6.0 Introduction à la partie 6 : l’intelligence artificielle

L’intelligence artificielle est passée d’une nouveauté de recherche à une capacité centrale que les grandes organisations sont maintenant censées déployer de façon responsable et à l’échelle. Cette partie parcourt le cycle de vie entier : décider où l’IA vaut la peine d’être appliquée, concevoir des systèmes d’apprentissage automatique qui survivent au contact avec la production, construire des applications sur des modèles génératifs, utiliser l’IA pour aider au développement logiciel lui-même, satisfaire vos obligations d’équité et de responsabilité, et exploiter l’infrastructure spécialisée que tout cela exige. Une idée relie chaque chapitre : le modèle est rarement la partie difficile. La partie difficile est l’ingénierie, la gouvernance, et la discipline opérationnelle qui l’entourent.

Pour les grandes équipes, l’échelle et l’inertie élèvent les enjeux. Une initiative mal cadrée peut brûler des budgets, distraire des ingénieurs qualifiés, et éroder la confiance quand elle échoue publiquement. Une bien choisie peut automatiser la corvée et faire émerger de la perspicacité depuis des données que vous n’auriez jamais pu atteindre auparavant. À travers des centaines de développeurs et des dizaines de modèles, de petites habitudes et de petites lacunes de surveillance s’additionnent en résultats organisationnels. C’est pourquoi les plateformes partagées, les valeurs par défaut, et les normes comptent plus que toute solution ingénieuse isolée.

Les contextes d’entreprise et gouvernementaux ajoutent des contraintes plus nettes, et elles traversent chaque chapitre. Les organismes publics doivent justifier les dépenses, garantir la transparence, éviter la discrimination illégale, et rester responsables devant les régulateurs et le public. Les règles d’approvisionnement peuvent interdire le verrouillage à source unique et exiger l’explicabilité et des options de sortie. Les lois émergentes telles que l’EU AI Act (la réglementation à niveaux de risque de l’Union européenne pour les systèmes d’IA) et des normes telles que le NIST AI Risk Management Framework et l’ISO/IEC 42001, une norme certifiable de système de gestion d’IA, imposent des exigences graduées par risque. Dans ces contextes, la conformité, l’auditabilité, la reproductibilité, et la souveraineté des données sont des exigences de première classe, pas des pensées après coup.

Chapitres de cette partie

6.1 Stratégie et préparation à l’IA. La discipline de décider où appliquer l’IA, où l’éviter, et quelles fondations de données, talent, et gouvernance doivent exister avant que le premier modèle n’atteigne la production.
6.2 Ingénierie d’apprentissage automatique (MLOps). Apporter la rigueur logicielle à la réalité en trois parties du code plus des données plus des modèles, pour que les systèmes d’apprentissage automatique soient reproductibles, observables, et maintenables plutôt que des démonstrations ponctuelles.
6.3 IA générative et applications LLM. Concevoir des applications fiables autour de modèles de langage probabilistes à travers la gestion de contexte, l’ancrage augmenté par récupération, les garde-fous (contrôles d’exécution qui contraignent les entrées et sorties de modèle), et l’évaluation rigoureuse.
6.4 Développement logiciel assisté par IA. Utiliser des assistants de codage IA pour augmenter le débit sans abaisser la qualité, à travers des normes claires, de bonnes valeurs par défaut, une vérification forte, et une attention à la sécurité et au licensing.
6.5 IA responsable et digne de confiance. Construire des systèmes qui sont équitables, transparents, responsables, sûrs, et respectueux de la confidentialité, et être capable de démontrer tout cela à ceux affectés et aux régulateurs.
6.6 Infrastructure et opérations d’IA. Approvisionner et exploiter les accélérateurs rares, le stockage vectoriel (systèmes qui indexent les données comme vecteurs numériques pour la recherche de similarité), et les couches de service que les charges de travail d’IA exigent, de façon rentable, fiable, et observable.
6.7 Agents d’IA et systèmes agentiques. Construire du logiciel qui utilise un modèle de langage en boucle avec des outils, de la mémoire, et un objectif pour prendre des actions, et le faire en sécurité à travers l’autonomie bornée, l’accès aux outils à moindre privilège, les approbations humaines dans la boucle, les garde-fous contre l’injection de prompt, et l’évaluation rigoureuse du comportement non déterministe.
6.8 Évaluation et test d’IA. Rendre l’IA digne de confiance à travers le développement piloté par évaluation, des ensembles d’évaluation représentatifs et des métriques adaptées à la tâche, un LLM-juge calibré et une revue humaine, l’équipe rouge, des portes de régression en intégration continue, et la surveillance de la qualité et de la dérive en production.
6.9 Ingénierie de prompt et conception de contexte. Traiter le prompting comme de l’ingénierie, avec des prompts structurés, des techniques few-shot et de chaîne de raisonnement, une budgétisation et récupération de contexte disciplinées, une sortie structurée et un appel d’outil, et des prompts versionnés, révisés, et évalués comme du code.

Comment ces chapitres s’articulent

Ensemble ces chapitres forment un cycle de vie qui va de l’intention à l’opération. Le chapitre 6.1 fixe la stratégie et la préparation, cadrant quels problèmes justifient l’IA du tout et quelles fondations vous avez besoin d’abord. Le chapitre 6.2 fournit l’épine dorsale d’ingénierie pour l’apprentissage automatique classique, tandis que le chapitre 6.3 couvre les motifs distincts des modèles génératifs, où le comportement est façonné par les prompts et le contexte récupéré plutôt qu’une étape d’entraînement. Le chapitre 6.4 tourne l’IA sur l’art du développement logiciel lui-même, et le chapitre 6.6 fournit le substrat de calcul, stockage, et service dont chaque autre chapitre dépend. Le chapitre 6.5 n’est délibérément pas le dernier mot mais un compagnon constant : les obligations d’IA responsable façonnent la stratégie, contraignent le choix de modèle, conditionnent le déploiement, et informent les décisions d’infrastructure tout du long.

Le fil conducteur va de la stratégie au MLOps à l’IA générative au développement assisté par IA à l’IA responsable à l’infrastructure, mais pensez-y comme une toile, pas une ligne droite. Le MLOps et l’infrastructure partagent des préoccupations autour de la reproductibilité, du coût, et du service, donc les chapitres 6.2 et 6.6 se lisent mieux ensemble. L’IA responsable se rattache à la stratégie du chapitre 6.1 et en avant au traitement plus large de l’éthique et de l’intérêt public du chapitre 10.5, et s’appuie sur les pratiques de confidentialité et de protection des données du chapitre 4.5. Les fondements d’ingénierie plus larges de ce guide sous-tendent la partie entière : la livraison continue au chapitre 8.1, l’observabilité et la surveillance au chapitre 9.2, la stratégie de test au chapitre 2.4, et la revue de code au chapitre 2.5 sont tous des prérequis pour bien faire l’IA. L’IA ne remplace pas une ingénierie logicielle solide. Elle élève les enjeux de bien la faire.