Présentation
RÉSUMÉ
Cet article montre comment les avancées de l'IA générative (LLM, modèles de raisonnement, agents intelligents) transforment la veille scientifique et technique. Il explore de manière concrète comment ces technologies transforment chaque étape du cycle de veille. À travers des cas d'usage détaillés (exploration thématique rapide avec Perplexity, analyse de corpus avec NotebookLM et SciSpace, surveillance continue automatisée), il montre comment traiter en quelques minutes des volumes documentaires qui nécessitaient auparavant plusieurs jours. L'article examine également leurs limites (hallucinations, biais, non-déterminisme) et propose un cadre méthodologique intégrant validation humaine, documentation et optimisation des coûts.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
Gilles BALMISSE : Consultant en management et technologies - Expert CIR/CII, Montpellier, France
INTRODUCTION
La veille scientifique et technique est aujourd’hui confrontée à un paradoxe. Malgré une surabondance de l’information, son exploitation devient de plus en complexe. En effet, chaque année, c’est plus de 3 millions d’articles scientifiques et autant de prépublications et près de 3 millions de demandes de brevets qui sont publiés. Par ailleurs, le délai entre les découvertes académiques et leur application industrielle est passé dans certains domaines de plusieurs années à moins de deux ans dans certains domaines.
Face à une telle situation, les méthodes classiques montrent leurs limites. Les notifications automatiques produisent un bruit significatif et la phase d’analyse reste largement artisanale.
L’IA générative, sous l’impulsion des modèles de langage de grande taille, bouleverse ce paysage en permettant d’automatiser des tâches à faible valeur ajoutée et en élargissant les capacités d’analyse.
Cet article dresse un panorama de l’utilisation de ces technologies à chaque étape du cycle de veille. Ainsi, au travers de différents cas d’usage, cet article présente ce qui fonctionne à l’heure actuelle ainsi que les limites. Il explore également les enjeux que soulève leur déploiement, notamment sur les aspects liés à la fiabilité, aux coûts et à l’impact environnemental.
Cet article est réservé aux abonnés.
Il vous reste 95 % à découvrir.
Déjà abonné ? Se connecter
MOTS-CLÉS
intelligence artificielle générative (GenAI) veille scientifique et technique (VST) grands modèles de langage
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Innovation > Management et ingénierie de l'innovation > Ingénierie de l'innovation > Veille scientifique et technique - Tirer parti de l’intelligence artificielle générative > Glossaire
Présentation
L’intelligence artificielle générative au service de la veilleArticle inclus dans l'offre
"Documents numériques Gestion de contenu"
(66 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
5. Glossaire
Biais algorithmique ; algorithmic bias
Reproduction ou amplification par les LLM de préjugés présents dans leurs données d’entraînement, pouvant affecter l’objectivité des analyses et synthèses produites en contexte de veille.
Chaîne de pensée ; chain-of-thought
Technique de prompting incitant le LLM à décomposer son raisonnement en étapes intermédiaires explicites, améliorant significativement la qualité des réponses pour les tâches complexes d’analyse.
Cycle de veille ; intelligence cycle
Processus itératif structuré en quatre phases : définition du périmètre, collecte d’information, analyse et synthèse, diffusion des résultats. Cadre méthodologique fondamental de la veille scientifique et technique.
Embedding ; représentation vectorielle
Technique de transformation de textes en vecteurs numériques permettant de mesurer la similarité sémantique entre documents, indépendamment des mots exacts utilisés.
Fenêtre contextuelle ; context window
Capacité maximale d’un LLM à traiter simultanément une quantité d’informations, mesurée en tokens. Les modèles récents atteignent plusieurs millions de tokens, permettant l’analyse de corpus documentaires entiers en une seule requête.
Fine-tuning ; affinage de modèle
Processus de spécialisation d’un LLM pré-entraîné sur un corpus spécifique à un domaine (brevets, publications scientifiques, rapports techniques) pour améliorer ses performances dans un contexte de veille sectorielle.
Multimodalité ; multimodality
Capacité émergente des LLM à traiter simultanément différents types de données (texte, images, graphiques, tableaux), particulièrement utile pour l’analyse de publications scientifiques complexes.
Prompt engineering ; ingénierie des instructions
Discipline consistant à formuler et optimiser les instructions données aux LLM pour obtenir des résultats pertinents et fiables. Compétence essentielle pour exploiter efficacement l’IA générative en veille.
Recherche approfondie ; deep research
Fonctionnalité d’agents intelligents capable de mener des investigations documentaires complexes de manière autonome : formulation de requêtes, consultation de sources multiples,...
Cet article est réservé aux abonnés.
Il vous reste 92 % à découvrir.
Déjà abonné ? Se connecter
Glossaire
Article inclus dans l'offre
"Documents numériques Gestion de contenu"
(66 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
BIBLIOGRAPHIE
-
(1) - BOMMASANI (R.) - On the opportunities and risks of foundation models. - arXiv preprint arXiv:2108.07258 (2021).
-
(2) - WEI (J.), TAY (Y.), BOMMASANI (R.) et al - Emergent abilities of large language models. - arXiv preprint arXiv:2206.07682 (2022).
-
(3) - VASWANI (A.), SHAZEER (N.), PARMAR (N.) et al - Attention is all you need. - Advances in neural information processing systems, vol. 30 (2017).
-
(4) - OUYANG (L.), WU (J.), JIANG (X.) et al - Training language models to follow instructions with human feedback. - Advances in neural information processing systems, vol. 35, pp. 27730-27744 (2022).
-
(5) - CHELLI (M.), DESCAMPS (J.), LAVOUÉ (V.) et al - Hallucination rates and reference accuracy of ChatGPT and bard for systematic reviews: comparative analysis. - Journal of medical Internet research, vol. 26, no 1, p. e53164 (2024).
-
...
DANS NOS BASES DOCUMENTAIRES
Cet article est réservé aux abonnés.
Il vous reste 95 % à découvrir.
Déjà abonné ? Se connecter
Article inclus dans l'offre
"Documents numériques Gestion de contenu"
(66 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
QUIZ ET TEST DE VALIDATION PRÉSENTS DANS CET ARTICLE
Entraînez-vous autant que vous le voulez avec les quiz d'entraînement.
L'expertise technique et scientifique de référence
Article inclus dans l'offre
"Documents numériques Gestion de contenu"
(66 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
