Sélection de modèles d'IA : quand privilégier les modèles plus petits ou plus grands ?

Le meilleur modèle d'IA n'est pas forcément le plus volumineux. Le modèle idéal est le plus compact, le plus sûr, le plus rapide et le plus économique, tout en répondant aux exigences de précision, de sécurité et d'expérience utilisateur des processus métier.

Lecture minute 13

Pour la plupart des flux de travail des PME et des entreprises de taille intermédiaire canadiennes, commencez la sélection du modèle par le résultat commercial, et non par la liste des modèles. Utilisez un modèle plus simple pour les tâches répétitives, à volume élevé et bien définies, telles que la classification, l'extraction, le routage, la synthèse et la rédaction à partir de modèles. Privilégiez un modèle plus complexe ou un modèle de raisonnement lorsque la tâche exige un jugement complexe, une analyse en plusieurs étapes, la gestion des ambiguïtés, un contexte étendu, la génération de code ou une synthèse de haute qualité. Validez ensuite ce choix à l'aide de données d'évaluation avant le déploiement.^{1, 2, 3}

Choisir des modèles d'IA pour des flux de travail métier réels ?

MSP Corp vous aide à cartographier les cas d'utilisation, à comparer les options de modèles, à valider les exigences de sécurité et à élaborer une feuille de route pratique pour la préparation de Copilot avant que l'IA ne se répande sans garde-fous dans votre environnement Microsoft 365.

Réservez une Consultation Examinez la liste de contrôle de préparation

Le choix d'un modèle d'IA est devenu une décision stratégique, et non plus seulement technique. Une équipe juridique utilisant Copilot pour synthétiser les contrats, une équipe opérationnelle automatisant le tri des tickets et une équipe financière extrayant les données de facturation peuvent toutes avoir besoin d'IA. Elles n'ont cependant pas toutes besoin du même modèle.

Cette distinction est importante car la taille du modèle influe bien au-delà de la simple qualité de la réponse. Elle affecte la vitesse de réponse, le coût de calcul, le traitement des données, la confiance des utilisateurs, les modes de défaillance, l'effort de vérification de sécurité et le niveau de gouvernance nécessaire avant qu'un flux de travail puisse passer en toute sécurité de la phase pilote à la production. OpenAI souligne que la latence est fortement influencée par le modèle et le nombre de jetons générés, tandis que les outils d'analyse comparative de Microsoft Foundry comparent les modèles selon différents critères : qualité, sécurité, performance et coût.^{3, 4}

L'objectif pratique est simple : Utilisez le modèle suffisamment robuste pour la tâche, puis ajoutez les contrôles appropriés autour. Surdimensionner systématiquement les tâches engendre des gaspillages budgétaires. Sous-dimensionner un flux de travail critique peut entraîner des problèmes de précision, de confidentialité, de conformité et des risques opérationnels.

Que signifie réellement « sélection de modèles » ?

La sélection de modèle consiste à choisir le modèle d'IA, le modèle de conception et l'approche de gouvernance les plus adaptés à un flux de travail spécifique. Il ne s'agit pas seulement de choisir entre un modèle « petit » ou « grand ». Cela inclut des décisions telles que :

• qu’il s’agisse d’utiliser Microsoft 365 Copilot, Copilot Studio, Azure AI Foundry, un modèle de domaine, un routeur de modèle ou une application personnalisée ;
• que la tâche nécessite un modèle de frontière, un modèle de raisonnement, un petit modèle de langage, un modèle d'intégration ou une automatisation basée sur des règles ;
• que la réponse soit générée à partir de connaissances du modèle, fondée sur le contenu de l'entreprise par le biais de la récupération, ou limitée à des résultats structurés ;
• si le flux de travail nécessite une approbation humaine, une journalisation, un filtrage des messages, une prévention des pertes de données, des contrôles d'accès et une évaluation continue.

Microsoft Foundry Models prend en charge l'exploration, l'évaluation et le déploiement de nombreuses familles de modèles, tandis que les tableaux de bord des modèles aident les équipes à comparer les modèles pertinents à l'aide de critères de référence pour la qualité, la sécurité, les performances, le coût, l'adéquation au scénario et les intégrations.^{4, 5} Cela ne supprime pas la nécessité des tests fonctionnels. Cela offre simplement à votre équipe un meilleur point de départ.

