Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Couche 4 : modèles d'application reproductibles pour les cas d'utilisation courants de l'IA générative
À mesure que les entreprises adoptent l'IA générative, des modèles clairs sont apparus quant à la manière dont les organisations utilisent cette technologie pour générer de la valeur commerciale. Ces cas d'utilisation courants illustrent des approches éprouvées pour appliquer l'IA générative à différentes fonctions commerciales. Ces cas d'utilisation peuvent aider les organisations à identifier et à hiérarchiser leurs propres opportunités de mise en œuvre.
En comprenant ces cas d'utilisation établis, les entreprises peuvent mieux évaluer les domaines dans lesquels l'IA générative peut avoir l'impact le plus immédiat, tout en jetant les bases d'une adoption plus large. Cette section décrit les principaux domaines dans lesquels les entreprises déploient avec succès des solutions d'IA générative.
Cette section contient les rubriques suivantes :
Assistants basés sur l'IA générative
Les assistants basés sur l'IA générative offrent une assistance personnalisée et contextuelle pour diverses fonctions professionnelles. Ce sont des outils idéaux pour les utilisateurs expérimentés. Ils boostent le rendement des employés qui apprennent à les intégrer dans leur flux de travail. En utilisant des modèles linguistiques, ces assistants améliorent l'efficacité, la productivité et la satisfaction des utilisateurs au sein des entreprises.
AWS propose Amazon Q Business, un assistant d'intelligence artificielle destiné aux entreprises, prêt à l'emploi et hautement personnalisable. La mise en œuvre implique l'adaptation de sa base de connaissances à l'aide de données spécifiques à l'organisation afin d'obtenir des réponses précises et pertinentes. L'intégration aux systèmes de gestion de la relation client (CRM) et de planification des ressources d'entreprise (ERP) améliore son utilité et favorise un flux de données fluide et des fonctionnalités complètes au sein de l'entreprise.
Pour les équipes de développement de logiciels, AWS fournit Amazon Q Developer. Cet assistant de codage est conçu pour augmenter la productivité en aidant à la génération de code, à la détection des bogues, aux suggestions de refactorisation et à la création de documentation. Lorsqu'elles sont intégrées de manière fluide dans des environnements de développement intégrés (IDEs), les développeurs peuvent accéder à ses fonctionnalités directement dans leur environnement de codage habituel, ce qui rationalise les flux de travail et réduit le changement de contexte. Pour plus d'informations, consultez Génération et analyse de code ce document de stratégie.
Les cas d'utilisation courants des assistants basés sur l'IA générative sont les suivants :
-
Assistants exécutifs chargés de la gestion du calendrier, de la synthèse des rapports et de la préparation des brèves.
-
Des assistants RH qui soutiennent l'intégration des employés, répondent aux questions relatives aux politiques et aident à la gestion des performances.
-
Des outils d'aide à la vente qui fournissent des informations en temps réel sur les produits et des informations sur la concurrence.
Pour optimiser l'efficacité des assistants basés sur l'IA générative, envisagez de commencer par un déploiement ciblé, par exemple au sein d'un département spécifique. Cela permet aux équipes de développement d'évaluer l'impact et de recueillir les commentaires des utilisateurs avant de le déployer plus largement au sein de l'organisation. Cette approche progressive facilite le processus d'adoption et optimise l'alignement de l'assistant sur les besoins de l'entreprise.
Pour plus d'informations sur la création d'assistants d'entreprise basés sur l'IA générative, consultez Développer un assistant entièrement automatisé basé sur le chat à l'aide des agents et des bases de connaissances Amazon Bedrock.
Assistants basés sur le chat RAG
Out-of-the-box les modèles de base, bien que puissants, sont limités par leurs données de pré-entraînement. Ils ne sont pas au courant des événements récents survenus après la date limite de formation et ne comprennent pas les processus spécifiques à l'entreprise ni les données personnalisées. Cette limitation les rend inadaptés à de nombreux cas d'utilisation commerciale qui nécessitent une connaissance de l'organisation.
