Votre entreprise devrait entraîner ses propres modèles d'IA - Will Brown, Prime Intellect
원제 · Your Company Should Train Its Own AI Models - Will Brown, Prime Intellect
핵심 요약
L'intégration de l'entraînement de modèles personnalisés dans les organisations permet de capitaliser les connaissances tacites et de réduire la dépendance aux contextes répétitifs grâce à des cycles d'apprentissage nocturnes.
하이라이트
Une entreprise nommée Paper Instruments a entraîné pour 300 000 dollars un modèle d'IA optimal sur la frontière de Pareto pour le travail de bureau et les tableurs.
L'entraînement des modèles permet de capturer les connaissances tacites et les préférences organisationnelles que l'apprentissage en contexte ne peut pas retenir durablement.
Les agents logiciels dotés d'une orchestration suffisante peuvent trier de grands volumes de données non structurées pour identifier les inefficacités opérationnelles.
L'infrastructure d'apprentissage continu permet d'utiliser la capacité d'inférence pendant la nuit pour lancer des cycles d'entraînement nocturnes basés sur les traces de la journée.
Le passage du code aux données permet aux organisations de transformer leurs flux de travail quotidiens en boucles d'auto-amélioration pour leurs modèles.
타임라인
Introduction et évolution des agents vers l'IA organisationnelle
Will Brown présente les tendances de l'ingénierie de l'IA et l'évolution rapide allant des chatbots aux moteurs de raisonnement, puis aux agents. L'objectif est de définir ce que signifie une entreprise véritablement native de l'IA à l'échelle de la grande entreprise, en s'appuyant sur des outils et des modèles open source pour préserver l'avantage institutionnel.
- Les organisations progressent rapidement vers l'intégration profonde des agents tout au long de leur cycle de vie.
- Prime Intellect développe une infrastructure d'IA pour l'entraînement et le déploiement de modèles open source.
- Les modèles open source permettent aux entreprises de s'approprier leurs flux de travail et leurs données.
Connaissances tacites et limites de l'apprentissage en contexte
Les institutions reposent sur des données informelles, des heuristiques et des préférences qui échappent aux organigrammes officiels. Bien que les agents modernes analysent les textes non structurés pour détecter les inefficacités, l'utilisation exclusive de fichiers de compétences ou de contextes en cache crée des goulots d'étranglement financiers et fonctionnels, nécessitant une transition vers l'entraînement des poids.
- Une grande partie des connaissances organisationnelles demeure implicite et non consignée par écrit.
- Les agents actuels s'appuient sur un apprentissage en contexte rudimentaire qui consomme beaucoup de jetons d'entrée.
- L'entraînement direct dans les poids des modèles surmonte les limites des fichiers de compétences textuels.
Méthodes d'apprentissage continu et cas d'usage en entreprise
L'adoption de pratiques issues du développement logiciel, telles que la création d'évaluations automatisées à partir des traces d'utilisation, permet de structurer l'apprentissage des modèles. Les organisations peuvent ainsi collecter les retours humains au fil de la journée et lancer des entraînements automatisés chaque nuit pour améliorer continuellement les performances des agents.
- Le traitement d'un modèle comme une base de code avec des cas de test facilite l'apprentissage continu.
- L'entreprise Paper Instruments a entraîné un modèle spécialisé pour le travail de bureau pour un coût de 300 000 dollars.
- Les cycles d'entraînement nocturnes exploitent la baisse d'activité pour actualiser les modèles à partir des traces collectées.
설명
Agents relearn the same things every session because the knowledge that runs a company never gets written down. Will Brown of Prime Intellect makes the case for training models on your own traces, feedback and workflows, so they learn on the job the way human coworkers do. He covers evals as test cases, decision models and routing, and widget-style interfaces that turn your decisions into training data. He ends with nightly training runs and an example model trained for about $300K. 0:00 Intro 1:21 From chatbots to AI-native organizations 2:33 What Prime Intellect builds 3:45 The knowledge that never gets written down 5:43 Why agents relearn everything 7:25 What goes in context vs. in the weights 8:06 The game of telephone behind frontier training 11:15 Evals as test cases for your model 12:43 Routing and decision models 15:11 Interfaces that turn decisions into training data 17:27 A $300K model for knowledge work 18:35 Nightly training runs 19:19 The self-improving organization Will Brown, Prime Intellect: https://www.primeintellect.ai Join us in SF for the second annual AIE CODE summit: https://aie.codes our last flagship summit of 2026. Applications live now!