Modèles d'IA plus petits vs plus grands : le véritable compromis

Les modèles plus petits sont généralement plus rapides et moins coûteux à exécuter. Ils sont particulièrement adaptés aux tâches spécifiques avec des entrées claires et des sorties mesurables. Les modèles plus grands sont généralement plus performants en matière de raisonnement général, d'instructions ambiguës, de synthèse de formes longues, de codage complexe et de planification multi-étapes. La documentation d'OpenAI distingue les modèles phares dédiés au raisonnement et au codage complexes des variantes plus petites conçues pour les charges de travail à faible latence et à moindre coût. Ses modèles mini et nano positionnent spécifiquement les modèles plus petits pour les tâches à volume élevé où la vitesse et l'efficacité sont essentielles.^{1, 6}

plats à emporter clés: Le modèle idéal n'est pas forcément celui qui obtient le meilleur score de référence. C'est celui qui répond à vos besoins métiers en termes de coût, de rapidité, de confidentialité et de contrôle opérationnel.

Quand utiliser un modèle d'IA plus petit

Un modèle plus simple est souvent judicieux lorsque le flux de travail est restreint, mesurable et fréquent. Concrètement, cela concerne notamment les flux de travail administratifs et informatiques où le système doit classer, extraire, synthétiser, acheminer ou transformer les informations de manière prévisible.

Ce modèle est particulièrement utile pour les organisations dont l'utilisation de Microsoft 365 est en pleine croissance, dont les équipes informatiques sont surchargées et qui effectuent des tâches opérationnelles récurrentes. Un modèle complexe n'est généralement pas nécessaire pour identifier si un ticket de support concerne l'accès, le réseau, la sécurité des terminaux, les licences ou le matériel. Il peut s'avérer utile uniquement lorsque le ticket requiert un diagnostic, une analyse métier ou la proposition d'un plan de remédiation.

Les modèles plus compacts peuvent également favoriser la confidentialité et la flexibilité de déploiement. Dans certains cas, ils peuvent s'exécuter plus près de l'application, réduire la quantité de données envoyées aux services externes ou limiter la portée d'un flux de travail. Cela ne les rend pas pour autant automatiquement sûrs. Cela signifie simplement que la gouvernance peut être plus ciblée.

Quand utiliser un modèle d'IA plus grand

Utilisez un modèle plus complet lorsque le flux de travail est suffisamment complexe pour qu'un modèle moins coûteux ne puisse garantir un niveau de qualité suffisant. C'est souvent le cas lorsque le modèle doit traiter des données d'entrée hétérogènes, des priorités conflictuelles, des documents volumineux, de multiples sources de données ou des instructions utilisateur nuancées.

Utiliser des modèles plus grands pour les raisonnements complexes et les travaux de conseil

La planification stratégique, l'analyse de sécurité, les recommandations d'architecture, la rédaction de politiques, les synthèses, la cartographie de la conformité et les analyses rétrospectives d'incidents nécessitent souvent un raisonnement plus rigoureux. Il ne s'agit pas de simples transformations de texte. Le modèle doit appréhender le contexte, les compromis, les dépendances et les risques.

Utilisez des modèles plus grands lorsque l'ambiguïté est coûteuse.

Si une réponse erronée risque d'entraîner une mauvaise recommandation client, un défaut de sécurité, un problème de confidentialité, une erreur de licence ou une interruption d'activité, le choix du modèle doit privilégier la capacité. L'optimisation des coûts intervient une fois que le flux de travail atteint systématiquement ses seuils de précision et de sécurité.

Utiliser des modèles plus grands pour la synthèse à long contexte

Lorsque les données d'entrée comprennent des politiques, des contrats, des rapports d'incidents, des articles de base de connaissances, des comptes rendus de réunions et des notes de projet, un modèle plus complet peut mieux préserver le contexte. Toutefois, un contexte étendu ne saurait remplacer une architecture de l'information de qualité. Pour Copilot et les projets d'IA personnalisés, la pertinence des réponses dépend souvent des autorisations d'accès au contenu, des métadonnées, de la durée de conservation et de la qualité des données.

