Contexte
La manière dont nous concevons et exécutons le travail est remise en question par l’avènement des LLM. Leur adoption généralisée est toutefois freinée par leur pertinence limitée, l’exploitation de leur plein potentiel se révélant plus complexe que prévu.
S’ajoute à cette inertie, une illusion de l’usager, ce dernier confondant les objectifs des fournisseurs de modèle (la quête de l’ASI), avec les réelles capacités des LLM.
Les promesses d’autonomie n’arrangeant rien à cette illusion génèrent des attentes paradoxales et des comportements irrationnels, partagés entre la passivité inhérente à la crainte d’un remplacement programmé, et le souhait de précipiter l’avènement de l’ASI pour combler la désillusion, déniant ainsi l’utilité immédiate, pourtant bien réelle et concrète des LLM.
Manque de pertinence et promesses disproportionnées véhiculent une perception d’emblée erronée de l’utilité des modèles d’IA transformeurs.
Ainsi, dès les premières utilisations, les modèles GPT nous paraissent peu utiles comparés aux efforts nécessaires qu’il faut déployer pour leur extraire l’équivalent de nos attentes.
Or, pour percevoir l’étendue immédiate du potentiel des LLM, il convient de changer la perspective, en commençant par rappeler qu’ils ne sont que des outils d’accompagnement dans les tâches, l’humain restant au cœur de la production de valeur.
Le remplacement aura bien lieu, mais il se fera sous l’impulsion de l’humain qui sait exploiter le potentiel des modèles GPT, et non par l’IA elle-même, de par le seul facteur de l’intelligence, car sans l’intention de l’humain, l’intelligence artificielle demeure inerte.
L’enjeu d’une adoption réussie réside donc d’abord dans la compréhension des limites des LLM, pour appréhender l’étendue de leur potentiel par le bon angle, et apprendre à l’exploiter pleinement.
Comprendre les limites
Le problème des LLM réside dans leur approche uniformisée du traitement du langage.
Ils produisent des réponses trop génériques, diluant la spécificité, la précision, l’originalité, allant même jusqu’à travestir la vérité pour conformer les caractéristiques de la pertinence à une valeur moyenne pondérée, statistiquement la plus probable.
Ce phénomène, intrinsèque au fonctionnement des réseaux neuronaux artificiels, dégrade la pertinence perçue par l’utilisateur et engendre une perte d’adéquation entre les attentes et les résultats fournis.
L’effort de transition semble alors trop important pour adapter les solutions aux besoins uniques des utilisateurs, notamment par le prisme d’une autre promesse intenable, celle du fine-tuning.
Complexe, coûteux, chronophage et non adapté aux changements perpétuels du milieu professionnel, le fine-tuning ne résout qu’imparfaitement le problème de généralisation systématique.
Or, pour contrer cette tendance à la généralisation, il suffit d’une chose; segmenter les tâches, pour ensuite les confier à des IA hyper spécialisées, dédiées et concentrées sur des objectifs uniques, afin que l’attention portée aux tâches soit optimale par une hyper contextualisation.
En attribuant des micro-tâches à des intelligences artificielles dédiées, spécifiquement programmées pour ces micro-tâches particulières, il devient possible de traiter chaque élément avec une vitesse et une expertise accrue, sans développements techniques particuliers, sans réduction de la pertinence perçue et sans recourir absolument au fine-tuning.
Cette segmentation garantit des résultats plus pertinents à tout point de vue, améliorant ainsi la qualité des résultats générés et la satisfaction des utilisateurs.
D’autre part, contrairement au fine-tuning, cette approche permet des ajustements continus, flexibles et faciles à mettre en œuvre pour affiner les capacités des IA spécialisées, et renforcer leur comportement selon les cas de figure rencontrés durant leur exploitation.
Encore faut-il savoir segmenter en considérant la variabilité des objectifs et intentions des requérants, tout en incluant le prisme d’interprétation de l’IA.
La méthode ESP constitue la réponse à ces problématiques, en abordant la pertinence par toutes les dimensions qu’elle touche, via une division fine des métiers, disciplines et taches en micro-tâches.
