Nous présentons aujourd’hui Forge, un système qui permet aux entreprises de créer des modèles d’IA de pointe fondés sur leurs connaissances propriétaires.
La plupart des modèles d’IA disponibles aujourd’hui sont entraînés principalement sur des données publiques. Ils sont conçus pour être performants sur un large éventail de tâches. Mais les entreprises fonctionnent avec des connaissances internes : standards d’ingénierie, politiques de conformité, bases de code, processus opérationnels et années de décisions institutionnelles.
Forge comble l’écart entre l’IA générique et les besoins propres aux entreprises. Au lieu de s’appuyer sur de vastes données publiques, les organisations peuvent entraîner des modèles qui comprennent le contexte interne intégré à leurs systèmes, workflows et politiques, afin d’aligner l’IA sur leurs opérations spécifiques.
Mistral AI a déjà travaillé avec des organisations de premier plan, comme ASML, DSO National Laboratories Singapore, Ericsson, European Space Agency, Home Team Science and Technology Agency (HTX) Singapore et Reply, pour entraîner des modèles sur les données propriétaires qui alimentent leurs systèmes les plus complexes et les technologies qui structurent leur avenir.
Entraîner des modèles sur la connaissance institutionnelle.
Forge permet aux entreprises de créer des modèles qui internalisent leur connaissance métier. Les organisations peuvent entraîner des modèles sur de grands volumes de documentation interne, de bases de code, de données structurées et d’enregistrements opérationnels. Pendant l’entraînement, le modèle apprend le vocabulaire, les schémas de raisonnement et les contraintes qui définissent cet environnement.
Cela permet aux équipes de développer des modèles et des agents qui raisonnent avec la terminologie interne et comprennent les workflows de l’entreprise. Forge prend en charge les approches d’entraînement modernes à plusieurs étapes du cycle de vie du modèle :
Le pré-entraînement permet aux organisations de créer des modèles sensibles au domaine à partir de grands jeux de données internes.
Les méthodes de post-entraînement permettent aux équipes d’affiner le comportement du modèle pour des tâches et des environnements spécifiques.
L’apprentissage par renforcement aide les organisations à aligner les modèles et les agents sur les politiques internes, les critères d’évaluation et les objectifs opérationnels, tout en améliorant les performances agentiques dans des environnements réels, comme l’orchestration complexe, l’utilisation d’outils et la prise de décision.
Ensemble, ces capacités permettent aux entreprises d’aller au-delà du comportement générique de l’IA et de développer des modèles qui reflètent l’intelligence institutionnelle.
Contrôle et autonomie stratégique.
Pour de nombreuses organisations, l’adoption de l’IA soulève des questions de contrôle sur les modèles, les données et la propriété intellectuelle à long terme. Forge permet aux entreprises de créer des modèles qui restent sous leur contrôle. Les modèles peuvent être entraînés avec des jeux de données propriétaires et gouvernés au moyen de politiques internes, de standards d’évaluation et d’exigences opérationnelles.
Cela permet aux organisations de garder le contrôle sur la manière dont leurs connaissances sont encodées et utilisées par les systèmes d’IA. Dans les environnements réglementés, ce niveau de contrôle est essentiel. Les entreprises doivent s’assurer que les modèles reflètent les exigences de conformité, les contraintes opérationnelles et les cadres de gouvernance internes.
En permettant aux organisations de créer des modèles fondés sur leurs propres connaissances et exploités dans leurs propres environnements d’infrastructure, Forge renforce leur autonomie stratégique à mesure que l’IA devient une composante des systèmes d’entreprise critiques.
Les modèles personnalisés rendent les agents d’entreprise fiables.
Les agents d’entreprise doivent faire plus que générer des réponses. Ils doivent naviguer dans les systèmes internes, utiliser correctement les outils et prendre des décisions dans les limites fixées par l’organisation.
Les modèles personnalisés rendent cela possible en donnant aux agents une compréhension plus fine de l’environnement dans lequel ils opèrent. Au lieu de s’appuyer sur un raisonnement générique, les agents alimentés par des modèles entraînés sur un domaine peuvent interpréter la terminologie interne, suivre les procédures opérationnelles et comprendre les relations entre les différents systèmes et sources de données.
Cela change le comportement des agents en pratique. La sélection des outils devient plus précise. Les workflows multi-étapes deviennent plus fiables. Les décisions peuvent refléter les politiques internes et la logique métier plutôt que des hypothèses génériques.
Le résultat : des agents qui dépassent la simple assistance et commencent à fonctionner comme des composants opérationnels des systèmes d’entreprise, capables d’exécuter des tâches, de coordonner plusieurs outils et de prendre en charge des processus complexes avec plus de précision et de rapidité.
Prise en charge de plusieurs architectures de modèles.
Forge offre de la flexibilité avec la prise en charge de architectures denses et Mixture of Experts (MoE). Cela permet aux organisations d’optimiser les performances, les coûts et les contraintes opérationnelles. Les modèles denses offrent de solides capacités générales sur un large éventail de tâches d’entreprise, tandis que MoE permet à de très grands modèles de s’exécuter plus efficacement ; ils offrent des capacités comparables avec une latence et un coût de calcul inférieurs à ceux d’un modèle dense de taille comparable. Forge prend également en charge les entrées multimodales lorsque nécessaire, ce qui permet aux modèles d’apprendre à partir de texte, d’images et d’autres formats de données.
