Machine Learning · IA Générative (RAG-LLM) · Systèmes Experts
En quoi elles diffèrent, comment elles interagissent, et pourquoi les trois sont essentielles pour l’aide à la décision à enjeux élevés.
L’IA moderne n’est pas une technologie unique.
Chez amsafis, les systèmes d’aide à la décision combinent trois formes distinctes d’Intelligence Artificielle, chacune avec une logique différente, des forces différentes et des exigences opérationnelles différentes :
Chacune d’elles est une IA à part entière. Aucune ne remplace les autres.
Ensemble, elles forment une boucle fermée :
données → prédiction → règles → preuves → décision
Le Machine Learning extrait des motifs, interactions et signaux à partir de jeux de données structurées — typiquement des tables de type tableur, et non des images, de l’audio ou de la vidéo.
amsafis est spécialisé précisément dans ce domaine : variables numériques ou bien codées, éventuellement clairsemées, bruyantes ou hétérogènes.
Le ML nécessite un jeu de données dont il peut apprendre. En pratique :
Chez amsafis, le ML n’implique pas :
(Ces domaines appartiennent à des spécialisations deep learning en dehors du périmètre du cabinet.)
De nombreux workflows ML incluent des tests statistiques classiques :
Ces tests sont utiles pour la validation scientifique, mais pas strictement nécessaires pour intégrer de nouvelles connaissances dans :
Pour ces deux piliers, des statistiques descriptives suffisent souvent :
Si une organisation possède déjà des outils BI (Power BI, Tableau, SQL analytics, rapports ERP), ces résultats descriptifs peuvent être directement utilisés pour alimenter :
sans nécessiter un projet complet de modélisation inférentielle.
Cela évite des retards inutiles et rend l’adoption de l’IA pratique, même avec des ressources analytiques internes modestes.
Ils peuvent être calculés non seulement à partir de jeux de données complets, mais parfois à partir de statistiques récapitulatives (SSD) :
Cela permet :
Cela permet de modéliser sans partager les jeux de données bruts.
Mais les SSD ne peuvent coder que des relations linéaires — tout est résumé. Les SSD ne peuvent conserver :
Pour détecter ces phénomènes, il faut utiliser le jeu de données complet.
C’est là que le ML moderne excelle :
Les SSD ne peuvent pas exprimer la non-linéarité. Donc :
Les résultats du ML sont des entrées pour d'autres composants :
Les règles peuvent incorporer des seuils, clusters ou catégories de risque dérivés du ML.
Les résultats ML peuvent être documentés et intégrés au référentiel de preuves.
Si nécessaire, les sorties ML peuvent être utilisées dans une optimisation mathématique (ex. programmation linéaire). Un Système Expert peut aussi appeler une logique d’optimisation en interne.
L’IA générative est le paradigme d’IA le plus récent, devenu largement connu depuis la sortie de ChatGPT. Contrairement au ML et aux SE, elle utilise la modélisation du langage plutôt que des données structurées ou des règles explicites.
Mais les LLM ne sont pas intrinsèquement fiables. Ils nécessitent un ancrage.
C’est pourquoi amsafis utilise RAG comme architecture obligatoire :
Nécessaire lorsque les documents ne peuvent pas quitter les locaux (santé, industrie réglementée, R&D).
Cela requiert :
Le modèle :
Si une entreprise n’est pas dans l’aérospatial, le modèle n’a jamais besoin de connaître quoi que ce soit sur le système solaire. Sa valeur réside dans RAG, pas dans la connaissance encyclopédique.
Un bon système RAG dépend de deux composants délicats :
Ces deux éléments doivent *correspondre*.
Chez amsafis, la base de connaissances est révisée manuellement avant l’indexation pour éviter :
C’est l’équivalent d’un *prompt engineering côté données*.
Les Systèmes Experts sont la première branche de l’IA formalisée en tant que telle et demeurent irremplaçables dans les environnements critiques pour la sécurité.