Cette approche ne se limite pas à une simple amélioration des processus, mais ouvre la voie à une nouvelle ère d’efficacité et de pertinence dans le monde du travail assisté par IA.
Définition de la méthode
La méthode ESP, acronyme pour “Exponential Segmentation Process”, est une approche stratégique de segmentation visant à optimiser les performances organisationnelles et opérationnelles de manière exponentielle par des effets cumulatifs dans lesquels chaque tâche amplifiée par IA amplifie les autres.
La méthode repose sur le principe de décomposition de processus, disciplines et tâches en micro-tâches et sous disciplines, permettant d’accumuler des gains d’efficacité.
Chaque composante de cette méthode joue un rôle essentiel par effet de synergie et d’accumulation, en se concentrant sur l’optimisation systématique de la moindre étape d’un processus et l’ultrasegmentation profonde de chaque composante des disciplines métiers.
Le “E” pour “Exponential” souligne l’importance d’augmenter les performances de façon exponentielle par des effets d’accumulation d’optimisations. Pour chaque étape d’un processus de tâches, les organisations peuvent réaliser des gains de temps cumulatifs significatifs. Cette dynamique favorise une croissance rapide et durable, essentielle dans un environnement commercial compétitif.
Le “S” pour “Segmentation” fait référence à la décomposition systématique des projets, processus, départements, métiers, tâches et sous-tâches contextualisées, visant à éliminer les conflits d’intentions et d’objectifs inhérents à la généralisation induite par les GPT. Cette approche permet une meilleure répartition des ressources, une plus grande acuité d’exécution et une gestion plus efficace des projets.
Enfin, le “P” pour “Process” désigne l’établissement de procédures standardisées pour garantir une exécution cohérente des processus, alignés avec des cadres d’intentions et d’objectifs, permettant une meilleure compréhension des effets incrémentale et un contrôle accru sur ces derniers, admettant ainsi la pleine exploitation des effets cumulatifs.
L’impact de la méthode ESP sur l’efficacité opérationnelle est significatif, permettant d’optimiser le taux d’efficacité de l’IA jusqu’à 70%.
Ce qui réduit non seulement le temps d’exécution, mais également les erreurs, tout en augmentant la qualité des résultats et la satisfaction des utilisateurs, chacun de ces aspects ayant une influence sur la performance et le chiffre d’affaires.
Les principes en actions
La méthode ESP permet d’extraire la substance motrice des LLM par quatre principes et approches qui agissent en synergie: l’anthropomorphisme, la décomposition, la profondeur et la subjectivité.
L’anthropomorphisme
Nous autres êtres humains ne percevons pas intuitivement la finesse de ce qu’inclue un métier en termes de disciplines, de tâches et sous tâches associées. Nous savons en revanche à quels types de besoins généraux un métier (ou une prestation) répond.
Ainsi, nous (humains) devons baser notre approche professionnelle de l’IA par le prisme du métier, car il est un repère intuitif qui élimine une grande partie des interrogations concernant ce qui peut être demandé à un métier plutôt qu’à un autre.
Mais il ne faut pas oublier qu’avec l’IA, les modalités de la mise en œuvre d’un métier sont définies par nous-mêmes, ce qui implique que nous soyons à la fois acteurs et spectateurs du résultat.
En tant qu’acteur fabricant la pertinence d’un résultat, nous devons définir avec une extrême précision ce que l’IA en charge d’une mission doit recevoir comme informations. Ceci afin qu’elle puisse accéder à nos demandes en tant que spectateur, en considérant que cette perspective de la pertinence est variable selon les circonstances de sollicitation.
C’est là qu’une approche anthropomorphe prend tout son sens, car, en vérité, en tant qu’acteurs du résultat, nous sommes incapables du niveau de précision requis pour satisfaire les exigences de notre rôle de spectateur.
En revanche, en tant que ce spectateur du résultat généré, nous pouvons mesurer la pertinence et donc adapter notre rôle d’acteur.
