les organisations qui traitent des données de clients, des dossiers ou des secrets commerciaux. Le modèle fonctionne dans un environnement isolé, situé en Suisse ou directement au sein de l’organisation. L’IA vient aux données, et non l’inverse. Tomyra AI aide également les organisations à concevoir leurs processus de manière à tirer le meilleur parti de l’IA, tout en développant les compétences nécessaires au sein de leurs équipes.

Références

[1] Pour approfondir le sujet : https://learning.oreilly.com/library/view/hands-on-small-language/0642572259877/

[2] https://www.apertus-ai.org/

[3] https://tomyra.ai