---
title: "IA"
updated: "2026-11-16"
url: "https://www.etheon.com/fr/services/ai"
---

# Services de développement d’IA

Le développement d’IA, de la stratégie au MLOps. Nous construisons des agents, des modèles et les intégrations qui les mettent au service de votre entreprise.

## Le développement d’IA, de la stratégie au MLOps. Nous construisons des agents, des modèles et les intégrations qui les mettent au service de votre entreprise.

### Conseil.

Là où l’IA rapporte dans votre entreprise, ce qu’elle exige de vos données, et ce qu’il faut construire en premier.

- Une liste classée de cas d’usage
- Un diagnostic de maturité des données
- Une première réalisation cadrée

Exemple de classement · une illustration du format, pas les cas d’usage d’un client

1. Réponses du support rédigées à partir de votre centre d’aide: Documents clairs, volume élevé
2. Notes d’appels commerciaux saisies dans votre CRM: Travail répétitif, facile à vérifier
3. Une prévision de la demande pour vos meilleures ventes: Données disponibles, valeur claire

### IA générative.

Des assistants fondés sur vos documents, et des fonctionnalités d’IA dans votre produit.

- Un assistant fondé sur vos documents
- Des réponses qui citent vos sources
- Des fonctionnalités d’IA dans votre produit

### Agents.

Des agents qui travaillent dans vos systèmes, dans les limites que vous fixez et avec une personne là où cela compte.

- Les outils que l’agent peut appeler, chacun avec sa propre autorisation
- Des limites appliquées en dehors du modèle
- Chaque étape journalisée et rejouable
- Une personne approuve ce que vous choisissez

À cette étape: Appel d’outils, Garde-fous, Traçage

Exemple d’exécution · une illustration du format, pas le système d’un client

|  |  |  |  |
| --- | --- | --- | --- |
| 00\.00 | request | Refund order 1042 if the policy allows it |  |
| 00\.12 | retrieve | refund-policy.md, section 3.2 | ancré |
| 00\.31 | tool | orders.lookup(1042) | livré il y a 9 jours |
| 00\.44 | check | inside the 14-day window | réussi |
| 00\.52 | guard | amount under the agent's limit | réussi |
| 00\.53 | person | approval not needed under the limit | ignoré |
| 00\.71 | tool | payments.refund(1042) | terminé |
| 00\.72 | log | every step saved for review | enregistré |

### IA documents et vision.

Lire des documents, des images et des vidéos avec l’IA.

- Données extraites de formulaires, factures et contrats
- Pages numérisées transformées en texte consultable
- Images classées, et leur contenu identifié
- Vidéos parcourues pour retrouver les moments que vous indiquez

### Intégration.

L’IA connectée aux systèmes et à l’authentification que vous utilisez déjà.

- Le modèle adapté à la tâche
- Authentification unique
- Coût et temps de réponse mesurés

### MLOps.

Chaque version suivie, chaque mise en production réversible.

- L’évaluation avant chaque mise en production
- Versions numérotées avec retour arrière
- Des fiches de modèle

### Conseil. Là où l’IA rapporte dans votre entreprise, et ce qu’il faut construire en premier.

#### Ce que c’est

Le conseil en IA détermine où il vaut la peine de construire de l’IA dans votre entreprise, avant toute réalisation. Nous examinons vos processus et vos données, classons les cas d’usage selon ce que chacun peut rapporter et ce qu’il exige, et cadrons la première réalisation pour que son résultat soit mesurable.

#### Ce que nous faisons

- Classer les cas d’usage
- Vérifier ce qu’ils exigent de vos données
- Cadrer une première réalisation

#### Comment nous le faisons

1. Entretiens: Les personnes qui connaissent le travail, et les données qui le sous-tendent.
2. Classement: Chaque cas d’usage selon ce qu’il peut rapporter et ce qu’il exige.
3. Vérification des données: Si elles existent, sont propres et peuvent être utilisées.
4. Cadrage: La première réalisation, et la façon dont son résultat sera mesuré.

