Le CIO de Global Foundries a souligné que les agents d’IA nécessitent des données en temps réel et gouvernées, reconstruisant une plateforme unifiée à travers les usines situées sur trois continents avec une identité centralisée et des pistes d’audit avant de déployer des agents dans les fonctions informatiques et d’approvisionnement.

RAG (Génération Augmentée par Récupération) permet aux entreprises de créer des chatbots spécialisés dans un domaine, mais son succès dépend du modèle d’incrustation — le traducteur qui convertit le texte en vecteurs pour la recherche sémantique. Un modèle d’incrustation défectueux récupère des segments non pertinents, ce qui amène le modèle linguistique à générer des réponses confiantes mais incorrectes. Par exemple, un chatbot pourrait confirmer à tort un remboursement pour un abonnement datant de 45 jours, alors que la documentation indique une limite de 30 jours, car le modèle d’incrustation n’a pas réussi à distinguer la contrainte temporelle critique.

RAG fonctionne en deux phases : l’indexation (segmentation des documents, génération d’incrustations, stockage des vecteurs avec des métadonnées) et la récupération (incrustation de la requête, recherche de vecteurs proches, réordonnancement des segments principaux, alimentation du modèle linguistique). Le modèle linguistique ne peut pas compenser une récupération médiocre. Les considérations clés incluent l’évaluation des modèles d’incrustation au-delà des scores de référence, le choix entre des API commerciales et un déploiement local, la compréhension du coût de changement de modèle ultérieurement et l’exploitation des incrustations Matryoshka pour une taille de vecteur flexible.

Entités clés : Entreprises : Global Foundries, ByteByteGo