Développer avec l’IA

Les modèles de système un apportent une automatisation fiable à l'ingénierie IA

Diogo Almeida et des ingénieurs de Glean, UiPath et Workday démontrent comment des modèles rapides non génératifs comme Jev permettent une automatisation logicielle fiable lors du AI Engineer Code Summit.

Un cube en verre avec des couches de circuits à côté de notes papier et d'un engrenage
Illustration générée pour cet article

Traduit automatiquement depuis l'original anglais.

Lors du AI Engineer Code Summit le 12 novembre 2026, les leaders de l'industrie se sont réunis pour discuter d'un passage des grands modèles de langage purement génératifs vers des alternatives plus rapides et déterministes. Diogo Almeida, co-fondateur de TypeSafe AI et principal créateur de Jev, a ouvert l'événement en appelant à intégrer directement ces modèles « système un » dans le code applicatif pour une meilleure fiabilité.

Ce qui s'est passé

Le thème central du sommet était la montée en puissance des modèles de système un, qui diffèrent considérablement des grands modèles de langage axés sur le raisonnement qui ont dominé le développement récent de l'IA. Ces nouveaux modèles renvoient des choix structurés, des scores ou des probabilités plutôt que de générer du texte ouvert. Ils sont nettement plus rapides et moins coûteux à exécuter, répondant ainsi à un point de douleur critique pour les ingénieurs ayant besoin de performances cohérentes dans les environnements de production. Almeida a qualifié cette approche d'« intelligence fiable », soutenant qu'elle devrait être utilisée pour automatiser virtuellement tous les aspects de l'interaction logicielle où la prévisibilité est requise.

Almeida a souligné que le code est le langage principal de l'automatisation et que les modèles de système un doivent y être intégrés. Il a critiqué l'état actuel des logiciels pilotés par les LLM, notant que si ces modèles peuvent performer comme Einstein 95 % du temps, ils échouent parfois de manière rappelant Mr. Bean. Cette inconsistency rend l'automatisation complète dangereuse si les développeurs ne peuvent pas distinguer les sorties de haute qualité des mauvaises. Son discours clé a encouragé les ingénieurs à parsemer généreusement leurs bases de code d'appels aux modèles de système un pour créer des applications plus intelligentes et robustes sans dépendre de techniques fragiles de concaténation de chaînes.

Après le discours d'Almeida, Chinmay Goyal de Glean a présenté des applications pratiques de ces modèles dans la recherche d'entreprise. Goyal a expliqué que Glean utilise des modèles de système un parallèlement aux classificateurs traditionnels et aux LLM pour gérer des espaces de décision changeants fréquemment. L'avantage clé qu'il a mis en avant était la flexibilité zero-shot, qui permet au système de s'adapter à de nouvelles taxonomies sans nécessiter de réglages fins (fine-tuning) répétés. Goyal a noté que les utilisateurs finaux n'ont pas besoin de savoir quel modèle alimente une fonctionnalité spécifique ; ils se soucient uniquement que le produit fonctionne de manière fiable. Pour Glean, masquer la complexité de la sélection du modèle derrière une expérience utilisateur transparente reste l'objectif principal.

Comment cela fonctionne

Les modèles de système un fonctionnent en évaluant les entrées par rapport à un ensemble fixe de résultats ou de critères de notation plutôt qu'en générant du contenu nouveau token par token. Cette différence architecturale leur permet d'exécuter des milliers d'appels en moins d'une seconde, les rendant adaptés aux tâches de prise de décision en temps réel. Lors du sommet, Chibi Vikram et Kevin Bernstein de UiPath ont démontré cette capacité via un tournoi de classement de documents. Leur système utilisait Jev pour sélectionner les extraits de texte les plus pertinents parmi de petits groupes, faisant avancer les gagnants vers les tours suivants jusqu'à identifier les meilleurs correspondances. Cette stratégie multi-étapes exploitait la vitesse du modèle pour atteindre une grande précision sans le coût computationnel d'une passe générative complète.

