Data et prompt engineering : Les deux piliers d’une IA réellement utile

Réussir en IA ne se résume pas à choisir le bon modèle. Il faut repenser la donnée : la vérité de la BI n’est pas celle de l’IA. La qualité devient relative, dépendante du contexte et de l’usage. Et sans un prompt bien formulé, même la meilleure IA reste muette.

Sans data, pas d’IA. Mais si la question de la quantité de données reste centrale pour les laboratoires qui conçoivent les modèles de fondation, les entreprises, en revanche, sont confrontées à une autre réalité : celle de la qualité. Accéder à une donnée métier fiable, structurée et gouvernée est un prérequis qu’elles connaissent depuis l’ère de la BI.Pourtant, malgré des infrastructures qui se sont modernisées, elles ne sont pas toujours armées pour répondre aux exigences de l’IA. De la donnée « vraie » à la donnée utile : la notion de qualité évolue « La notion de qualité des données évolue profondément avec l’IA, explique Sylvie Faucillon, principal advisor en analytics & AI de SAS. On ne parle plus seulement de données complètes ou techniquement propres : la vraie question, c’est leur pertinence pour un usage métier donné. Nous considérons qu’une donnée est de qualité si elle permet de résoudre un problème opérationnel. La qualité devient relative, contextuelle, orientée valeur. » De plus, il n’est pas rare que les jeux de données existants en entreprise présentent des « déséquilibres de classe ». Typiquement, dans les jeux de données « réelles » des établissements financiers, les cas de fraude sont – fort h...