#### Ce que vous obtenez

- Une liste de cas d’usage classés
- Une note sur la maturité des données
- Un premier projet cadré

#### Voir aussi

- [IA générative](https://www.etheon.com/fr/services/ai?detail=generative-ai#generative-ai)
- [Notre méthode](https://www.etheon.com/fr/company/how-we-work)

### IA générative. Des assistants et des fonctionnalités d’IA construits sur vos documents et votre produit.

#### Ce que c’est

L’IA générative, c’est un logiciel qui rédige, répond et résume à partir de vos propres contenus. Nous construisons des assistants fondés sur vos documents, qui citent leurs sources, et des fonctionnalités d’IA dans votre produit, chacune testée sur des exemples que vous validez avant d’atteindre vos utilisateurs.

#### Ce que nous faisons

- Un assistant fondé sur vos documents
- Des réponses qui citent vos sources
- Des fonctionnalités d’IA dans votre produit

#### Comment nous le faisons

1. Rassembler les sources: Les documents et les données que l’assistant peut lire.
2. Construire et ancrer: Des réponses qui citent le passage dont elles proviennent.
3. Évaluer: De vraies questions de votre équipe, notées avant la mise en production.
4. Livrer par étapes: D’abord à un petit groupe, puis à tous.

#### Ce que vous obtenez

- L’assistant et son code dans votre dépôt
- Un jeu d’évaluation et ses scores
- Un runbook pour votre équipe

#### Stack et outils

- Model APIs
- Embeddings
- Vector search
- Evaluation sets

#### Voir aussi

- [Kuest AI, un tuteur IA qui enseigne pas à pas](https://www.etheon.com/fr/work/kuest-ai)
- [Évaluation](https://www.etheon.com/fr/services/ai?detail=evaluation#evaluation)
- [Modèles hébergés](https://www.etheon.com/fr/services/ai?detail=hosted-models#hosted-models)

### Agents. Un logiciel qui agit dans vos systèmes, dans les limites que vous fixez.

#### Ce que c’est

Un agent est un logiciel qui agit dans vos systèmes : il lit une tâche, appelle les outils qu’il est autorisé à appeler et consigne chaque étape. Nous construisons chaque agent dans un harnais d’autorisations et de limites placées en dehors du modèle, avec une personne qui approuve les étapes que vous choisissez, pour que l’agent ne puisse faire que ce que vous avez défini.

#### Ce que nous faisons

- Cartographier la tâche : ses étapes, les systèmes qu’elle touche, et où une personne approuve.
- Construire les outils que l’agent peut appeler, chacun avec sa propre autorisation.
- Fixer les limites sur les données, les dépenses et le périmètre, appliquées en dehors du modèle.
- Journaliser chaque étape, pour que votre équipe puisse rejouer ce que l’agent a fait et pourquoi.

#### Comment nous le faisons

1. Cadrer la tâche: Les étapes, les systèmes et les décisions qu’une personne conserve.
2. Construire les outils: Chaque outil que l’agent peut appeler, avec sa propre autorisation.
3. Évaluer: Un jeu d’évaluation tiré de vos propres cas, noté avant la mise en production.
4. Livrer par étapes: D’abord une personne approuve chaque action, puis seulement les exceptions.
5. Surveiller et améliorer: Traces, alertes et une revue régulière de ses erreurs.

#### Ce que vous obtenez

- L’agent et ses outils dans votre dépôt
- Une carte des autorisations
- Un jeu d’évaluation et ses scores
- Une trace de chaque exécution
- Un runbook pour votre équipe

#### Stack et outils

- Model APIs
- Tool calling
- Sandboxes
- Tracing
- Evaluation sets

#### Voir aussi

- [Jeriko, une équipe d’agents IA personnels](https://www.etheon.com/fr/work/jeriko)
- [Le harnais d’agent](https://www.etheon.com/fr/services/ai?detail=agent-harness#agent-harness)
- [Données pour le ML](https://www.etheon.com/fr/services/data?detail=ml-data#ml-data)

Des agents pour votre entreprise. Décrivez-nous la tâche et les systèmes qu’elle touche. Nous répondons sous un jour ouvré.

### IA documents et vision. Lire des documents, des images et des vidéos avec l’IA.

#### Ce que c’est

L’IA documents et vision lit ce que votre entreprise reçoit sous forme de fichiers : formulaires, factures, contrats, pages numérisées, images et vidéos. Nous construisons des systèmes qui extraient les données dont vous avez besoin, transforment les numérisations en texte consultable, classent les images selon leur contenu et retrouvent les moments d’une vidéo que vous indiquez, chacun vérifié sur des exemples que vous validez.

