Intelligence artificielle appliquée

Plus qu'un simple « nous faisons tout avec l'IA désormais »

L'expérience montre qu'il est judicieux de se demander continuellement comment les (nouvelles) technologies peuvent contribuer à optimiser ses propres processus en termes de qualité, d'efficacité ou de valeur ajoutée. Cela s'applique également au vaste domaine de l'intelligence artificielle et à tout ce qui s'y rapporte. Quel que soit ton secteur d'activité, la question de savoir comment exploiter le potentiel technologique se pose presque partout. Chez Apps with love, nous avons des flux de travail assistés par l'IA bien rodés, tout en expérimentant sans cesse les dernières possibilités. Un point central demeure toutefois : la responsabilité reste à 100 % entre nos mains, en tant qu'êtres humains.

Il est également important de noter que l'IA n'est pas un remède miracle : il existe de nombreux processus et méthodes établis qui fonctionnent efficacement et que l'IA ne peut pas simplement remplacer de manière adéquate – et c'est très bien ainsi. Tout l'art consiste à identifier les potentiels exploitables avec un effort raisonnable et à réévaluer régulièrement les possibilités. L'IA n'est pas adaptée à tout et reste parfois de côté – ou n'est utilisée que ponctuellement. Après tout, utiliser l'IA « pour le simple plaisir de l'utiliser » n'a aucun sens.

En tant qu'agence digitale, nous comprenons la technologie. En tant que prestataire de services ayant un aperçu de secteurs et d'entreprises très variés, nous avons développé une grande capacité d'assimilation et excellons dans l'art de faire correspondre les possibilités technologiques avec les défis et opportunités réels. Nous partageons notre savoir-faire et conseillons volontiers, y compris sur le thème de l'IA.

Ce que nous proposons et les moyens de rendre ton produit plus intelligent, personnel, individuel

Aussi impressionnants que soient ChatGPT, Sora ou Nano-Banana, la question qui se pose pour chaque solution technologique est de savoir quel est le besoin sous-jacent et quelle valeur ajoutée effective est créée dans le contexte respectif. C'est toujours de cette question que nous partons dans notre travail. L'IA ou le ML (Machine Learning) peuvent alors être les technologies appropriées pour répondre à ces défis et répondre à ces questions.

Les possibilités d'utilisation de l'IA sont multiples – indépendamment du problème à résoudre. L'effort et la complexité qui y sont liés varient également beaucoup. Du plus simple au plus complexe, les options se classent globalement ainsi – même si tout dépend bien sûr toujours du cas d'utilisation concret :

• Le cas le plus simple : Intégrer une API – et voilà : un chatbot. C'est ce que l'on appelle communément un « ChatGPT-Wrapper », soit une interface alternative pour les modèles d'IA que l'on peut utiliser ailleurs. Se contenter de connecter une API ne suffit généralement pas ; il faut y ajouter du meta-prompting, des limites, du white-listing, etc.

• Le niveau supérieur, en particulier lorsqu'il existe de nombreuses données existantes : un RAG (Retrieval Augmented Generation) améliore le chatbot. Selon le cas, cela peut rester relativement trivial, mais des questions d'architecture technologique se posent rapidement et demandent des réponses empreintes de vision et de doigté.

• Si un RAG n'est pas la solution idéale, mais que tu possèdes une base de données ou des outils existants avec lesquels on devrait pouvoir interagir en langage naturel : Dans ce cas, la solution adaptée peut être d'y ajouter un serveur MCP (Model Context Protocol). C'est à ce stade, au plus tard, que se posent des questions approfondies sur les processus, l'architecture informatique et l'environnement système. Nous y répondons volontiers avec toi.