Ils exécutent une logique explicite, sans inférence statistique ni raisonnement neuronal linguistique.
Ils peuvent gérer :
Un clinicien, ingénieur ou opérateur peut soupçonner un chemin d’inférence spécifique. Un Système Expert peut être programmé pour fournir :
Cela fournit une traçabilité qu’un RAG-LLM ne peut garantir.
Les Systèmes Experts peuvent :
Ces enregistrements ne sont pas des règles. Elles sont évaluées par les règles.
Cela boucle la boucle entre les trois IA.
Amsafis a développé une couche de connaissance exécutable permettant de consulter des modèles experts de manière directe et opérationnelle.
Ce n’est ni un chatbot ni une application d’IA générative. C’est un service qui expose une connaissance formalisée afin qu’elle puisse être utilisée par :
L’objectif est de transformer la connaissance experte en un outil exécutable, traçable et réutilisable.
En plus de l’utilisation manuelle disponible depuis le site web, le service peut être testé en exécutant des commandes depuis des outils gratuits tels que :
(D’autres consoles peuvent fonctionner, mais la syntaxe peut varier.)
Ces outils permettent d’envoyer des requêtes directes au moteur de connaissance.
curl -X POST https://diseases-non-interactive.amsafis.com/mcp/dispatch \ -H "Content-Type: application/json" \ -d "{\"task\":\"diagnose\",\"payload\":{\"symptoms\":[\"Myopia\"]}}"
curl -X POST https://diseases-non-interactive.amsafis.com/mcp/dispatch \ -H "Content-Type: application/json" \ -d "{\"task\":\"intersect\",\"payload\":{\"disease_a\":\"biotinidase_deficiency\",\"disease_b\":\"holocarboxylase_synthetase_deficiency\"}}"
curl -X POST https://diseases-non-interactive.amsafis.com/mcp/dispatch \ -H "Content-Type: application/json" \ -d "{\"task\":\"review\",\"payload\":{\"disease\":\"biotinidase_deficiency\"}}"
La requête suivante demande si une adresse IP est une donnée personnelle au sens du RGPD et si des obligations de compliance s'appliquent:
curl -s -X POST https://agent-gdpr.amsafis.com/mcp/dispatch \ -H "Content-Type: application/json" \ -d "{\"connector\": \"gdpr_check\", \"params\": {\"data\": \"ip_address\"}}"
La base de connaissances encode les règles de classification des données personnelles issues du CNIL Developer's Guide, Sheet 1, source faisant autorité pour l'identification des données personnelles en Europe.
Cinq connecteurs disponibles :
Liste complète des connecteurs et schéma des paramètres:
curl https://agent-gdpr.amsafis.com/mcp/connectors
Cet environnement constitue un Knowledge Tool Provider : un composant réutilisable pouvant être intégré dans des architectures plus complexes sans perdre la transparence du modèle ni la gouvernance de la connaissance.
La section précédente montre comment un service de connaissance peut être accessible de manière programmatique à l’aide d’une simple requête curl basée sur le Model Context Protocol (MCP).
Il ne s’agit pas seulement d’un détail technique. Cela définit comment différents composants d’IA peuvent être connectés et exécutés comme des services interopérables.
Un Agent s’appuie sur cette capacité.
Plutôt que d’appeler un seul service, un Agent :
Dans ce contexte, le Model Context Protocol (MCP) fournit un moyen standardisé d’échanger des entrées et sorties structurées entre composants, permettant :
Un Agent peut combiner :
en utilisant MCP comme couche de communication entre eux.
Cela transforme des capacités isolées en un flux d’exécution cohérent, où chaque composant contribue au résultat final.
Par exemple:
Il ne s’agit pas d’un nouveau pilier de l’IA.
C’est une manière d’opérationnaliser l’intégration décrite dans les sections précédentes.
En pratique, chaque Agent est conçu pour un cas d’usage spécifique, avec différents niveaux de complexité :
Cette approche permet la transition de :
à