Le texte est la donnée la plus abondante dans les organisations, et souvent la plus difficile à exploiter trop volumineuse pour être lue intégralement, trop peu structurée pour être analysée simplement. Nos travaux en traitement automatique du langage portent notamment sur l'extraction d'information dans de grands corpus, la classification de données textuelles, ainsi que la conception de systèmes capables de répondre à des questions à partir de documents internes autant de façons, pour les organisations, de transformer cette masse de texte en une véritable source de connaissance exploitable.

L'intelligence artificielle agentique désigne des systèmes capables non seulement de générer du contenu, mais aussi d'accomplir des tâches de façon autonome, en enchaînant plusieurs étapes de raisonnement pour atteindre un objectif. Nous nous appuyons sur les dernières avancées en matière de modèles fondamentaux ces grands modèles d'IA polyvalents, capables de répondre à une multitude de tâches pour les ajuster à des contextes organisationnels réels. Nous concevons ainsi des flux de travail agentiques, où plusieurs modèles collaborent entre eux : l'un peut, par exemple, vérifier ou reformuler le travail d'un autre, un peu comme des collègues qui se relaient pour réviser un document avant sa version finale. Ces architectures demeurent toujours encadrées par des mécanismes de conformité et de validation, afin de s'assurer de la pertinence et de la fiabilité du contenu généré.

Développer une IA responsable, c'est aussi s'interroger sur l'empreinte des modèles eux-mêmes un souci qui rejoint nos engagements plus larges en matière d'éthique et de durabilité. Nous travaillons donc à rendre nos modèles plus légers. Une méthode comme la distillation permet, par exemple, de transformer un modèle volumineux en une version allégée, sans en sacrifier l'efficacité un atout précieux pour les systèmes embarqués, ces logiciels intégrés à des appareils mobiles ou à des capteurs qui disposent de peu de puissance de calcul. Cette recherche de frugalité répond autant aux contraintes de nos partenaires qu'à notre volonté de développer une IA plus durable.

Concevoir un bon modèle d'IA ne suffit pas : encore faut-il pouvoir le déployer, le maintenir et lui faire confiance dans la durée. C'est pourquoi JACOBB accompagne ses partenaires jusqu'à la mise en production. Nos experts en ingénierie de données conçoivent des pipelines adaptés autant aux bases structurées qu'aux données non structurées textes, images, fichiers bruts et développent les protocoles nécessaires pour recueillir, nettoyer et préparer ces données avant qu'elles n'alimentent un modèle. Notre pratique s'appuie sur un cadre MLOps rigoureux pour « Machine Learning Operations » qui assure un suivi constant des expérimentations, une traçabilité complète des jeux de données utilisés, ainsi qu'une gestion fluide de l'infrastructure technique derrière chaque modèle en production.

Confier ses données à une plateforme d'IA externe, c'est souvent perdre un peu de contrôle sur leur localisation, leur sécurité et leur usage. JACOBB dispose de sa propre grappe de calcul haute performance (HPC), hébergée localement au Québec et virtualisée de manière à créer des environnements isolés pour chaque mandat un peu comme des salles verrouillées distinctes, où les données d'un partenaire ne se mêlent jamais à celles d'un autre. Nous pouvons ainsi entraîner et héberger des modèles sans dépendre de plateformes externes, tout en gardant une maîtrise complète sur l'ensemble du processus. Notre architecture respecte les normes les plus strictes en matière de sécurité de l'information, dont le cadre NIST 800-53, une référence internationale reconnue, et permet un hébergement pleinement conforme aux exigences de la Loi 25 sur la protection des renseignements personnels.