• Enfin, ce qui est souvent le moins visible, mais qui n'en apporte pas moins de valeur ajoutée : les éléments qui simplifient réellement la vie des utilisateurs et utilisatrices. Dans le cas le plus simple, il peut s'agir d'interactions par commandes vocales dans une application (et oui : l'IA comprend désormais aussi le suisse allemand). Mais cela devient surtout passionnant avec l'individualisation basée sur les interactions des personnes utilisatrices : les suggestions d'actions ou recommandations personnalisées ne sont que la première étape. Et si une interface utilisateur s'adaptait automatiquement à mes besoins parce que l'application apprend à me connaître et s'optimise d'elle-même… ? 👀 

Évidemment, nous ne pensons pas en compartiments étanches ou en listes à puces : lorsque nous élaborons un concept détaillé, il s'avère la plupart du temps qu'une combinaison de plusieurs éléments mentionnés est la meilleure option. Découvrons-le ensemble !

La grande question des modèles et des données

Nous considérons l'intelligence artificielle comme un outil, une technologie qui, comme toute autre technologie, doit être utilisée correctement et avec discernement. Face à l'offre monumentale de modèles et d'API, il est essentiel d'y voir clair : comment et où les données sont-elles traitées, et à quelles fins sont-elles utilisées ? Ces questions sont centrales, en particulier lorsqu'il s'agit de données personnelles ou sensibles. Selon les cas, nous misons sur les options suivantes :

• Pour les grands modèles de langage (Large Language Models, LLM) ou les modèles multimodaux dans le cloud, nous utilisons majoritairement Microsoft Azure. Microsoft propose pratiquement tous les modèles dits « foundry » de renom (plus de 11 000 modèles différents) via sa plateforme. On y retrouve les plus célèbres comme GPT 5.3 ou Whisper d'OpenAI, Opus 4.6 ou Sonnet 4.5 d'Anthropic, ou encore les modèles de Mistral. Mais on y trouve également DeepSeek, Meta ou les modèles de génération d’images FLUX de Black Forest Labs, ainsi que de nombreux autres modèles plus petits ou spécialisés.

• Souvent, la question se pose de savoir si un modèle cloud est vraiment nécessaire. Avec nos smartphones, nous avons en effet déjà dans notre poche des ordinateurs dotés d’une IA parfois étonnamment puissante. Ceux-ci intègrent des capacités considérables grâce à ML Kit (Android) ou aux Foundation Models (iOS/Apple). Des fonctions comme la reconnaissance d'images ou de textes sont entièrement réalisables sur l’appareil et sont aujourd’hui triviales à mettre en œuvre. Pour d'autres cas d'usage spécialisés, des modèles plus légers peuvent être directement intégrés dans une application ou téléchargés en option par le public.

• Si ni la variante cloud ni la variante on-device ne conviennent en raison des exigences – par exemple parce que le modèle requis est trop lourd pour l'appareil, mais les données trop sensibles pour le cloud – des solutions de cloud privé ou on-premise sont alors nécessaires. Nous ne sommes pas le prestataire spécialisé dans l'installation de racks de GPU chez notre clientèle, mais nous avons heureusement des partenariats avec des entreprises expertes en la matière. Nous trouvons des solutions, même pour ces cas d'usage spécifiques.

Envie d'aborder le sujet ?

Notre approche de l'IA ne diffère pas de notre manière habituelle de travailler : aborder les choses avec une intelligence humaine, agir en gardant à l'esprit la valeur ajoutée réelle pour toutes les parties prenantes – et en particulier pour les personnes qui utiliseront le produit –, procéder de manière itérative par étapes et rester neutres technologiquement. Dans la plupart des cas, il n'est pas évident dès le départ que la solution réside dans un Large Language Model ou dans l'IA générative en général. Mais si nous arrivons à la conclusion qu'il s'agit de la technologie appropriée, nous disposons du savoir-faire et de l'expérience nécessaires pour déployer l'IA de manière professionnelle.

Nous pouvons commencer par conseil stratégique et ateliers pour analyser les processus et identifier le potentiel, ou encore par un Proof-of-Concept (PoC) technique. Bien entendu, nous pouvons également nous lancer immédiatement dans la mise en œuvre de ton idée d'application IA mûrement réfléchie.