Des modèles qui connaissent votre activité et s’exécutent là où résident vos données.
Un modèle généraliste ne connaît ni vos produits, ni votre terminologie, ni vos exceptions. Onega adapte l’IA à votre travail de la manière la plus légère qui passe vos tests : de meilleures instructions et la recherche documentaire d’abord, le fine-tuning lorsque les preuves montrent qu’il est rentable, et un modèle plus petit sur votre propre matériel lorsque le coût, la latence ou les données l’exigent.
Chaque échelon coûte plus cher à construire et à maintenir que le précédent : nous ne montons donc que lorsque le jeu d’évaluation montre que l’échelon précédent ne suffit pas.
01
Instructions et politique
Prompts, schémas de sortie, exemples et garde-fous ajustés à vos cas. Rapides à modifier ; aucun entraînement.
02
Recherche documentaire (RAG)
Des réponses ancrées dans vos documents et vos enregistrements grâce aux embeddings, à la recherche et au reclassement (reranking), avec les sources affichées.
03
Fine-tuning
Des modèles à poids ouverts adaptés sur vos exemples approuvés à l’aide de méthodes efficaces en paramètres, pour le ton, le format, la classification ou le vocabulaire métier.
04
Distillation
Un modèle plus petit, entraîné pour égaler un modèle plus grand sur votre tâche, afin qu’il s’exécute sur du matériel qui vous appartient, à un coût que vous pouvez planifier.
02 — L’évaluation d’abord
Rien n’est livré sans jeu d’évaluation.
Avant toute personnalisation, nous construisons un jeu d’évaluation à partir de vos propres exemples. Chaque option y est notée : le modèle de base, les instructions ajustées, la recherche documentaire et le modèle issu du fine-tuning. Vous voyez les scores, les échecs et le coût avant de choisir.
Des cas de test tirés d’exemples réels et approuvés, avec un échantillon de contrôle qui ne sert jamais à l’ajustement
Des règles de notation convenues avec les personnes qui font le travail
Des catégories d’échec consignées, pas noyées dans une moyenne
Le coût par requête et la latence mesurés sur votre matériel
Des tests de non-régression à chaque modification de modèle, de prompt ou de données
03 — Vos données
Des données d’entraînement sous votre contrôle.
L’entraînement s’exécute dans votre environnement ou sur une infrastructure que vous approuvez. Vos données ne sont pas envoyées à un fournisseur de modèles pour l’entraînement, sauf si vous en décidez ainsi.
Une base légale documentée et l’approbation du propriétaire des données avant toute utilisation de données personnelles.
Caviardage ou pseudonymisation des données d’entraînement lorsque la tâche le permet.
Chaque jeu de données, modèle de base et modèle issu du fine-tuning est enregistré avec sa version et sa licence, et figure dans la nomenclature IA (AI BOM) de OneVeer lorsqu’il y est servi.
Les licences des modèles à poids ouverts vérifiées au regard de l’usage envisagé avant le début de l’entraînement.
04 — Service des modèles et solutions personnalisées
Personnalisé, puis servi derrière votre politique.
Servi par OneVeer
Sur votre matériel, derrière un alias.
Un modèle issu du fine-tuning ou de la distillation est empaqueté au format GGUF pour que OneVeer puisse le servir sur votre CPU ou votre GPU derrière un alias publié. Les applications continuent d’appeler l’alias ; revenir au modèle précédent est une modification de configuration, pas une nouvelle version.
Produits Onega
Configurés selon vos processus.
Politiques, alias et garde-fous de OneVeer ; catégories, règles de routage, modèles de réponse et connecteurs de OneMail ; fournisseurs de modèles de OneDesk. Chaque configuration est testée sur vos cas avant la mise en production.
Les solutions que vous possédez déjà
Ajustées et placées sous une seule politique.
Les fonctionnalités d’IA de votre CRM, de votre centre de services ou de votre plateforme documentaire, ajustées et évaluées sur vos cas et, lorsqu’elles le permettent, routées via OneVeer pour une seule politique et une seule piste d’audit.
05 — Déroulement
Du jeu d’évaluation au modèle en service.
01
Model Evaluation Sprint · 2 à 3 semaines
Un jeu d’évaluation construit à partir de vos exemples, des scores de référence pour les modèles et méthodes candidats, un examen des données et des licences, une recommandation et une proposition à prix fixe.
02
Personnalisation · 3 à 5 semaines
Instructions, recherche documentaire ou entraînement selon la recommandation, dans votre environnement, notés sur l’échantillon de contrôle.
03
Exploitation supervisée · 2 à 3 semaines
Le modèle personnalisé sur du travail réel, avec des personnes qui revoient ses résultats, mesuré par rapport à la référence.
04
Transfert
Fiche du modèle (model card), registre des données, résultats d’évaluation, suite de non-régression, configuration de service et manuel d’exploitation.
06 — FAQ
Les questions des équipes data et IA.
Avons-nous besoin de fine-tuning ?
Souvent non. De nombreuses tâches se résolvent avec des instructions claires, des exemples et la recherche documentaire. Nous recommandons le fine-tuning lorsque le jeu d’évaluation révèle un écart que ces moyens ne peuvent pas combler, ou lorsqu’un modèle plus petit et ajusté atteint le même niveau à moindre coût sur votre propre matériel.
Sur quels modèles pouvez-vous faire du fine-tuning ?
Les modèles à poids ouverts dont la licence autorise l’usage que vous envisagez, dans des tailles adaptées à votre matériel. Les modèles hébergés peuvent être personnalisés lorsque le fournisseur le propose et que votre politique de données le permet. La licence et ses conditions sont indiquées dans le diagnostic.
De combien de données avons-nous besoin ?
Cela dépend de la tâche. Le Model Evaluation Sprint vous indique si vos exemples sont suffisants, et de qualité suffisante, avant que vous ne payiez le moindre entraînement.
À qui appartient le modèle issu du fine-tuning ?
La propriété des poids entraînés sur vos données est convenue dans l’énoncé des travaux (SOW) avant le début de l’entraînement. Les conditions de licence du modèle de base s’appliquent toujours en complément.