En effet, en tant que récipiendaires d’une réponse générée par IA dont nous sommes aussi les architectes, nous pouvons à la fois arbitrer l’adéquation à nos attentes face aux implications que nous supposons d’un métier, et orienter cette adéquation de sorte que la généralisation soit dirigée dans le sens que nous lui donnons.
Ainsi, l’anthropomorphisme métier est avant tout un repère, pour nous plus que pour l’IA, nous permettant de jouer différents rôles afférents aux interactions métier, dans la construction de la pertinence attendu.
L’anthropomorphisme métier induit ainsi une préorientation d’intentions et d’objectifs généraux, indispensable à la contextualisation des demandes variables du requérant, tout en maintenant une adéquation entre ses objectifs et ceux de l’IA anthropomorphe sollicitée.
L’anthropomorphisme métier constitue donc une première étape essentielle dans la méthode ESP, permettant de mettre en phase nos attentes avec des résultats dont la pertinence est anticipée par identification intuitive à des implications métiers, sans pour autant en connaitre les ramifications.
Toutefois, l’anthropomorphisme métier ne se suffit pas à lui-même, car il n’indique en rien des modalités spécifiques de traitement inhérentes aux requêtes, bien qu’orientées métier.
Le principe de décomposition
L’incarnation d’un métier par l’IA induit des comportements sous-jacents qui paraissent cohérents, mais les résultats produits par simple anthropomorphisme demeurent trop généralistes et donc inexploitables.
Une autre clé de la pertinence réside alors dans l’extraction de la substance profonde des métiers, à savoir, les disciplines, les compétences et les connaissances associées, permettant ainsi d’intégrer la précision requise à la mise en œuvre d’une IA anthropomorphisée.
Pour arriver à ce niveau de précision, il convient d’abord d’éclairer les différences entre le métier et les disciplines que ce dernier embarque, tout en considérant les propres repères de l’IA, et ses propres critères d’interprétation, afin de l’empêcher de pondérer les spécificités que nous pensons introduire par la précision.
Le métier selon l’IA
Un métier implique la mise en application variable de multiples compétences, chacune faisant écho à plusieurs spectres de connaissances dont l’importance est également variable. (Les compétences relevant du domaine de l’applicable, les connaissances relevant des dynamiques d’interprétation concernant les compétences à mettre en exercice, en relation directe avec le contexte d’exécution).
La discipline selon l’IA
Une discipline en revanche est intrinsèquement constituée par des compétences spécifiques, chacune d’entre elles faisant également écho à des connaissances spécifiques, mais mises en interactions dans un cadre réduit (l’univers exclusif d’une discipline). Ce qui empêche la pondération généraliste induite par la somme des composantes métier, car toutes les précisions extraites de la nature d’une discipline lui sont consubstantielles.
Ces notions et leurs différences sont cruciales, car sans limitations d’orientation et de largeur de spectre d’interprétation ayant une incidence comportementale, l’IA généralise systématiquement et arbitre à notre place les caractéristiques de la pertinence.
En effet, en toute circonstance, elle interprète nos intentions, et suppose nos attentes dans un cadre général, qui, ici, est celui d’un métier, lui-même composé de disciplines, et donc de multiples compétences sous-jacentes et spectres de connaissances dont les caractéristiques à cette échelle contextuelle sont déjà une moyenne pondérée qui ne permet pas la profondeur.
Dans ces conditions, le résultat ne peut pas être pertinent, car sa génération implique d’innombrables approximations, chacune étant lissée pour obtenir la moyenne statistiquement la plus probable.
Ce qui ne peut déboucher que sur la généralité et l’absence de spécificité inhérente à la pertinence attendue.
Cela aboutit à de nombreuses reprises, et à des ajustements souvent plus chronophages que de le faire soi-même, sans IA.
Ainsi, la décomposition des métiers en disciplines revêt une importance capitale, car cela restreint les possibilités d’interprétation tout en resserrant le focus d’attention de l’IA, accroissant de fait la pertinence produite.
Cette décomposition est un préalable à la mise en exercice d’IA anthropomorphes métier, mais cela ne suffit pas, car cette décomposition ne présente qu’un premier niveau de profondeur : une discipline d’un métier.