La personnalisation des modèles par le biais d'un ajustement précis est un processus complexe et coûteux, et la collecte de données d'entraînement de haute qualité peut s'avérer difficile. La génération augmentée de récupération (RAG) répond à ces limites en combinant de grands modèles linguistiques (LLMs) avec les données propriétaires d'une organisation. Les approches RAG créent des interactions basées sur l'IA qui s'appuient sur des connaissances spécifiques au domaine. Pour plus d'informations sur RAG et le réglage précis, consultez la section Options d'IA générative pour interroger des documents personnalisés.
Les cas d'utilisation courants des assistants basés sur le chat RAG sont les suivants :
-
des systèmes de support client ayant accès à la documentation du produit et FAQs
-
Outils de gestion des connaissances internes permettant de récupérer rapidement des informations spécifiques à l'entreprise
-
Assistants juridiques ou de conformité basés sur le chat qui font référence aux politiques et réglementations organisationnelles
AWS simplifie la mise en œuvre des assistants basés sur le chat RAG via les bases de connaissances Amazon Bedrock. Ce service vous aide à configurer une base de données vectorielle pour interroger et récupérer des données à partir de documents personnalisés. Les principales fonctionnalités incluent l'intégration à Amazon Simple Storage Service (Amazon S3) pour le stockage des données, la compatibilité avec des services tiers (tels que SharePoint Microsoft et Atlassian Confluence), des fonctionnalités de recherche vectorielle efficaces pour la récupération de documents pertinents et l'intégration avec des modèles de base (tels qu'Anthropic Claude) pour créer des assistants basés sur le chat conversationnel. Pour commencer, identifiez une base de connaissances bien définie et à portée limitée et utilisez-la pour créer un assistant basé sur le chat proof-of-concept RAG. À mesure que les mises en œuvre évoluent, faites attention à la fraîcheur des données et aux coûts de calcul des opérations de récupération à grande échelle.
Pour plus d'informations sur la création d'assistants RAG basés sur le chat, consultez les pages suivantes :
Agents d'IA génératifs
Les agents d'IA générative représentent une avancée significative dans l'automatisation de processus métier complexes. Ces agents peuvent gérer des flux de travail sophistiqués qui nécessitaient traditionnellement une intervention humaine en décomposant les tâches et en interagissant avec différents systèmes.
Les applications typiques des agents d'IA générative incluent l'orchestration automatisée des flux de travail pour les processus métier en plusieurs étapes, les assistants virtuels intelligents pour l'exécution de tâches interservices, ainsi que les agents d'analyse de données et de génération de rapports capables d'interroger plusieurs bases de données.
AWS fournit des outils, tels qu'Amazon Bedrock Agents, pour vous aider à créer et à déployer des agents d'IA. La mise en œuvre implique la définition d'actions personnalisées et d'intégrations d'API spécifiques aux besoins de votre entreprise. Vous devez également mettre en place des mécanismes robustes de gestion des erreurs et de journalisation. Vous pouvez l'utiliser AWS Lambdapour l'exécution de fonctions sans serveur, Amazon API Gateway pour la gestion APIs et AWS Step Functionspour l'orchestration des flux de travail.
Organisations peuvent commencer par identifier un processus répétitif en plusieurs étapes et cartographier ses points de décision et ses interactions avec le système. Cela sert de modèle pour l'agent d'IA génératif initial. Les principales considérations incluent la validation du traitement approprié des erreurs et le maintien de la transparence dans les processus décisionnels.
Traitement intelligent des documents
Le traitement intelligent des documents (IDP) utilise l'IA générative et le traitement du langage naturel (NLP) pour extraire, classer et traiter automatiquement les informations de différents types de documents. IDP peut transformer le traitement de documents non structurés en flux de travail automatisés et évolutifs.
Les solutions IDP modernes peuvent adopter deux approches : le traitement traditionnel basé sur le pipeline ou le traitement multimodal direct via des modèles de base. Pour créer un pipeline traditionnel AWS, vous pouvez associer Amazon Textract pour la reconnaissance optique de caractères (OCR) et la compréhension des documents aux modèles de base Amazon Bedrock pour une analyse avancée. Pour un traitement multimodal direct via des modèles de base, vous pouvez également utiliser des modèles de state-of-the-art base (tels que Anthropic Claude dans Amazon Bedrock) pour traiter directement des images et des documents numérisés en une seule étape. PDFs
Organisations peuvent choisir leur approche en fonction de leurs besoins spécifiques. Les pipelines traditionnels excellent dans le traitement de gros volumes et dans les scénarios nécessitant un contrôle précis. Le traitement multimodal direct par le biais de modèles de base est idéal pour les documents complexes qui nécessitent une précision accrue grâce à une compréhension contextuelle sophistiquée.