Scott Roberts, Principal Engineer chez Workday, a présenté une autre implémentation où le modèle prédit l'intention de l'utilisateur avant qu'une action ne soit complétée. Dans son prototype, l'interface commence à remplir une carte de congés pendant que l'utilisateur tape encore. Cela fait passer le rôle du logiciel de la simple prédiction de ce que l'utilisateur veut dire à l'anticipation de ce qu'il veut faire. En intégrant des appels rapides aux modèles directement dans la logique de l'interface utilisateur, l'application devient proactive plutôt que réactive. Ces exemples illustrent que les modèles de système un fonctionnent comme des blocs de construction ajustables qui acquièrent de l'intelligence grâce à une composition stratégique plutôt qu'au nombre brut de paramètres.

Détails clés

  • Les modèles de système un renvoient des données structurées telles que des scores, des probabilités ou des choix discrets au lieu de générer du texte ouvert.
  • Jev, publié en septembre 2026 par TypeSafe AI, est cité comme un exemple principal de cette technologie, offrant des avantages en termes de vitesse et de fiabilité par rapport aux LLM de raisonnement.
  • Glean utilise ces modèles pour la flexibilité zero-shot, permettant à sa taxonomie de recherche d'évoluer sans entraînement constant du modèle.
  • UiPath a démontré un système de classement de type tournoi où Jev traitait des milliers d'appels en moins d'une seconde pour identifier des extraits de documents pertinents.
  • Workday a prototypé une interface qui prédit les actions des utilisateurs en temps réel, remplissant les formulaires pendant la frappe pour réduire la friction.
  • Diogo Almeida a comparé la phase d'expérimentation actuelle avec les modèles de système un aux débuts d'Internet, encourageant les développeurs à explorer de nouvelles frontières logicielles.

Pourquoi c'est important

Pour les ingénieurs logiciels et les fondateurs techniques, le passage vers les modèles de système un représente une transition des prototypes expérimentaux vers une fiabilité de niveau production. L'imprévisibilité des modèles génératifs a longtemps été un obstacle à l'automatisation des processus métier critiques. En utilisant des modèles fournissant des sorties structurées, les équipes peuvent construire des systèmes qui se comportent comme des portes logiques standard, garantissant que les flux d'automatisation ne se rompent pas en raison d'hallucinations ou de comportements erratiques. Cette fiabilité permet aux entreprises d'automatiser des workflows plus complexes en toute confiance, réduisant le besoin d'une supervision humaine extensive.

De plus, les avantages en termes de coût et de latence de ces modèles les rendent viables pour des tâches à haut volume qui étaient auparavant trop coûteuses à traiter avec de grands modèles de langage. Les ingénieurs peuvent désormais intégrer la prise de décision intelligente directement dans la logique centrale de leurs applications sans se soucier des coûts API prohibitifs ou des temps de réponse lents. Cela démocratise l'accès aux capacités avancées d'IA, permettant aux petites équipes de construire des fonctionnalités sophistiquées qui étaient autrefois réservées aux laboratoires de recherche bien financés. La capacité d'itérer rapidement sur ces modèles signifie également que les logiciels peuvent s'adapter aux exigences commerciales changeantes sans cycles de réentraînement longs.

Ce que vous pouvez faire

  • Identifiez les parties de votre application où des décisions structurées sont nécessaires, telles que la classification, le classement ou le routage, et remplacez les appels génératifs par des modèles de système un.
  • Expérimentez avec l'intégration directe des appels aux modèles dans votre code applicatif pour gérer la prédiction d'intention utilisateur en temps réel, similaire au prototype de Workday.
  • Utilisez des stratégies de classement de type tournoi pour améliorer la précision lors du traitement de grands jeux de données, en tirant parti de la vitesse des modèles de système un pour filtrer efficacement les résultats.
  • Évaluez vos workflows IA actuels pour identifier les opportunités de réduction de la latence et des coûts en passant des LLM de raisonnement à des alternatives rapides non génératives pour les tâches simples.
  • Explorez les capacités de classification zero-shot pour gérer les taxonomies évolutives sans la charge du réglage fin continu du modèle.
  • Rejoignez la communauté de développeurs qui expérimentent ces nouvelles frontières, en considérant le paysage actuel comme une opportunité de définir les meilleures pratiques pour une automatisation IA fiable.
  • #ai engineering
  • #system one models
  • #jev
  • #automation
  • #software reliability

Outils de la Boutique Bytechap

Continuer la lecture

Tous les articles