Quand ils découvrent Apshan, beaucoup nous classent dans la catégorie « IA pour la mode ». Cela décrit assez bien le produit. Beaucoup moins l’entreprise que nous construisons.
L’expression « entreprise d’IA » recouvre aussi bien les laboratoires qui entraînent des modèles que les logiciels qui les utilisent ou les outils qui ajoutent des fonctions d’IA. Elle désigne une technologie commune. Elle n’explique pas le travail dont chaque entreprise est responsable.
Apshan utilise des modèles de langage. Ils permettent de raisonner, d’explorer des questions et de produire un travail. Ce que nous construisons autour d’eux, ce sont les connaissances d’une entreprise de mode sur lesquelles ce travail doit s’appuyer : ses décisions, ses exigences, son expertise et les raisons qui les fondent.
C’est cette distinction qu’exprime le titre.
Le modèle fait partie du produit. Il ne définit pas toute l’entreprise.
Un modèle performant peut expliquer la construction d’un vêtement, comparer des matières ou suggérer une direction. Connaître le secteur, c’est une chose. Savoir ce qu’une entreprise a décidé, qui l’a validé et si cette décision s’applique encore, c’en est une autre.
Ces éléments appartiennent à l’entreprise. Ils se précisent au fil des essayages, des choix commerciaux, des désaccords et de l’expérience. Certains sont écrits. D’autres ne deviennent explicites que lorsqu’une personne explique pourquoi l’équipe travaille ainsi.
Notre travail consiste à rendre ces connaissances utiles au-delà de la personne ou de la conversation dont elles proviennent. Une réponse doit pouvoir s’appuyer sur le raisonnement de l’entreprise. L’équipe suivante doit pouvoir en faire autant.
Les connaissances dépendent les unes des autres.
Enregistrer une information n’est qu’un début. La validation d’une matière peut justifier une consigne d’entretien. Cette consigne peut orienter les recommandations du service client. Ce sont des décisions liées, dont certaines personnes ont la responsabilité.
Si la validation de la matière change, les consignes qui en dépendent peuvent nécessiter un réexamen. La validation d’origine, ses raisons et son historique restent importants. La différence entre une révision proposée et une révision approuvée l’est tout autant.
Context Weave conserve ces liens. Les Cards regroupent les sources, les raisonnements consignés et les versions. Lorsqu’une décision change, les connaissances qui en dépendent sont signalées aux personnes responsables pour réexamen. Les réponses antérieures conservent les versions utilisées. Le signalement appelle une décision ; il ne la prend pas à la place de l’équipe.
C’est ce travail qui permet à l’IA de produire des résultats utiles. Il se poursuit entre les questions, à mesure que les décisions de l’entreprise évoluent.
L’entreprise garde la main.
Un modèle de langage peut formuler une recommandation. Ce sont les personnes habilitées qui établissent la position de l’entreprise. Elles examinent ce qui rejoint les connaissances partagées et ce qui doit être révisé.
Cette distinction compte entre les services. Les équipes peuvent travailler à partir d’une même base validée sans que chaque salarié puisse la redéfinir. Elles peuvent aussi vérifier sur quoi repose une réponse, au lieu de prendre une formulation convaincante pour une preuve.
Des modèles plus performants peuvent améliorer le raisonnement. Ils ne remplacent pas la responsabilité de l’entreprise de définir ce qui s’applique à son activité.
Ce que signifie « pas une entreprise d’IA ».
Apshan propose une plateforme d’IA aux entreprises de mode. Nous utilisons des modèles de langage développés par d’autres. Notre travail porte sur les connaissances propres à chaque entreprise : les relier, les maintenir à jour et permettre aux modèles de s’y appuyer pour produire un travail utile à la marque.
Ce travail se distingue des connaissances sectorielles et des signaux externes que nous explorons avec Nari et Seolal. Ceux-ci restent des axes de recherche à long terme. Ce qui est décrit ici part des connaissances de l’entreprise elle-même.
« Pas une entreprise d’IA » exprime où nous concentrons nos efforts et ce dont nous prenons la responsabilité. L’IA permet d’exploiter ces connaissances. Nous construisons ce qui leur permet de rester liées, vérifiables et utiles à mesure que l’entreprise évolue.
Questions
Apshan utilise-t-elle l’IA ?
Oui. Apshan est une plateforme d’IA pour les entreprises de mode et utilise des modèles de langage développés par d’autres. Le titre désigne notre travail central : relier et maintenir les connaissances utilisées par ces modèles, avec leurs sources, leurs dépendances, leurs validations et leur historique.
Pourquoi cette distinction est-elle importante ?
Les capacités d’un modèle et les connaissances d’une entreprise relèvent de responsabilités différentes. Un modèle peut raisonner sur la mode sans connaître les décisions validées d’une marque ni leurs raisons. Apshan rend ces connaissances utilisables entre les personnes, les projets et les conversations.
Qui décide de ce qui rejoint les connaissances de l’entreprise ?
Les personnes habilitées examinent et valident les connaissances partagées. Un modèle peut formuler une recommandation, mais il ne prend pas leur place. Lorsqu’une décision change, les connaissances qui en dépendent sont signalées pour réexamen, sans être réécrites ni approuvées automatiquement.
Que se passe-t-il lorsque les modèles de langage progressent ?
Des modèles plus performants peuvent améliorer le raisonnement et le travail produit. L’entreprise doit toujours définir ses décisions, en conserver les sources et les raisons, et réexaminer ce qui en dépend. Les réponses antérieures gardent les versions des sources utilisées à l’origine.
Est-ce la même chose que Nari ou Seolal ?
Non. Context Weave relie les connaissances propres à une entreprise. Nari explore les connaissances de l’ensemble du secteur de la mode et Seolal les signaux externes. Tous deux restent des axes de recherche à long terme, distincts de l’offre actuelle.