Airbus essaie l’IA générative en mode RAG

Le constructeur aéronautique a partagé son projet d’IA générative en RAG lors de l’AWS Summit 2024 à Paris. L’équipe Airbus GenAIR se concentre sur le sujet, testant des premiers cas d’usage d’IA personnalisée, s’adaptant à son activité et à ses besoins.

PublicitéPour explorer les usages potentiels de l’IA générative, Airbus a créé GenAIR, une structure transversale restreinte, organisée autour de quatre thématiques : veille technologique, IA responsable, gestion de la demande en la matière chez les constructeurs et enfin, stratégie et mise en œuvre. Et pour avancer rapidement sur le sujet avec cette équipe encore restreinte, le constructeur a opté pour une collaboration avec AWS Prototyping, sur le modèle de la co-construction.

Airbus, présent à l’AWS Summit 2024 Paris le 3 avril, a réalisé un premier PoC en 5 semaines en juin 2023. Nous sommes partis d’une solution basée sur notre plateforme de chatbot, hébergée sur AWS, pour un support opérationnel des équipes, précise Nasser Guesmia, responsable de l’IA et de l’analyse avancée au sein de la division numérique et gestion de l’information d’Airbus. Et nous l’avons étendu pour générer des réponses. Pour s’assurer que ceux-ci soient pertinents, mis à jour et adaptés à ses besoins spécifiques, Airbus a souhaité un modèle LLM personnalisé et s’est tourné vers l’option RAG (retrieval augmentéd generation). Par rapport à d’autres solutions, elle offrirait, selon le constructeur, un meilleur rapport entre simplicité d’exécution – pas de réapprentissage du modèle, pas de modification des paramètres, moins d’hallucinations – et un bon niveau de sophistication des résultats générés.

LLM open Source

Le choix de l’industriel s’est porté notamment sur l’IA qu’il considère comme des LLM responsables et open Source. Airbus utilisait déjà Kendra, le moteur de recherche sémantique basé sur l’apprentissage automatique d’AWS, pour la récupération d’informations. Il a complété l’environnement RAG avec un framework Langchain pour l’orchestration (recherche de similitudes dans la base de connaissances vectorielles) et l’augmentation du contexte, et enfin le modèle open Source Falcon 40B LLM pour la génération de contenu. Parmi les cas d’usage identifiés par GenAIR et AWS figurent l’interrogation d’un corpus de documentation technique métier, l’aide à la rédaction d’exigences techniques, de synthèses d’échanges techniques, mais aussi l’aide à la gestion des exigences pour le design industriel par exemple.

Nous avons travaillé de manière très agile, notamment avec les métiers, insiste Nasser Guesmia, responsable de l’IA et de l’analyse avancée au sein de l’équipe de gestion du numérique et de l’information d’Airbus. (Photo ED)

Pour son PoC, Airbus s’est également appuyé sur le moteur Opensearch et Comprehend NLP d’Amazon pour l’anonymisation de la recherche, Langchain pour l’augmentation et Llama 2 et Mistral pour la génération. Les données d’entrée, pour la plupart non structurées, sont vectorisées et indexées pour enrichir le modèle. Nous avons travaillé de manière très agile, notamment avec les métiers, insiste Nasser Guesmia. Nous étions très impatients de recevoir leurs commentaires et nous placions régulièrement l’aspect IA du projet en arrière-plan pour obtenir les commentaires des utilisateurs.

PublicitéUne infrastructure as-code pour les futurs projets RAG

Parmi les premiers retours de ce projet pilote, Nasser Guesmia insiste sur le maintien indispensable du niveau de sécurité dans une activité comme celle d’Airbus, mais aussi sur l’importance de définir une infrastructure as-code pour dupliquer l’architecture des autres projets RAG.

Pour garder la main sur le projet, l’équipe GenAIR n’a pas hésité à suivre des formations courtes sur certains aspects de l’IA générative qu’elle ne maîtrisait pas suffisamment. Cependant, à ce jour, Airbus souligne encore quelques inconvénients dans l’utilisation de la technologie, quant à la possibilité d’évaluer les résultats ou à la capacité réelle de passer à l’échelle du projet. Et il y a des questions plus sérieuses sur la mise au point de la solution, ses performances ou encore le développement d’un RAG plus avancé.