Demander un formulaire de modèle IA

  • Rversion finale: Australia
  • Mis à jour 12 mars 2026
  • 4 minutes de lecture

    • Le formulaire Demander un modèle IA est conçu pour rationaliser le processus de demande pour le développement ou l’acquisition d’un modèle IA. Ce formulaire d’admission confirme que tous les détails, documents justificatifs et considérations de conformité nécessaires sont saisis avant d’aller de l’avant avec le processus d’approbation.

    Consultez la table suivante pour obtenir une description des valeurs de champ.

    Tableau 1. Demander un formulaire de modèle IA
    Champ Description
    Détails
    Nom Nom unique pour le modèle d’IA. Par exemple, ServiceNow Now LLM 1.0.
    État Indique si le modèle d’IA est à l’état Brouillon, Développement ou Déployé. Pour en savoir plus sur les états, consultez AI asset lifecycle.
    Version Numéro de version du modèle IA. Par exemple, v1.0.
    Description Brève description du système d’IA, de sa fonctionnalité principale et de l’utilisation prévue. Par exemple, ServiceNow le grand modèle de langage (LLM) est une solution avancée basée sur l’IA conçue pour améliorer les options conversationnelles et automatiser les workflows au sein de la ServiceNow plateforme. Il exploite le traitement du langage naturel pour améliorer les interactions entre les utilisateurs, rationaliser la prestation de services et fournir des informations intelligentes, améliorant ainsi l’efficacité opérationnelle des entreprises.
    Propriété
    Fournisseur Organisation responsable de la fourniture du modèle IA. Par exemple, ServiceNow.
    Géré par Utilisateur responsable de la gestion du modèle IA.
    Modèles tiers
    Carte de modèle Une documentation détaillée sur l’objectif, l’architecture, les performances et les considérations éthiques du modèle d’IA pour plus de transparence.
    Informations sur les pondérations des modèles Informations supplémentaires sur le modèle si disponibles. Par exemple, reportez-vous au projet des poids et des biais.
    Remarque :
    Ces informations s’appliquent principalement aux modèles d’IA développés au sein de l’organisation.
    Langues prises en charge Langues prises en charge par le modèle IA. Par exemple, anglais, français, italien, allemand, espagnol.
    Modèle de base Modèle de base pertinent pour le modèle IA primaire. Un modèle de base est un modèle d’IA fondamental qui a été préentraîné sur un grand ensemble de données et qui peut être affiné pour des cas d’utilisation spécifiques. Ces modèles servent de point de départ au développement de modèles d’IA spécialisés en les adaptant aux données et aux exigences spécifiques au domaine. Par exemple, Mixtral.
    Remarque :
    Les modèles de base ne s’appliquent qu’aux modèles d’IA développés au sein de l’organisation.
    Procédure d'entraînement Procédure utilisée pour former le modèle IA. Les options sont les suivantes :
    • Arbres de décision : Modèle arborescent utilisé pour la prise de décision, où chaque nœud représente une condition et les branches mènent à des résultats. Il est largement utilisé pour les tâches de classification et de régression.
    • Apprentissage semi-supervisé : Une approche d’apprentissage automatique qui combine une petite quantité de données étiquetées avec une grande quantité de données non étiquetées pour améliorer l’efficacité de l’apprentissage.
    • Affinage d’instruction : processus dans lequel un modèle d’IA est formé avec des instructions spécifiques à une tâche pour améliorer sa capacité à suivre des commandes de type humain.
    • Affinage supervisé : technique dans laquelle un modèle préformé est ensuite entraîné sur des données étiquetées afin d’améliorer ses performances pour une tâche spécifique.
    • Réseaux neuronaux profonds : Un type de modèle d’IA avec plusieurs couches de neurones interconnectés qui peuvent apprendre des modèles complexes dans les données, utilisés dans l’apprentissage profond.
    • Régression linéaire : Méthode statistique qui modélise la relation entre une variable dépendante et une ou plusieurs variables indépendantes à l’aide d’une ligne droite.
    • Régression logistique : Algorithme de classification qui prédit les résultats catégoriels (par exemple, Oui ou Non) en estimant les probabilités à l’aide d’une fonction sigmoïde.
    • Forêt aléatoire : Une méthode d’apprentissage d’ensemble qui combine plusieurs arbres de décision pour améliorer la précision et réduire le surajustement dans les tâches de classification et de régression.
    • Apprentissage supervisé : approche d’apprentissage machine dans laquelle les modèles apprennent à partir de données étiquetées, en mappant les entrées pour corriger les sorties.
    • Apprentissage non supervisé : méthode d’apprentissage dans laquelle les modèles identifient des modèles et des structures dans des données non étiquetées sans catégories prédéfinies.
    • Apprentissage par renforcement : Une approche d’apprentissage où un agent interagit avec un environnement et apprend les actions optimales par le biais de récompenses et de pénalités.
    • Apprentissage par transfert : Technique dans laquelle un modèle pré-entraîné est adapté à une tâche nouvelle, mais connexe, pour améliorer les performances avec moins de données d’entraînement.
    Fenêtre de contexte Nombre de jetons que le modèle IA peut traiter lors de la génération de réponses ou de prédictions. Par exemple, 16385.
    Taille du modèle en Mo Espace de stockage occupé par le modèle IA en mégaoctets.
    Remarque :
    Le champ Taille du modèle en Mo ne prend en charge que les valeurs entières.
    Informations sur les paramètres du modèle Variables internes apprises pendant la formation qui déterminent le comportement et les performances du modèle d’IA. Par exemple, le nombre de paramètres pour le modèle est de 175.
    Rapport sur les mesures d'évaluation Résultats de la mesure des performances utilisés pour évaluer l’efficacité du modèle d’IA pendant les tests ou l’évaluation. Par exemple, vous pouvez mentionner que la précision du modèle est de 85 % et que le taux d’hallucination est de 15 %.
    Jeux de données d'entraînement Collecte des jeux de données utilisés pour former les modèles d’IA.
    Jeux de données d'évaluation Collection d’ensembles de données utilisés pour évaluer ou tester les modèles d’IA. Par exemple, ensemble de données d’incident P1.
    Détails supplémentaires
    Directives de déploiement Processus d’intégration et de déploiement d’un modèle d’IA entraîné dans un environnement de production pour une utilisation dans le monde réel.
    Infrastructure requise Description des ressources matérielles et logicielles nécessaires pour déployer et exécuter le modèle IA. Par exemple, vous pouvez mentionner qu’une unité de traitement graphique (GPU) de type A100 est nécessaire.