Les cas d'utilisation courants de l'IDP sont les suivants :
-
Traitement des réclamations qui automatise l'examen, la validation et l'extraction des données des documents relatifs aux réclamations d'assurance.
-
Traitement des factures qui extrait les rubriques, les totaux et les informations sur les fournisseurs pour l'automatisation des comptes fournisseurs.
-
Analyse des contrats qui examine les documents juridiques afin d'en extraire les principales conditions, obligations et dates d'expiration.
-
Traitement des dossiers médicaux qui analyse les dossiers des patients pour en extraire les informations médicales et le codage pertinents.
La mise en œuvre utilise généralement des architectures pilotées par les événements qui utilisent Amazon S3 et Amazon Simple Queue Service (Amazon SQS). AWS Lambda Lorsque vous chargez un document dans un compartiment Amazon S3, celui-ci lance des flux de travail de traitement. Les résultats sont stockés dans des bases de données, telles qu'Amazon DynamoDB, ou ingérés dans les systèmes de l'entreprise via. APIs Pour des résultats optimaux, les entreprises doivent mettre en œuvre des stratégies de traitement par lots, une gestion robuste des erreurs et des pistes d'audit. Commencez par un type de document spécifique avant d'élargir le champ d'application.
Cette automatisation réduit considérablement les interventions manuelles, le temps de traitement et les erreurs humaines. Cela aide également le personnel à se concentrer sur les activités qui nécessitent du jugement et de l'expertise.
Pour plus d'informations sur les flux de traitement des documents, consultez Extraire automatiquement le contenu de fichiers PDF à l'aide d'Amazon Textract.
Génération et synthèse de contenu
Les modèles d'IA générative excellent dans la génération et la synthèse de contenu. Cela en fait des outils précieux pour diverses applications professionnelles. Vous pouvez utiliser les fonctionnalités de traitement du langage naturel des grands modèles linguistiques pour créer ou condenser des informations textuelles.
Les cas d'utilisation courants pour la génération et la synthèse de contenu sont les suivants :
-
Génération automatique de rapports à partir de données structurées
-
Création de contenu pour les supports marketing, les descriptions de produits et les publications sur les réseaux sociaux
-
Synthèse de documents pour des articles de recherche, des documents juridiques ou de longs rapports
La mise en œuvre implique AWS généralement l'utilisation d'Amazon Bedrock pour les tâches de génération et de synthèse de texte. Amazon Comprehend peut être utilisé pour la reconnaissance des entités et l'analyse des sentiments, afin d'améliorer le contexte et la qualité du contenu généré.
Les meilleures pratiques pour les applications de génération et de synthèse de contenu incluent la mise en œuvre de human-in-the-loop processus de révision du contenu et de contrôle qualité, l'utilisation de modèles affinés pour la génération de contenu spécifique à un domaine et la mise en œuvre de filtres de contenu pour garantir la cohérence de la marque et le respect des directives.
Par exemple, vous pouvez utiliser l'IA générative pour analyser les données cliniques des patients et générer des résumés et des notes cliniques. Pour plus d'informations, voir Création d'une application d'intelligence médicale à partir de données de patients augmentées.
Génération et analyse de code
Les modèles d'IA générative possèdent des capacités remarquables pour comprendre et générer du code dans différents langages de programmation. Vos développeurs peuvent utiliser ces fonctionnalités pour contribuer à l'écriture, à la refactorisation et à l'analyse du code.
Les cas d'utilisation courants sont les suivants :
-
Génération de code automatisée pour les tâches standard
-
Suggestions de refactorisation et d'optimisation du code
-
Détection des bogues et analyse des failles de sécurité
AWS propose plusieurs services pour aider à soutenir cette tendance. Amazon Q Developer fournit une génération de code assistée par l'IA, qui aide les développeurs à écrire du code plus rapidement et avec moins d'erreurs. Amazon CodeGuru propose des révisions de code intelligentes et des recommandations en matière de performances. Vous pouvez intégrer ces services à des AWS Lambda fins d'exécution et de test de code sans serveur.
