Par Vincent Raynal, Responsable produit chez Proginov

Dans la dernière newsletter de Proginov, nous avons défini les différents types d’IA (article que vous pouvez retrouver sur le blog de Proginov). Maintenant que le cadre est posé, allons un peu plus loin dans le jargon de l’IA avec le NLP, les LLM, les RAG, de manière à mieux comprendre ce que signifie intégrer l’IA dans un ERP.

Langage naturel ou NLP (Natural Language Processing)

Le traitement du langage naturel (NLP) est une discipline qui permet aux machines de comprendre, analyser et générer du langage humain. En combinant linguistique et apprentissage automatique, il facilite des tâches comme la traduction, la reconnaissance vocale ou les chatbots, rendant les interactions homme-machine plus naturelles. Grâce aux avancées récentes, le NLP transforme de nombreux domaines, du commerce à la santé, en exploitant la puissance des données textuelles et vocales.

LLM (Large Language Model)

Un modèle de langage étendu (LLM, pour « Large Language Model ») est une intelligence artificielle entraînée sur d’immenses quantités de données textuelles pour comprendre, générer et contextualiser du langage humain. Grâce à sa taille et à sa complexité, il excelle dans des tâches variées comme la rédaction, la traduction ou la réponse à des questions, en simulant une compréhension profonde du texte. Ces modèles transforment les interactions numériques en rendant les échanges avec les machines plus naturels et pertinents.

SLM (Small Language Model)

Un SLM est un modèle de langage de taille réduite, par opposition aux LLM. Ces modèles sont pertinents pour des usages spécialisés (un type de tâche) ou pour s’exécuter dans des environnements où la puissance disponible est moindre (appareils mobiles par exemple).
L’avantage du SLM est qu’il est moins gourmand dans son fonctionnement. Il est sans doute l’avenir du LLM.

RAG (Retrieval-Augmented Generation)

Le RAG (Retrieval-Augmented Generation) est une technique combinant la génération de texte par des modèles de langage avec la récupération d’informations pertinentes dans des bases de données ou des documents. En enrichissant le modèle avec des données externes en temps réel, le RAG permet de produire des réponses plus précises, contextuelles et adaptées à des requêtes spécifiques. Cette approche est particulièrement utile pour les tâches nécessitant des connaissances actualisées ou spécialisées.

C’est particulièrement intéressant dans un contexte ERP, puisque cela va permettre d’adosser à la connaissance du LLM une connaissance métier portée par l’ERP.

Dans la prochaine newsletter à paraître en juin, nous verrons plus en détail dans quels contextes Proginov va intégrer ces notions dans sa future version 6.1, dont la sortie est programmée pour octobre 2025.