La capacité à créer des requêtes intelligentes est indispensable. Mais il faudra d'abord connecter l'IA générative à ses données pour créer des réponses pertinentes.
L'IA générative suscite énormément d'attentes - mais aussi de questions. C'est bien normal : le potentiel transformatif de cette technologie est immense, et des bouleversements sont à prévoir. Des métiers vont évoluer, certains disparaîtront, d'autres naîtront. Parmi ces métiers, on évoque parfois celui de "prompt engineer". Mais est-ce que "prompt engineer" est un métier d'avenir ?
Pour faire suite à une tribune que j'ai signée dans CIO, je vous propose une FAQ sur le prompt engineer, afin de synthétiser notre point de vue.
Le prompt engineer est une personne chargée de mettre au point, maintenir et optimiser les prompts, c'est-à-dire les instructions données aux outils d'IA génératives.
Oh que oui ! La manière de rédiger un prompt influe énormément sur la pertinence du résultat. Quel persona l'IA doit-elle imiter ? Quel est le contexte ? Comment doit-elle procéder ? Quel est le résultat attendu ? De nombreux facteurs entrent en ligne de compte pour créer des résultats potentiellement très différents.
Bien entendu, c'est un savoir-faire qui peut s'acquérir et s'affiner avec l'expérience. Toutefois il paraît illusoire d'attendre de tous les utilisateurs en entreprise qu'ils en maîtrisent tous les aspects. Dès lors, nous conseillons de mettre en place une bibliothèque de prompts (une "prompt library") pour stocker et proposer des prompts optimisés, prêts à l'emploi.
Cela dépend ! Si la taille de l'entreprise ou le service vendu le justifie, alors un poste de prompt engineer a tout à fait sa place. Le plus souvent, toutefois, il s'agira d'une compétence à maîtriser par les personnes mettant les applications au point et les "power users". En fait, c'est surtout une compétence qu'il sera nécessaire de maîtriser pour aller au-delà des prompts standards.
Clairement non ! La vraie potentiel de l'IA générative réside dans sa capacité à fournir une interface de dialogue en langage naturel pour interroger les données et les documents de l'entreprise (RAG, ou “retrieval-augmented generation”). Pour ce faire, cela nécessite de passer par une phase dite "embedding" : le contenu est représenté sous forme de vecteurs, ce qui permet à l'IA générative de pouvoir l'assimiler.
Il ne s'agit pas d'opposer les techniques de prompt engineering et de vectorisation, mais bien d'insister sur leur importance relative. Nous avons coutume de dire que plus que jamais avec l'IA générative, l'intelligence est dans la question. Le prompt engineering consiste à optimiser cette question. Toutefois, la première chose à faire est de fournir à l'IA générative un corpus d'information dans lequel puiser pour fournir des réponses pertinentes à ces questions.
Olivier Rafal
Tribune parue dans CIO
Martin Eliard
Article sur RAG et gouvernance
Gouvernance, efficacité, performance... sont à portée de main, pourvu qu'on se penche sérieusement sur un processus fondamental qui structure l'information de son SI.
Les meilleures pratiques du Lean Management peuvent-elles aider nos organisations là où "l'agilité à l'échelle" marque le pas ? Ce manifeste fourmille d'exemples concrets à implémenter dans nos entreprises et nos projets.
Nos constatations empiriques sur les bénéfices de l'IA générative sont désormais appuyées par une étude : Google a interrogé plus de 2500 entreprises sur leur usage de la GenAI et le ROI est bien présent !
Le data-driven demande de la transversalité - donc un défi majeur pour des entreprises souvent en silos. Face à cet enjeu, le "modèle opérationnel data" s'impose. Voici les questions clés et conseils pratiques pour élaborer une approche adaptée à votre contexte.
