Vaincre les hallucinations des LLM dans les secteurs réglementés : les modèles déterministes d'Artificial Genius sur Amazon Nova
Artificial Genius, en partenariat avec AWS, annonce une approche inédite pour éliminer les hallucinations des grands modèles de langage dans les secteurs réglementés. La startup utilise Amazon SageMaker AI et les modèles Amazon Nova pour créer ce qu'elle appelle une architecture de "troisième génération" : probabiliste en entrée, mais déterministe en sortie. Une promesse qui pourrait lever l'un des principaux freins à l'adoption de l'IA générative dans la finance et la santé.
Dans ces secteurs, la non-déterminisme des LLM n'est pas une simple nuisance — c'est une barrière réglementaire et opérationnelle. Une banque ou un hôpital ne peut pas se permettre des réponses "plausibles mais fausses" dans des contextes de gestion des risques, de conformité ou de décision clinique. Les solutions existantes, notamment le RAG (Retrieval Augmented Generation), ne résolvent pas le problème fondamental : la génération reste probabiliste, donc sujette aux erreurs non bornées.
L'approche d'Artificial Genius, développée par Paul Burchard et Igor Halperin, repose sur un fine-tuning breveté appliqué aux modèles de base Amazon Nova via SageMaker. Plutôt que d'abaisser la température à zéro — technique courante mais insuffisante —, la méthode post-entraîne le modèle pour faire tendre les log-probabilités des prédictions de tokens vers des valeurs absolues (0 ou 1). Le modèle est ainsi contraint de n'utiliser ses capacités de compréhension que de manière interpolative sur les données d'entrée, sans extrapoler ni inventer. Leur amélioration du RAG va plus loin : plutôt que des embeddings vectoriels fixes, le système génère un embedding unifié intégrant simultanément le texte source et la requête utilisateur, garantissant une pertinence contextuelle supérieure.
Cette convergence entre la fluidité des modèles génératifs et la fiabilité de la logique symbolique dessine un nouveau paradigme pour l'IA d'entreprise. Si la promesse technique se confirme à l'échelle, elle pourrait accélérer significativement le déploiement de l'IA dans des environnements mission-critical — précisément ceux où les enjeux réglementaires et humains sont les plus élevés.