Le principe de profondeur
Pour que la pertinence des résultats soit optimale et systématique, chaque discipline extraite doit à son tour être segmentée, cette fois en termes de compétences et connaissances, conduisant à l’extraction de tâches à objectifs uniques.
Cette subdivision supplémentaire réduit à son tour les cadres d’exécution, réduisant d’autant les possibilités d’interprétation erronée des intentions et objectifs, tout en resserrant davantage le focus d’attention de l’IA.
Une tâche à objectif unique n’impliquant plus de conflits d’interprétation ou d’objectif, peut alors être divisée à son tour en micro-tâches hyperspécialisées, aboutissant à une notion de pertinence optimale, caractérisée par un focus d’attention intégralement dédié à chaque micro-tâche individuellement.
Ainsi, chaque tâche systématiquement décomposée en plusieurs micros tâches, reçoit un niveau d’attention maximale, rehaussant la pertinence d’interprétation de l’IA par effet de profondeur et la pertinence perçue par effet de focalisation. Chacun de ces effets s’amplifiant l’un l’autre.
Cela rehausse par ailleurs la capacité à fabriquer de la pertinence lorsque nous avons le rôle d’acteur de cette pertinence, car la décomposition profonde nous révèle les plus infimes composants de ces micro-taches. Des composants que l’IA considère comme étant des repères, alors que ceux-ci nous sont imperceptibles.
En tant qu’acteur de la pertinence
Extraire les détails des éléments qui composent un métier, des disciplines, des compétences, des connaissances, tâches et microtâches afférentes, permet de préciser nos attentes et de paramétrer des IA anthropomorphes de manière optimale.
En tant que spectateur
Ces détails et extractions segmentés révèlent les attentes potentielles de l’utilisateur final (qui peut être nous-mêmes), permettant de mieux définir le cadrage des intentions afin que les requêtes soient en parfaite adéquation avec les capacités de l’IA mise à disposition, concourant à une préorientation efficace d’une part, et à la profondeur des interactions d’autre part.
La subjectivité
Enfin, il convient de revenir sur la manière dont est appréhendée une tâche assistée par ordinateur, sans IA, afin de mieux percevoir la graduation des niveaux de profondeur et leurs facteurs adjacents influents.
L’humain répartit intuitivement son attention selon ses priorités et objectifs, mettant en jeu ses capacités cognitives, son temps, ses compétences, ses connaissances, et son énergie pour établir la profondeur de traitement ainsi que son niveau de détail selon la nature du besoin immédiat.
L’humain arbitre en permanence la hiérarchie des priorités d’attention, le niveau de concentration, la profondeur requise, elle-même dépendante d’objectifs, ces derniers étant également dépendants de facteurs d’interprétation.
Ce travail cognitif et instinctif est constant. Il ne peut pas être reproduit par l’IA, car, dans tous les cas de figure, le jugement de la pertinence nous est souverain.
En effet, les caractéristiques de la pertinence sont subjectives. Elles sont donc soumises à notre jugement par essence.
Autrement dit, tout résultat aux allures de pertinence, mais dont les critères de pertinence retenus par l’IA nous échappent, ne peut pas présenter un niveau de fiabilité suffisant à son utilisation.
Car la fiabilité est exclusivement définie par notre jugement.
D’où la nécessité d’extraire minutieusement les caractéristiques de cette pertinence subjective afin d’en maîtriser tous les aspects qui nous échapperaient dans une approche non segmentée, par essence généraliste.
Car il s’agit ni plus ni moins de confiance accordée à des résultats générés dans des cadres variables, impliquant des jugements et des décisions dont la fiabilité doit reposer sur l’arbitrage de l’humain. À lui de définir la graduation de profondeur en toute connaissance de cause, allant du métier jusqu’à la microtâche.
Ceci, en n’oubliant pas que les cadres et contextes doivent être les plus restreints possibles pour assurer la spécificité de la profondeur d’une part, et une attention maximale orientée vers ce que nous avons préalablement défini à la lumière des segmentations d’autre part.