Où se situe Microsoft 365 Copilot ?

De nombreuses organisations devraient éviter de commencer par la sélection d'un modèle personnalisé. Si l'objectif est d'améliorer la productivité des employés au sein de Microsoft 365, Microsoft 365 Copilot peut constituer un point de départ pertinent, car il est conçu pour fonctionner avec des applications telles que Teams, Outlook, Word, Excel, PowerPoint, SharePoint et OneDrive, en utilisant les autorisations et les limites de service de Microsoft 365. Microsoft précise que les messages et les réponses de Copilot Chat sont traités au sein du service Microsoft 365 et ne servent pas à l'entraînement des modèles sous-jacents.⁷

Copilot s'intègre parfaitement aux flux de travail des employés, notamment pour la rédaction, la synthèse, la recherche, le compte-rendu de réunion, la comparaison de documents, la découverte de connaissances et l'aide à la productivité. Il ne dispense pas de la gouvernance ; au contraire, il la rend indispensable, car Copilot peut afficher les informations auxquelles les utilisateurs ont déjà accès.

Lors d'une consultation sur la préparation à Copilot, la question n'est souvent pas « Quel LLM devons-nous acheter ? » mais plutôt « Notre environnement Microsoft 365 peut-il diffuser en toute sécurité les bonnes informations aux bonnes personnes grâce à l'IA ? » C'est pourquoi Gouvernance de l'IA pour les équipes informatiquesL’hygiène des permissions, la conservation des données, les étiquettes de sensibilité, l’accès conditionnel et les routines d’administration sont des éléments importants avant un déploiement à grande échelle.

Où Azure AI Foundry et le routage de modèles s'intègrent

Le choix d'un modèle personnalisé prend toute son importance lors du développement d'une application d'IA spécifique, d'un agent interne, d'un flux de travail destiné aux clients ou d'une solution d'automatisation métier. C'est là qu'Azure AI Foundry peut aider les équipes à comparer, évaluer et déployer des modèles de différents fournisseurs et types.

L'un des principes importants est le routage de modèles. Le routeur de modèles Microsoft Foundry est un modèle de conversation déployable qui sélectionne en temps réel un modèle de langage sous-jacent de grande taille pour une invite, dans le but d'équilibrer les performances et le coût de calcul d'un déploiement unique.⁸ Ceci s'avère utile lorsque certaines requêtes sont simples et d'autres complexes. Le système peut ainsi affecter les tâches simples à des modèles moins coûteux et réserver les modèles plus performants aux tâches plus ardues.

Le routage n'est pas magique. Il faut toujours une évaluation, une observabilité et des règles de repli. Mais c'est souvent préférable à l'utilisation systématique du modèle le plus coûteux pour chaque requête ou au choix du modèle par les utilisateurs métier.

Tableau de bord pratique pour la sélection de modèles

Utilisez cette grille d'évaluation avant de choisir un modèle pour tout flux de travail lié à l'IA ou à Copilot. L'objectif est de rendre la décision suffisamment claire pour que les équipes informatiques, de sécurité, d'exploitation et la direction puissent l'approuver.

plats à emporter clés: La sélection du modèle s'améliore lorsque votre équipe définit le flux de travail, les risques, les données et le seuil d'acceptation avant d'expérimenter avec différents noms de modèles.

Évaluation : l’étape que la plupart des équipes sautent

Choisir un modèle sans évaluation relève de la conjecture. Les systèmes d'IA générative étant variables, les tests logiciels traditionnels ne suffisent pas. OpenAI décrit les évaluations comme des tests structurés permettant de mesurer les performances, la précision et la fiabilité malgré des résultats non déterministes, tandis que Microsoft Foundry prend en charge les évaluations à l'aide d'ensembles de données et de métriques intégrées pour les applications d'IA générative.^{2, 9}

Un ensemble d'évaluation doit inclure des exemples courants, des cas limites, des entrées erronées, des scénarios impliquant des données sensibles, des invites hostiles et des exemples représentatifs des flux de travail réellement effectués par les utilisateurs. Par exemple, un modèle de routage des tickets d'assistance doit être testé avec des demandes de réinitialisation de mot de passe, des rapports de panne urgents, des plaintes vagues, des tickets en double, des incidents de sécurité, des escalades de fournisseurs et des tickets historiques mal étiquetés.