Les meilleures pratiques pour les applications de génération et d'analyse de code incluent l'intégration d'outils de codage assistés par l'IA dans les environnements de développement existants. Envisagez de mettre en œuvre des processus de révision de code stricts pour vous assurer que le code généré répond aux normes de qualité. Utilisez l'IA pour les premières ébauches de code, mais faites appel à l'expertise humaine pour les décisions finales de mise en œuvre.
Pour plus d'informations sur la création d'assistants de codage, consultez Utiliser Amazon Q Developer comme assistant de codage pour augmenter votre productivité.
Applications d'IA multimodales
Les applications d'IA multimodales combinent différents types d'entrées et de sorties de données, tels que du texte, des images, du son et de la vidéo. Ce modèle utilise la capacité des modèles avancés d'IA générative à comprendre et à générer du contenu selon de multiples modalités.
Les cas d'utilisation courants des applications d'IA multimodales sont les suivants :
-
Systèmes visuels de réponse aux questions pour le support client ou la documentation interne
-
Modération intelligente du contenu d'images et de vidéos
-
Analyse de données multimodales pour la business intelligence
Sur AWS, vous pouvez utiliser Amazon Bedrock pour les modèles de fondations multimodaux. Les services supplémentaires incluent Amazon Rekognition pour l'analyse d'images et de vidéos, Amazon Transcribe pour la conversion et Amazon Polly speech-to-text pour la conversion. text-to-speech Ces services peuvent améliorer les capacités multimodales de l'application.
Les meilleures pratiques pour les applications d'IA multimodales consistent notamment à garantir des ensembles de données diversifiés et de haute qualité pour la formation et à affiner les modèles multimodaux. Mettez également en œuvre une gestion robuste des erreurs pour les différentes modalités de saisie et examinez attentivement les implications éthiques et les biais potentiels des systèmes d'IA multimodaux.
Pour plus d'informations sur la création d'applications multimodales, consultez Documenter les connaissances institutionnelles à l'aide d'Amazon Bedrock et d'Amazon Transcribe.
Recommandations de mise en œuvre
Pour implémenter efficacement des modèles d'application reproductibles pour l'IA générative au sein de votre organisation, tenez compte des recommandations suivantes :
-
Commencez par un catalogue de modèles qui documente les implémentations réussies et fournit des modèles, des architectures de référence et des exemples de code qui accélèrent le développement.
-
Établissez un processus de gouvernance des modèles centralisé pour évaluer, approuver et maintenir les modèles standard afin de promouvoir la cohérence et la qualité au sein de l'entreprise.
-
Priorisez les cas d'utilisation en fonction de l'impact commercial, de la faisabilité technique et de l'alignement sur les objectifs stratégiques.
-
Créez une équipe interfonctionnelle de développement de modèles comprenant des spécialistes de l'IA, des experts du domaine et des utilisateurs finaux qui peuvent s'assurer que les modèles répondent aux besoins réels de l'entreprise.
-
Mettez en œuvre une approche « construire une fois, réutiliser plusieurs fois » en créant des composants modulaires et composables qui peuvent être assemblés dans différents modèles d'application.
-
Élaborez des critères d'évaluation clairs pour chaque type de modèle afin de mesurer l'efficacité. Incluez des mesures relatives à la valeur commerciale, à la satisfaction des utilisateurs et aux performances techniques.
-
Établissez un modèle de maturité des modèles qui classe les modèles comme expérimentaux, éprouvés ou conformes aux normes de l'entreprise afin de guider les équipes dans leur processus de sélection.
-
Créez une documentation complète qui favorise l'adoption réussie de chaque modèle, y compris les guides de mise en œuvre, les limites et les meilleures pratiques.
-
Révisez régulièrement les modèles afin d'identifier les opportunités d'amélioration, de consolidation ou de mise hors service à mesure que les besoins technologiques et commerciaux évoluent.