Cela concourant à la confiance envers les résultats produit, car, par l’extraction détaillée des moindres composants jusqu’aux échelles indivisibles, nous maîtrisons les soubassements de la fiabilité et de la pertinence.
Ce qui s’opère par la segmentation consécutive Métier > disciplines > | compétences, connaissances | > tâches > micro-tâches, constituant la profondeur.
Parallèlement, ce cadrage fin permet de préétablir des principes subjectifs d’interprétations dans toutes les dimensions qu’implique une tâche, sans que le résultat ne subisse une dilution de la pertinence attendue en termes de spécificités et profondeur.
La méthode ESP assure ainsi une exploitation optimale du potentiel des LLM, par transposition, finalement, des processus cognitifs humains en procédures segmentées mises en œuvre par l’humain.
Ce dernier devient alors opérateur d’écosystèmes d’IA. Il pilote, commande, contrôle et met en action des IA spécifiquement créées et programmées pour accomplir des tâches particulières, pour des objectifs particuliers, qu’il agrège ensuite afin de concourir à un objectif plus large dont il demeure le maître d’œuvre.
C’est dans ce concours simultané de principes et d’approches que réside la pertinence d’usage de l’IA, décuplant la vitesse d’exécution et la qualité, réduisant les taux d’erreur et ayant une incidence majeure sur le chiffre d’affaires, notamment par les économies d’échelles réalisées grâce aux surcapacités dont chaque humain se trouve doté.
Mise en œuvre de la méthode ESP
La mise en œuvre de la méthode ESP requiert de l’expertise en prompt engineering et des outils appropriés.
Prérequis :
Avoir un compte sur neuraking.com, afin de pouvoir créer des IA anthropomorphes métier.
Avoir les capacités prompt ingénieur en cours de validité pour exploiter le plein potentiel de l’IA ESP sur laquelle repose la mise en œuvre de la méthode.
Procédures via IA ESP :
Visitez l’IA ESP ici : https://neuraking.com/ia-assistants/esp/.
Étape 1 : Identification métier avec l’IA ESP
Tout métier implique des sectorisations qu’il convient d’identifier préalablement à toute segmentation, afin de s’assurer que notre définition des implications correspond à l’idée que s’en font les modèles transformeurs qui seront sollicités.
Nous utiliserons ici l’exemple “comptable“.
a: Extraire ou vérifier l’appellation du métier inhérent au besoin
b: Identifier les métiers à transposer en IAs anthropomorphes
L’IA ESP va proposer une liste de métiers associés au terme renseigné (ici : comptable).
c: Sélectionner et classifier les métiers
À ce stade, la réponse de l’IA ESP nous indique une structure organisationnelle qu’il conviendra de répliquer, chaque métier étant une IA à créer, comme ceci :
Pour la comptabilité :
- Un comptable général = une IA
- Un comptable auxiliaire = une IA
- Un auditeur interne = une IA
- Etc.
Ainsi de suite pour chaque métier devant par la suite être segmenté.
Prenez-en note pour soumettre chacun des métiers à la présente procédure.
Étape 2 : Extraction des disciplines avec un équipier d’ESP IA
a: Extraire les disciplines avec Marco C.3.02.11.24
À partir d’un des métiers fournit par l’IA ESP, nous allons procéder à l’extraction des disciplines avec l’IA “Marco C.3.02.11.24”, premier équipier d’ESP.
Pour la démonstration, nous utiliserons “Fiscaliste“, en précisant “en cabinet comptable”. Cette précision est nécessaire, car nous sommes partis du terme “comptable”, mais cette angle n’est pas connu de Marco C.3.02.11.24.
b: Identifier les disciplines à transposer en départements d’équipiers anthropomorphes
L’IA Marco C.3.02.11.24 va proposer une liste de disciplines associées à la fonction / métier, avec de premières notions explicites sur les possibilités d’intervention IA LLM (ici: fiscaliste en cabinet comptable).
Ici, les possibilités d’usage évoquées font référence aux compétences et connaissances qui seront nécessaires à l’exploitation des IA associées, mais cela n’entre pas directement en ligne de compte à cette étape du processus d’extraction.