#### Ce que nous faisons

- Extraire les données de formulaires, factures et contrats
- Transformer les pages numérisées en texte consultable
- Classer les images et identifier leur contenu
- Parcourir les vidéos pour retrouver les moments que vous indiquez

#### Comment nous le faisons

1. Réunir des exemples: De vrais documents, images ou vidéos issus de votre activité.
2. Construire le lecteur: Un modèle qui les lit, vérifié sur vos exemples.
3. Revoir les cas douteux: Une personne vérifie ce dont le modèle n’est pas sûr.
4. Connecter: Les résultats alimentent le système qui en a besoin.

#### Questions

**Une personne peut-elle vérifier les résultats ?**

Oui. Tout ce dont le modèle n’est pas sûr part dans une file de revue, et une personne décide avant la suite.

**Quels types de documents pouvez-vous lire ?**

Formulaires, factures, contrats, pages numérisées, images et vidéos. Nous testons sur vos exemples avant de construire.

#### Ce que vous obtenez

- Le pipeline d’extraction dans votre dépôt
- Un jeu d’évaluation et ses scores
- Une file de revue pour votre équipe

#### Stack et outils

- Document parsing
- Optical character recognition
- Vision models
- Evaluation sets

#### Voir aussi

- [IA générative](https://www.etheon.com/fr/services/ai?detail=generative-ai#generative-ai)
- [Évaluation](https://www.etheon.com/fr/services/ai?detail=evaluation#evaluation)

### Intégration. L’IA connectée aux systèmes que vous exploitez déjà.

#### Ce que c’est

L’intégration met l’IA en œuvre dans les systèmes que vous exploitez déjà. Nous connectons un modèle à vos applications, à vos données et à votre authentification unique, choisissons le modèle adapté à chaque tâche, et mesurons son coût et son temps de réponse pour que la fonctionnalité reste abordable à mesure que l’usage croît.

#### Ce que nous faisons

- Le modèle adapté à la tâche
- Authentification unique
- Coût et temps de réponse mesurés

#### Comment nous le faisons

1. Cartographier les systèmes: Où vit la fonctionnalité, et ce qu’elle lit et écrit.
2. Choisir le modèle: Noté sur votre tâche pour la qualité, le coût et le temps de réponse.
3. Connecter: Via vos API et votre authentification unique.
4. Mesurer: Coût et temps de réponse surveillés une fois en production.

#### Ce que vous obtenez

- Le code d’intégration dans votre dépôt
- Un rapport sur le coût et le temps de réponse
- Un runbook pour votre équipe

#### Stack et outils

- Model APIs
- API gateways
- Single sign-on
- Monitoring

#### Voir aussi

- [Logiciel sur mesure](https://www.etheon.com/fr/services/software?detail=custom-software#custom-software)
- [Applications web](https://www.etheon.com/fr/services/web?detail=web-apps#web-apps)

### MLOps. Des modèles livrés, mesurés et maintenus en état de marche.

#### Ce que c’est

Le MLOps maintient les modèles en état de marche après le lancement. Nous construisons les pipelines qui entraînent, évaluent et livrent un modèle, un registre qui versionne chacun d’eux, une supervision qui le surveille en production et un réentraînement quand les données évoluent, chaque mise en production restant réversible.

#### Ce que nous faisons

- Pipelines
- Un registre de modèles
- Supervision
- Réentraînement
- Versions numérotées avec retour arrière
- Des fiches de modèle

#### Comment nous le faisons

1. Construire le pipeline: Entraînement, évaluation et mise en production, écrits sous forme de code.
2. Enregistrer chaque modèle: Chaque version conservée avec ses données et ses scores.
3. Livrer avec un retour arrière: Une nouvelle version ne remplace l’ancienne qu’une fois validée.
4. Superviser: La qualité et la dérive surveillées en production.
5. Réentraîner: Quand les données évoluent, avec les mêmes points de contrôle qu’avant.