Métriques d'évaluation minimales viables

• Succès de la tâche : Le modèle a-t-il correctement rempli sa fonction ?
• Enracinement : La réponse est-elle restée liée à des sources approuvées ?
• Complétude: Le modèle comprenait-il les champs requis, le contexte ou les prochaines étapes ?
• Sécurité Relative Le mannequin a-t-il refusé les demandes dangereuses et évité de divulguer des informations sensibles ?
• Latence: La réponse a-t-elle atteint l'objectif en matière d'expérience utilisateur ?
• Coût : Le flux de travail est-il resté conforme au plan d'affaires ?
• Qualité de l'escalade : Le modèle savait-il quand passer le relais à un humain ?

Pour les flux de travail à haut risque, ajoutez des tests d'intrusion et des simulations d'attaques par prompt. OWASP identifie les risques liés aux applications LLM, tels que l'injection de prompt, la gestion non sécurisée des résultats, la divulgation d'informations sensibles, l'abus de pouvoir, la dépendance excessive et le déni de service du modèle.¹⁰ Si le flux de travail de l'IA peut accéder aux systèmes de l'entreprise, écrire dans les enregistrements, envoyer des courriels, créer des tickets, modifier les autorisations ou conseiller les clients, l'évaluation doit inclure des cas d'abus de sécurité, et pas seulement des exemples de scénarios idéaux.

Pour un programme de tests plus approfondi, associez ce cadre aux recommandations de MSP Corp sur Tests d'IA et simulations d'attaques rapides.

Considérations relatives à la sécurité et à la gouvernance

Le choix d’un modèle est une décision de sécurité, car ses capacités, son contexte, son accès aux données, ses outils, ses modules complémentaires et son autonomie déterminent son profil de risque. Le gouvernement du Canada recommande aux institutions d’évaluer les risques avant d’utiliser l’IA générative et de limiter son utilisation aux cas où les risques peuvent être gérés efficacement.¹¹ Le Centre canadien pour la cybersécurité avertit également que l'IA générative peut accroître les risques tels que la désinformation, l'hameçonnage et des cyberattaques plus efficaces.¹²

Pour les organisations canadiennes, notamment dans les secteurs de la santé, de la finance, des assurances, du droit, de l'éducation, de la fabrication, des organismes sans but lucratif et des secteurs parapublics, l'adoption de l'IA devrait inclure :

• Contrôles d'identité : Appliquez le principe du moindre privilège, l'accès conditionnel, l'authentification multifacteur (MFA), la gestion des accès privilégiés et les revues d'accès régulières. Si l'authentification multifacteur est déjà en place, renforcez-la avec contrôles d'accès conditionnel.
• Gouvernance des données : Cartographier les informations, nettoyer le contenu obsolète, classer les données sensibles, appliquer les règles de conservation et supprimer les accès inutiles avant que les outils d'IA ne puissent les faire apparaître.
• Inventaire d'IA approuvé : documenter quels outils, modèles, connecteurs, plugins et agents sont approuvés, restreints ou interdits.
• Responsabilité humaine : Définir qui approuve les livrables, qui est responsable du flux de travail et qui gère les incidents ou les escalades.
• Surveillance: Suivre l'utilisation, les coûts, les schémas de défaillance, les messages d'erreur non sécurisés, l'accès aux données et les résultats commerciaux.
• Préparation aux incidents : Définir ce qui se passe lorsque l'IA expose des données sensibles, produit des instructions non sécurisées, interprète de manière erronée une politique ou déclenche une action non intentionnelle.

