La nouvelle Agentic Search de Mistral permet à l'IA de lire réellement vos documents
Le laboratoire français d'IA a lancé un système de récupération qui permet aux modèles d'ouvrir, de parcourir et de vérifier eux-mêmes des documents complexes, soit une précision plus que triplée par rapport à un benchmark financier.
Mistral, le laboratoire français d’IA, a lancé une fonctionnalité appelée Agentic Search le 20 août. Il s’agit d’une nouvelle façon pour les modèles d’IA de parcourir des documents, des tableaux, des notes de bas de page et tout, avant de répondre à une question, au lieu de s’appuyer uniquement sur l’ancienne méthode que la plupart des outils d’IA utilisent encore.
Cette méthode plus ancienne s’appelle RAG, génération augmentée par récupération : le système recherche dans une base de données des morceaux de texte qui semblent pertinents, les transmet au modèle et espère que la réponse s’y trouve. Agentic Search donne au modèle cinq capacités supplémentaires, rechercher, ouvrir, naviguer, lire et grep (un moyen d’analyser du texte à la recherche de modèles spécifiques), lui permettant de se comporter davantage comme une personne travaillant réellement sur un document : ouvrir un fichier, vérifier un tableau, suivre une référence à une autre section, affiner sa propre requête si la première tentative échoue. Sur FinanceBench, une référence qui teste les réponses aux questions sur des centaines de documents financiers réels auprès de la SEC, Mistral affirme que la précision est passée de 26,7 % avec les anciennes méthodes à 86 % avec Agentic Search. Il est désormais disponible via la boîte à outils de recherche de Mistral pour des configurations personnalisées et intégré directement dans les bibliothèques des produits Studio et Vibe de Mistral.
Que se passe-t-il réellement ici : quiconque a essayé de poser à un chatbot IA une question précise sur un long PDF, un contrat, un rapport financier, un manuel technique, connaît le résultat frustrant : une réponse apparemment confiante qui est subtilement fausse car le modèle n’a vu qu’un fragment du texte pertinent. C’est le mode de défaillance réel que les outils basés sur RAG rencontrent constamment. Laisser le modèle naviguer activement dans un document, comme vous le feriez pour passer à la page 40, car c’est là que se trouvent réellement les chiffres dont vous avez besoin, comble une grande partie de cet écart. Il le ferait également plus efficacement, avec moins de va-et-vient et moins d’utilisation de jetons (les jetons sont les morceaux de texte par lesquels les systèmes d’IA sont facturés), ce qui est important pour quiconque exécute cela à grande échelle. Pour Mistral, il s’agit également d’un jeu pour rester pertinent dans l’IA d’entreprise face à des laboratoires américains beaucoup plus grands et mieux financés, en fournissant des outils pratiques qui résolvent bien un problème spécifique et commun.
Ce que cela signifie pour vous : si vous ou votre entreprise traitez des documents longs et denses, des rapports financiers, des contrats juridiques, des spécifications techniques et utilisez des outils d’IA pour les rechercher ou les résumer, c’est le genre d’amélioration qui pourrait réduire considérablement les réponses hallucinées ou incomplètes. Pour la plupart des utilisateurs occasionnels de chatbots, il ne sera pas visible directement, mais c’est un bon signe de la direction vers laquelle les outils de recherche d’IA se dirigent généralement : moins « devinez à partir d’un fragment », plus « allez le chercher correctement ».
Sources
L'unité robotique de XPeng vient de lever 900 millions de dollars pour sa poussée humanoïde
La filiale robotique de XPeng, soutenue par Alibaba et Tencent, est désormais valorisée à plus de 6,3 milliards de dollars avant la production en série de son robot humanoïde IRON.