#### Questions

**Pouvons-nous revenir à un modèle précédent ?**

Oui. Chaque mise en production est versionnée, donc le modèle précédent peut revenir si un nouveau ne donne pas satisfaction.

**Comment savez-vous qu’un modèle a dérivé ?**

La supervision compare les entrées et les résultats réels au jeu de test, et alerte votre équipe quand ils s’en écartent.

#### Ce que vous obtenez

- Les pipelines dans votre dépôt
- Un registre de modèles
- Supervision et alertes
- Une fiche de modèle pour chaque version

#### Stack et outils

- Pipeline orchestration
- Model registries
- Experiment tracking
- Monitoring
- Evaluation sets

#### Voir aussi

- [Évaluation](https://www.etheon.com/fr/services/ai?detail=evaluation#evaluation)
- [Données pour le ML](https://www.etheon.com/fr/services/data?detail=ml-data#ml-data)

## À l’intérieur d’un agent : le harnais.

Le modèle n’est qu’une partie ; le harnais qui l’entoure décide de ce que l’agent peut faire.

- Modèle: Lit la tâche et décide de l’étape suivante.
- Outils: Les actions que l’agent peut appeler, chacune nommée et limitée.
- Autorisations: Ce que chaque outil peut toucher, appliqué en dehors du modèle.
- Contexte: Les documents et les données que l’agent peut lire pour cette tâche.
- Bac à sable: Où l’agent s’exécute, à l’écart des systèmes qu’il ne doit pas atteindre.
- Approbation: Les étapes qu’une personne approuve avant qu’elles n’aient lieu.
- Trace: Chaque étape écrite dans un journal que votre équipe peut rejouer.

### Le harnais d’agent. Tout ce qui entoure le modèle et décide de ce qu’un agent peut faire.

#### Ce que c’est

Un harnais d’agent est le logiciel qui entoure un modèle et décide de ce que l’agent peut faire : les outils qu’il peut appeler, les autorisations sur chacun, le contexte qu’il peut lire, l’endroit où il s’exécute, les étapes qu’une personne approuve et le journal de chaque étape. Nous construisons d’abord le harnais, puis l’agent à l’intérieur, pour que ses limites tiennent quelle que soit la réponse du modèle.

#### Ce que nous faisons

- Nommer chaque outil que l’agent peut appeler
- Fixer les autorisations de chaque outil en dehors du modèle
- Exécuter l’agent dans un bac à sable, à l’écart de vos systèmes
- Placer une personne avant les étapes que vous choisissez
- Écrire chaque étape dans un journal que votre équipe peut rejouer

#### Ce que vous obtenez

- Le harnais et ses outils dans votre dépôt
- Une carte des autorisations
- Une trace rejouable de chaque exécution

#### Stack et outils

- Tool calling
- Sandboxes
- Policy enforcement
- Tracing

#### Voir aussi

- [Agents](https://www.etheon.com/fr/services/ai?detail=agents#agents)
- [Évaluation](https://www.etheon.com/fr/services/ai?detail=evaluation#evaluation)

## Modèles.

Quatre façons de mettre un modèle en œuvre, et ce que chacune vous demande.

### Modèle hébergé

Le modèle d’un fournisseur, utilisé via son API.

- Ce qu’il vous faut: Un compte chez le fournisseur, et des conditions adaptées à vos données.
- Ce que vous possédez: Vos prompts, votre jeu d’évaluation et le code autour du modèle.
- Quand c’est adapté: Quand un modèle généraliste fait déjà assez bien la tâche.

### Modèle ouvert

Des poids ouverts sur une infrastructure que vous contrôlez.

- Ce qu’il vous faut: Des serveurs ou un compte cloud avec le matériel adapté.
- Ce que vous possédez: Le déploiement, et la destination de vos données.
- Quand c’est adapté: Quand vos données doivent rester dans votre propre environnement.

### Modèle affiné

Un modèle de base entraîné davantage sur vos exemples.

- Ce qu’il vous faut: De bons exemples de la tâche, et un moyen de les noter.
- Ce que vous possédez: Les poids affinés, lorsque la licence du modèle de base le permet.
- Quand c’est adapté: Quand le prompting seul n’atteint pas votre niveau de qualité.