Le profil d'IA générative du NIST, conçu comme un complément au cadre de gestion des risques liés à l'IA, vise à aider les organisations à intégrer des considérations de fiabilité dans la conception, le développement, l'utilisation et l'évaluation de l'IA générative.¹³ La norme ISO/IEC 42001 propose également une approche de système de gestion pour une gouvernance responsable de l'IA, incluant des politiques, des objectifs, le traitement des risques et l'amélioration continue.¹⁴

Obtenez une feuille de route claire pour la sélection des modèles et la préparation du copilote.

Sachez identifier les cas d'utilisation de l'IA qui sont sûrs pour démarrer, ceux qui nécessitent une gouvernance plus forte et comment Microsoft 365 Copilot, Copilot Studio, Azure AI Foundry, la gouvernance des données et les contrôles de sécurité s'articulent.

Réservez une Consultation Télécharger la liste de contrôle des données d'IA

Comment choisir le bon modèle en 7 étapes

1. Décrivez le flux de travail en langage clair.
   Indiquez précisément l'utilisateur, le déclencheur, l'entrée, la sortie, l'action et le responsable. « Utiliser l'IA pour le service client » est trop vague. « Résumer les 10 derniers tickets d'assistance avant qu'un technicien n'appelle le client » est testable.
2. Classer les données et les risques.
   Déterminez si le flux de travail concerne des données clients, des données employés, des données financières, des informations personnelles, du contenu réglementé, des identifiants, des journaux de sécurité ou une stratégie confidentielle.
3. Définir le seuil d'acceptation.
   Définissez les indicateurs cibles avant les tests. Par exemple : un taux de classification correcte de 95 %, aucune fuite de données sensibles dans les cas de test, un temps de réponse inférieur à 3 secondes ou une validation humaine pour chaque réponse externe.
4. Commencez par tester une configuration de base performante.
   Utilisez un modèle plus complexe pour déterminer si la tâche est réalisable et pour définir un résultat satisfaisant. Cela vous fournira un point de référence pour les modèles plus petits.
5. Tester des modèles plus petits, la récupération et le routage.
   Une fois la qualité assurée, testez des options plus économiques et plus rapides. Les modèles plus petits peuvent s'avérer plus performants lorsque les invites sont structurées, les sorties limitées et les données bien gérées.
6. Installez des garde-fous avant le déploiement.
   Utilisez des contrôles d'accès, la prévention des pertes de données, la journalisation, le filtrage du contenu, la vérification humaine, les sources approuvées et le contrôle des modifications. Pour les environnements Microsoft 365, alignez le déploiement sur les routines d'administration et vos Liste de contrôle d'administration de Microsoft 365.
7. Surveiller et améliorer en permanence.
   Suivez l'évolution de la qualité, les coûts, les retours des utilisateurs, les nouveaux cas limites, les invites non sécurisées et les résultats commerciaux. Le choix du modèle n'est pas une décision ponctuelle.

Exemples de sélection de modèles pour les organisations canadiennes

Exemple 1 : Tri des tickets d’assistance informatique

Meilleur modèle de départ : Un modèle plus petit pour la classification, avec passage à un modèle plus grand pour les diagnostics complexes.

Un modèle plus simple peut classer les tickets par catégorie, urgence, service concerné et informations manquantes. Un modèle plus complet peut synthétiser l'historique des tickets associés et suggérer des pistes de dépannage lorsque le problème est complexe. Une intervention humaine est maintenue pour les incidents de sécurité, les pannes, les utilisateurs VIP et les modifications susceptibles d'affecter la production.

Exemple 2 : Déploiement de Microsoft 365 Copilot

Meilleur modèle de départ : Microsoft 365 Copilot, pris en charge par un travail préparatoire portant sur les autorisations, les étiquettes de confidentialité, la conservation, la structure SharePoint et la formation des utilisateurs.

Le principal risque ne réside souvent pas dans le modèle lui-même, mais dans un contenu aux autorisations excessives. Avant un déploiement à grande échelle, il est essentiel de contrôler les accès, d'améliorer l'architecture de l'information, de définir les usages acceptables et de former les utilisateurs aux bonnes et mauvaises pratiques d'utilisation de Copilot.