À ce stade, la réponse de l’IA Marco C.3.02.11.24 nous indique avant tout la structure organisationnelle des départements d’équipiers qui devront idéalement accompagner l’IA Fiscaliste, comme ceci :
IA principale :
- IA fiscaliste
Départements d’équipiers IA :
- Analyse et prévision fiscale
- Équipiers spécialisés (inconnus à ce stade)
- Conformité réglementaire
- Équipiers spécialisés (inconnus à ce stade)
- Planification fiscale
- Équipiers spécialisés (inconnus à ce stade)
- Détection de fraudes
- Équipiers spécialisés (inconnus à ce stade)
- Saisie de données et la génération de rapports
- Équipiers spécialisés (inconnus à ce stade)
- Consultation fiscale
- Équipiers spécialisés (inconnus à ce stade)
- Gestion de la documentation
- Équipiers spécialisés (inconnus à ce stade)
Se transposant en bout de procédure de cette manière :
c: Sélectionner et classifier les départements
Consignez les départements listés afin de les approvisionner ultérieurement avec des équipiers.
À ce stade, nous ne pouvons pas encore définir ces derniers, mais il convient d’établir l’organisation qui va les intégrer.
Étape 3 : Extraire les verbes d’action se limitant aux capacités LLM
Faisant écho aux compétences et connaissances, les verbes d’action et actions implicites sont les éléments qui permettront de caractériser les orientations d’objectifs et tâches, sans que l’établissement des connaissances et compétences soit nécessaire.
À cet effet, la réponse de Marco C.3.02.11.24 donne des indications sur les possibilités d’assistance par IA, permettant à la fois de limiter l’approche au champ des capacités de l’IA générative et d’orienter les choix de sélection dans la présente procédure.
Pour extraire les verbes d’action et les éléments d’action implicites non verbaux, il faut sélectionner l’une des réponses de Marco C.3.02.11.24 pour la transmettre à Laurent F.1.01.24, par exemple : “Analyse et prévision fiscale : L’IA peut aider à analyser de grandes quantités de données fiscales pour identifier des tendances et prévoir des résultats fiscaux.”
Ces éléments sont également importants pour préciser les orientations de segmentation de tâche concourant à la bonne conduite de la présente procédure.
Étape 4 : Extraction des tâches associées à une discipline
a: Extraire les tâches
À partir d’une des disciplines fournies par l’IA Marco C.3.02.11.24 et des éléments fournis par Laurent F.1.01.24, nous allons procéder à l’extraction des tâches associées avec le troisième équipier d’ESP : Sienna B.2.02.11.24.
Pour la démonstration, nous utiliserons “Analyse et prévision fiscale“, en précisant les verbes d’action et les actions implicites fournies par Laurent F.1.01.24.
À ce stade, la profondeur des tâches commence à apparaitre avec une notion chronologique de traitement et des actions sous-jacentes (assimilable à des compétences et connaissances à introduire ultérieurement en paramètre).
b: Identifier et sélectionner
Identifiez les tâches qui correspondent le mieux à vos attentes en matière d’assistance IA, puis prenez-en note pour une décomposition ultérieure de chacune de ces tâches en étapes de traitement.
Étape 5 : Décomposition des tâches en étapes
À partir d’une des tâches fournies par l’IA Sienna B.2.02.11.24, nous allons procéder à la décomposition en étapes de traitement avec Hugo D.1.02.11.24.
Cette IA indiquera non seulement ce que l’humain devra faire, mais établira également les microtâches associées pouvant être segmentées avec d’autres équipiers, IA métiers ou départements.
Pour la démonstration, nous utiliserons “Rassembler les données fiscales pertinentes des périodes précédentes“.
Cet exemple est volontairement choisi pour son aspect contre-intuitif, car le terme “rassembler” nous pousse à croire que cette tâche (rassembler) revient à l’humain, et donc qu’elle n’a pas lieu d’être.
Or, il est crucial d’approfondir sur cette base pour extraire la substance fine des considérations des modèles transformeurs.