### Modèle sur mesure

Un modèle entraîné sur vos données pour une tâche, comme une prévision ou un classifieur.

- Ce qu’il vous faut: Suffisamment de données étiquetées pour la tâche.
- Ce que vous possédez: Le modèle et son code d’entraînement.
- Quand c’est adapté: Quand la tâche est restreinte et que les données sont les vôtres.

### Modèles hébergés. Le modèle d’un fournisseur, utilisé via son API, avec ses conditions vérifiées pour vos données.

#### Ce que c’est

Un modèle hébergé est le modèle d’un fournisseur que vous utilisez via son API, sans serveurs à exploiter vous-même. Nous choisissons entre les fournisseurs en les notant sur votre propre jeu d’évaluation, vérifions les conditions de chacun au regard de vos données, et mesurons le coût et le temps de réponse de chaque appel.

#### Ce que nous faisons

- Choisir selon votre jeu d’évaluation
- Vérifier les conditions du fournisseur
- Mesurer le coût et le temps de réponse

#### Comment nous le faisons

1. Construire le jeu d’évaluation: De vrais exemples de la tâche, notés de la même façon.
2. Comparer les fournisseurs: Chaque modèle noté sur votre jeu.
3. Vérifier les conditions: Où vont vos données, et si elles peuvent être conservées.
4. Mesurer: Le coût et le temps de réponse à votre volume.

#### Ce que vous obtenez

- Une comparaison des fournisseurs sur votre jeu d’évaluation
- Le code d’intégration dans votre dépôt

#### Stack et outils

- Model APIs
- Evaluation sets
- Prompt management
- Usage monitoring

#### Voir aussi

- [Modèles ouverts](https://www.etheon.com/fr/services/ai?detail=open-models#open-models)
- [Évaluation](https://www.etheon.com/fr/services/ai?detail=evaluation#evaluation)

### Modèles ouverts. Des poids ouverts, exécutés là où vivent déjà vos données.

#### Ce que c’est

Un modèle ouvert est un modèle dont vous exécutez vous-même les poids, sur des serveurs ou un compte cloud que vous contrôlez. Il convient aux travaux dont les données doivent rester dans votre environnement. Nous choisissons le modèle selon votre jeu d’évaluation, le déployons sur votre infrastructure et mesurons sa qualité, son coût et sa vitesse.

#### Ce que nous faisons

- Choisir un modèle ouvert selon votre jeu d’évaluation
- Le déployer sur une infrastructure que vous contrôlez
- Mesurer sa qualité, son coût et sa vitesse

#### Comment nous le faisons

1. Présélectionner: Les modèles ouverts dont la licence convient à votre usage.
2. Noter: Chacun sur votre jeu d’évaluation.
3. Déployer: Sur vos serveurs ou votre compte cloud.
4. Mesurer: La qualité, le coût et le temps de réponse sous charge.

#### Ce que vous obtenez

- Le déploiement sous forme de code dans votre dépôt
- Une évaluation des modèles que vous avez envisagés

#### Stack et outils

- Model serving
- GPU infrastructure
- Evaluation sets
- Monitoring

#### Voir aussi

- [Modèles hébergés](https://www.etheon.com/fr/services/ai?detail=hosted-models#hosted-models)
- [Fine-tuning](https://www.etheon.com/fr/services/ai?detail=fine-tuning#fine-tuning)

### Fine-tuning. Un modèle de base entraîné davantage sur des exemples de votre tâche.

#### Ce que c’est

Le fine-tuning entraîne davantage un modèle de base sur des exemples de votre tâche, pour qu’il réponde dans votre format et votre domaine. Il vaut la peine quand le prompting seul n’atteint pas votre niveau de qualité. Nous préparons les exemples, entraînons, puis notons le modèle affiné face au modèle de base sur votre jeu d’évaluation.

#### Ce que nous faisons

- Préparer des exemples de votre tâche
- Poursuivre l’entraînement du modèle de base
- Le noter face au modèle de base

#### Comment nous le faisons

1. Réunir des exemples: De bons exemples de la tâche, vérifiés par votre équipe.
2. Entraîner: Le modèle de base entraîné davantage sur ces exemples.
3. Noter: Le modèle affiné et le modèle de base comparés sur votre jeu d’évaluation.
4. Déployer: Seulement si le modèle affiné fait mieux.