Exemple 3 : Examen d’un contrat ou d’une police d’assurance

Meilleur modèle de départ : Modèle plus large avec récupération, citations de sources approuvées et examen juridique ou de conformité.

Les processus liés aux contrats et aux polices d'assurance nécessitent une approche nuancée. Un modèle simplifié peut extraire les dates, les parties, les clauses ou les obligations. Un modèle plus complet peut s'avérer nécessaire pour comparer les clauses, identifier les ambiguïtés et rédiger une synthèse. L'approbation humaine est requise avant toute prise de décision.

Exemple 4 : Traitement des factures

Meilleur modèle de départ : Flux de travail d'IA plus petit, sous forme de modèle ou de document, avec sortie structurée et règles de validation.

La plupart des tâches de facturation sont répétitives. Utilisez des contrôles déterministes autant que possible : correspondance fournisseur, correspondance bon de commande, calcul des taxes, détection des doublons et gestion des exceptions. Réservez les modèles plus complexes aux cas exceptionnels ou aux explications détaillées.

Exemple 5 : Résumé des opérations de sécurité

Meilleur modèle de départ : Modèle plus large pour la synthèse, modèle plus petit pour les tâches d'enrichissement, contrôles stricts pour l'accès aux données et le traitement des résultats.

Un résumé de sécurité peut nécessiter le contexte des journaux, l'historique des incidents, les renseignements sur les menaces, les données relatives aux actifs et l'impact sur l'activité. Compte tenu des enjeux importants, il convient de suivre un processus structuré avec vérification humaine, journaux d'audit et procédures d'escalade clairement définies.

erreurs courantes de sélection de modèle

Construire, acheter ou utiliser Copilot ?

Pour de nombreuses organisations, la voie la plus rapide vers la création de valeur ne consiste pas à développer une application d'IA personnalisée, mais plutôt à déployer Microsoft 365 Copilot en toute sécurité et à optimiser les données, l'accès et l'adoption qui en découlent. Pour d'autres organisations, un flux de travail d'IA personnalisé se justifie car le cas d'usage est lié à un processus métier, à des données propriétaires, à l'automatisation à grande échelle ou à l'expérience client.

plats à emporter clés: La stratégie en matière d'IA doit inclure la sélection des modèles, mais elle doit également inclure la discipline nécessaire pour éviter l'IA lorsque le flux de travail ne le requiert pas.

Prochaines étapes utiles de MSP Corp

QFP

Prêt à choisir le modèle d'IA adapté à votre flux de travail ?

Réservez une consultation avec MSP Corp pour identifier vos meilleurs cas d'utilisation de l'IA, valider la sélection du modèle, préparer Microsoft 365 Copilot et réduire les risques liés à la sécurité, à la confidentialité et à l'adoption qui ralentissent les projets d'IA.

Réservez une Consultation Lisez le guide du copilote

Références

1. Documentation de l'API OpenAI : Modèles.
2. Documentation de l'API OpenAI : Bonnes pratiques d'évaluation.
3. Centre d'aide OpenAI : Optimisation de la latence avec les modèles de l'API OpenAI.
4. Microsoft Learn : Modèles de référence et classements dans Microsoft Foundry.
5. Microsoft Learn : Présentation des modèles Microsoft Foundry.
6. OpenAI : Présentation de GPT-5.4 mini et nano.
7. Microsoft Learn : Confidentialité et protections de Microsoft 365 Copilot Chat.
8. Microsoft Learn : Utiliser un routeur modèle pour Microsoft Foundry.
9. Microsoft Learn : Exécutez des évaluations à partir du portail Microsoft Foundry.
10. Fondation OWASP : Top 10 des applications de modélisation de langage de grande taille.
11. Gouvernement du Canada : Guide sur l’utilisation de l’intelligence artificielle générative.
12. Centre canadien de cybersécurité : Intelligence artificielle générative.
13. NIST : Cadre de gestion des risques liés à l’intelligence artificielle, Profil de l’intelligence artificielle générative.
14. ISO : ISO/CEI 42001 Systèmes de gestion de l’intelligence artificielle.