Conçu d’abord pour les agents
Les agents de code deviennent les principaux utilisateurs des outils de développement. Nous avons donc conçu Forge pour eux dès le départ, et non comme une adaptation après coup. Un agent autonome comme Mistral Vibe peut l’utiliser pour le fine-tuning de modèles, trouver les hyperparamètres optimaux, planifier des jobs et générer des données synthétiques pour améliorer progressivement les évaluations. Tout au long du processus, Forge surveille les métriques pour vérifier que le modèle ne régresse pas sur les benchmarks qui comptent pour vous. Comme Forge gère l’infrastructure et inclut des recettes éprouvées pour les pipelines de données et les méthodes d’entraînement de Mistral AI, tout le monde, y compris les agents, peut personnaliser un modèle en écrivant simplement en anglais courant.
Amélioration continue par apprentissage par renforcement et évaluation.
Les environnements d’entreprise évoluent en permanence. Les réglementations changent. Les systèmes sont mis à jour. De nouvelles données deviennent disponibles. Forge est conçu pour une adaptation continue plutôt que pour un entraînement ponctuel. Les organisations peuvent utiliser des pipelines d’apprentissage par renforcement pour affiner le comportement du modèle à partir de retours issus d’évaluations internes et de workflows opérationnels.
Cela permet aux équipes d’améliorer les modèles dans le temps et d’aligner les sorties sur les objectifs de l’organisation. Les cadres d’évaluation permettent aux entreprises de tester les modèles avec des benchmarks internes, des règles de conformité et des tâches propres à leur domaine avant de les déployer en production.
Le résultat est un cycle de vie du modèle qui permet une amélioration continue plutôt qu’un déploiement statique.
Exemples d’applications en entreprise.
Les organisations peuvent utiliser Forge dans de nombreux types de workflows d’entreprise.
Les administrations publiques peuvent créer des modèles entraînés pour différentes langues et dialectes, des cadres de politiques publiques, des textes réglementaires et des procédures administratives. Cela permet aux agents d’IA d’être fiables pour l’analyse des politiques publiques, la prestation de services publics et la planification opérationnelle, tout en reflétant les mandats institutionnels et les exigences de gouvernance.
Les institutions financières peuvent entraîner des modèles sur des cadres de conformité, des procédures de gestion des risques et de la documentation réglementaire. Cela permet aux systèmes d’IA de produire des sorties cohérentes avec les politiques de gouvernance internes.
Les équipes logicielles peuvent entraîner des modèles sur des bases de code propriétaires et des standards de développement. La valeur réelle vient de la capacité à façonner les modèles pour qu’ils soient particulièrement performants sur les tâches d’ingénierie spécifiques qui améliorent la productivité et la qualité au sein de l’entreprise. Un modèle entraîné sur des dépôts propriétaires et des standards de développement peut mieux comprendre les abstractions, les patterns et les choix d’architecture internes. Lorsqu’il est post-entraîné pour des workflows prioritaires comme l’implémentation, le debugging, la migration, la relecture ou l’aide à la conception système, il peut produire des sorties plus sensibles au contexte, plus cohérentes avec les pratiques internes et plus utiles sur l’ensemble du cycle de développement logiciel.
Les industriels peuvent entraîner des modèles sur des spécifications d’ingénierie, des données opérationnelles et des historiques de maintenance. Ces modèles peuvent aider au diagnostic, à l’analyse de conception et à la prise de décision opérationnelle.
Les grandes entreprises peuvent déployer des agents construits sur des modèles entraînés sur leurs systèmes de connaissances internes. Ces agents peuvent utiliser la documentation de l’entreprise, les enregistrements opérationnels et les décisions passées pour assister les collaborateurs dans des workflows complexes. Comme les modèles personnalisés sous-jacents comprennent la terminologie et les structures de connaissance de l’organisation, les agents peuvent retrouver des informations et exécuter des tâches avec plus de précision et de rapidité.
Dans chaque cas, l’objectif est le même : permettre aux modèles et aux agents construits sur ces modèles d’opérer dans le contexte métier de l’organisation.
Créez vos propres modèles de pointe avec Forge.
Les modèles d’IA deviennent une couche fondamentale de l’infrastructure d’entreprise. À mesure que les organisations intègrent des agents d’IA dans leurs opérations clés, la capacité à encoder la connaissance institutionnelle dans le comportement des modèles devient de plus en plus importante.
Forge permet aux entreprises de créer et d’améliorer en continu des modèles entraînés sur leurs propres données et alignés sur leur contexte opérationnel. Ces modèles peuvent alimenter des systèmes et agents d’IA qui opèrent avec la terminologie, les processus et les contraintes de l’organisation. Dans le temps, cette approche permet aux organisations de considérer les modèles d’IA non pas simplement comme des outils externes, mais comme des ressources stratégiques qui évoluent avec leurs connaissances, leurs processus et leur expertise.
Si votre organisation est prête à explorer ce que signifie créer une IA autour de ses propres connaissances, inscrivez-vous pour en savoir plus sur Forge.