La réponse d’Hugo D.1.02.11.24 va permettre de comprendre l’essence de chaque tâche en éclairant la manière dont il faut procéder à la fois en matière de pertinence procédurale et pour une décomposition optimale en IAs et équipiers appropriés.
À ce stade, la réponse de l’IA Hugo D.1.02.11.24 nous indique les détails de structure organisationnelle des équipiers qui devront idéalement être intégrés dans les départements associés à l’IA Fiscaliste, comme précédemment établie par la réponse de Marco C.3.02.11.24.
Comme ceci :
IA principale :
- IA fiscaliste
Départements d’équipiers IA :
Les attributions sont désormais connues, produisant une segmentation d’équipiers dans le département “Analyse et prévision fiscale” comme ceci :
- Analyse et prévision fiscale (Assimilé département)
Equipiers :- Définir les périodes à couvrir
- Identifier les sources de données
- Collecter les documents nécessaires
- Organiser les données
- Extraire les informations pertinentes
- Vérifier l’exactitude des données
- Compiler les données
- Analyser les données
- Conserver les données
- Préparer un rapport ou un résumé
Se transposant en bout de procédure de cette manière :
Ainsi de suite pour les autres départements déterminés par la réponse de Marco C.3.02.11.24 :
- Département métier : Conformité réglementaire
- Équipiers
- Département métier : Planification fiscale
- Équipiers
- Département métier : Détection de fraudes
- Équipiers
- Département métier : Saisie de données et la génération de rapports
- Équipiers
- Département métier : Consultation fiscale
- Équipiers
- Département métier : Gestion de la documentation
- Équipiers
Étape 6 : Extraction des implications utilitaires et dépendances
À ce stade, les étapes identifiées et listées par Hugo D.1.02.11.24 peuvent manquer de sens à nos yeux et, là encore, nous paraître contre-intuitives.
Il convient alors de restreindre leur interprétation aux limites des LLM tout en extrayant à nouveau les éléments d’action, mais avec Émilie C.1.01.24 cette fois-ci.
Dans la continuité de l’exemple, nous utiliserons “Définir les périodes à couvrir : Identifier les années ou les trimestres spécifiques pour lesquels les données fiscales doivent être rassemblées.“.
Émilie C.1.01.24 identifiera les actions afférentes et leurs conditions, ce qui permettra d’identifier l’utilité de l’équipier, et sur quelles données ce dernier devra s’appuyer.
À ce stade, il est possible de créer une première IA anthropomorphe, car nous connaissons le métier et ses ramifications.
En effet, nous en avons extrait une discipline en particulier, puis des éléments d’action permettant d’extraire des tâches.
Ces dernières ont été découpées en étapes dont l’utilité et les conditions ont été décortiquées, permettant ainsi de renseigner une partie des objectifs induits par le métier.
Objectifs induits :
Ce qui permettra aux équipes d’autoconstruction de profils d’IA anthropomorphes de prendre le relais afin d’optimiser chacun des paramètres de chacune de ces IA qu’il faudra construire pour chaque département d’un métier.
Étape 6 bis : Extraction des éléments clés
Enfin, sans que cela ne soit obligatoire, il est possible d’extraire les éléments clés de chaque étape, ce qui aidera à mieux orienter le paramétrage, et facilitera la tâche aux équipiers d’autoconstruction.
Pour extraire les éléments clés, utilisez Nathan H.2.02.11.24. Cette IA permet d’avoir une vue d’ensemble sur les facteurs essentiels du traitement des tâches afférentes au métier, mais afférentes aussi aux disciplines, tâches et micro-tâches.
Utile pour vérifier l’adéquation des éléments d’organisation définie par ESP avec votre perception.
Utile pour les prompts ingénieurs qui ne sont pas familiers avec le métier à traiter, et qui ont besoin d’une vue d’ensemble sur les leviers d’utilités.
Conclusion
La méthode ESP est un processus indispensable, préalable à la conception d’écosystèmes d’intelligences artificielles anthropomorphes pertinentes de par leur segmentation fine et leurs attributions d’objectifs uniques à l’intérieur de métiers et départements.