#### Ce que vous obtenez

- Les poids affinés, à votre nom lorsque la licence du modèle de base le permet

#### Stack et outils

- Training frameworks
- GPU infrastructure
- Evaluation sets
- Model registries

#### Voir aussi

- [Évaluation](https://www.etheon.com/fr/services/ai?detail=evaluation#evaluation)
- [Données pour le ML](https://www.etheon.com/fr/services/data?detail=ml-data#ml-data)

### Apprentissage automatique. Un modèle entraîné sur vos données pour une tâche : une prévision, un classement, un classifieur.

#### Ce que c’est

L’apprentissage automatique désigne ici un modèle entraîné sur vos données pour une tâche précise : une prévision, un classement ou un classifieur. Nous préparons les données, entraînons et évaluons le modèle, puis le déployons avec les pipelines qui le maintiennent à jour à mesure que vos données changent.

#### Ce que nous faisons

- Préparer vos données pour une tâche
- Entraîner et évaluer le modèle
- Le déployer avec des pipelines qui le maintiennent à jour

#### Comment nous le faisons

1. Définir la tâche: Ce que le modèle prédit, et comment il sera jugé.
2. Préparer les données: Étiquetées, nettoyées et réparties entre entraînement et test.
3. Entraîner et évaluer: Des candidats comparés sur des données qu’ils n’ont jamais vues.
4. Déployer: Avec le pipeline qui le réentraîne à mesure que vos données changent.

#### Ce que vous obtenez

- Le modèle et son code d’entraînement
- Un rapport d’évaluation
- Un pipeline de réentraînement

#### Stack et outils

- Training frameworks
- Feature stores
- Experiment tracking
- Model registries

#### Voir aussi

- [Données pour le ML](https://www.etheon.com/fr/services/data?detail=ml-data#ml-data)
- [MLOps](https://www.etheon.com/fr/services/ai?detail=mlops#mlops)

## Évaluation : points de contrôle avant mise en production.

Chaque modèle passe les mêmes contrôles avant d’atteindre vos utilisateurs.

| Point de contrôle | Ce que nous mesurons | Comment | Seuil | Exécution |
| --- | --- | --- | --- | --- |
| Qualité de la tâche | Réponses correctes sur votre jeu de test | Notée sur un jeu étiqueté que vous validez | Fixé avec vous | À chaque build |
| Ancrage | Chaque réponse cite vos sources | Chaque phrase rattachée à un passage récupéré | Fixé avec vous | À chaque build |
| Sûreté | Requêtes dangereuses et hors politique refusées | Prompts de red team et suites de jailbreak | Fixé avec vous | Avant mise en production |
| Confidentialité | Aucune donnée personnelle ne sort de son périmètre | Masquage testé sur des enregistrements fictifs | Fixé avec vous | À chaque build |
| Latence | Assez rapide pour la tâche | Temps de réponse mesuré sous charge | Fixé avec vous | Avant mise en production |
| Coût | Abordable à votre volume | Coût modélisé à votre volume attendu | Fixé avec vous | Avant mise en production |
| Dérive | Toujours juste le mois prochain | Entrées réelles comparées au jeu de test | Seuil d’alerte fixé avec vous | En production |

### Méthode : Sûreté

Une suite fixe de prompts adverses, complétée par de nouveaux prompts écrits pour votre domaine, s’exécute sur la version candidate. Toute réponse dangereuse bloque la mise en production et figure dans le rapport que vous recevez.

### Évaluation. Chaque modèle passe les mêmes points de contrôle avant d’atteindre vos utilisateurs.

#### Ce que c’est

C’est par l’évaluation qu’un modèle mérite sa mise en production. Chaque modèle passe les mêmes points de contrôle : qualité de la tâche sur un jeu de test que vous validez, ancrage dans vos sources, sûreté face aux prompts adverses, confidentialité sur des enregistrements fictifs, latence sous charge, coût à votre volume et dérive une fois en production. La méthode de chaque point de contrôle est écrite et s’exécute de la même façon à chaque fois.

#### Comment nous le faisons

1. Construire le jeu de test: Des exemples étiquetés de votre tâche, validés par vous.
2. Fixer les seuils: Un pour chaque point de contrôle, convenu avec vous avant le début du travail.
3. Exécuter à chaque build: Qualité de la tâche, ancrage et confidentialité, à mesure que le code change.
4. Exécuter avant la mise en production: Sûreté, latence et coût, sur la version candidate.
5. Surveiller en production: Les entrées réelles comparées au jeu de test, pour détecter la dérive.

#### Questions

**Comment évaluez-vous un modèle avant son lancement ?**

Au regard des points de contrôle de cette page : qualité de la tâche, ancrage, sûreté, confidentialité, latence, coût et dérive. Nous convenons de chaque seuil avec vous avant le début du travail, et une version candidate qui n’en atteint pas un attend de l’atteindre.

#### Ce que vous obtenez

- Un rapport du résultat de chaque point de contrôle pour chaque version candidate

#### Voir aussi

- [Notre méthode](https://www.etheon.com/fr/company/how-we-work)
- [QA](https://www.etheon.com/fr/services/software?detail=qa#qa)

## Construits et en service.

Un produit de notre propre Lab, et des agents que nous avons construits pour des clients.

### Etheon Delta

Notre Lab

Un produit du Lab Etheon.

[Explorer Delta](https://www.etheon.com/fr/research#delta)

### Jeriko

Projet client

Une équipe d’agents IA personnels.

Ce que cela prouve : Des agents qui agissent dans les limites des autorisations que vous fixez.

[Explorer Jeriko](https://www.etheon.com/fr/work/jeriko)

### Kuest AI

Projet client

Un tuteur qui enseigne pas à pas.

Ce que cela prouve : Des réponses ancrées dans vos propres contenus.

[Explorer Kuest AI](https://www.etheon.com/fr/work/kuest-ai)

## Du côté du Lab. La recherche qui fonde notre façon de construire l’IA.

[Parcourir toute la recherche](https://www.etheon.com/fr/research/index)

- [Ce sur quoi travaille le Lab Etheon](https://www.etheon.com/fr/research/index/what-the-etheon-lab-works-on): Le Lab Etheon étudie ce qui rend un logiciel d’IA sûr à livrer : évaluation, garde-fous, observabilité, mises en production sûres et gouvernance.
- [Comment nous testons un modèle avant sa mise en production](https://www.etheon.com/fr/research/index/how-we-test-a-model-before-release): Chaque modèle que nous construisons passe les mêmes points de contrôle avant d’atteindre les utilisateurs : qualité de la tâche, ancrage, sûreté, confidentialité, latence, coût et dérive.
- [Le harnais d’abord](https://www.etheon.com/fr/research/index/the-harness-comes-first): Un harnais d’agent est le logiciel qui entoure un modèle et décide de ce que l’agent peut faire. Nous construisons d’abord le harnais, puis l’agent à l’intérieur.

## Questions.

Ce que demandent les acheteurs avant un projet d’IA.

### Comment évaluez-vous un modèle avant son lancement ?

Au regard des points de contrôle de cette page : qualité de la tâche, ancrage, sûreté, confidentialité, latence, coût et dérive. Nous convenons de chaque seuil avec vous avant le début du travail, et une version candidate qui n’en atteint pas un attend de l’atteindre.

### Entraînez-vous des modèles sur nos données ?

Nous n’entraînons jamais de modèles sur vos données sans votre accord explicite. Vos données restent isolées de celles des autres clients.

### À qui appartiennent le code et les modèles ?

À vous. Le code, les modèles et les comptes sont à votre nom, et le dépôt vous appartient dès le premier commit.

### Comment chiffrez-vous un projet ?

Selon le modèle de collaboration. Nous ne publions pas de prix.

### Quel modèle utiliser ?

Celui qui fait le mieux votre tâche, à un coût que vous pouvez assumer. Nous notons les modèles candidats sur votre propre jeu d’évaluation et choisissons selon la qualité, le coût et le temps de réponse ; les quatre options présentées sous Modèles les comparent.

- [Données](https://www.etheon.com/fr/services/data): Pipelines, plateformes et BI
- [Cloud](https://www.etheon.com/fr/services/cloud): Cloud, DevOps et SRE