ChatGPT maximise qualité et time-to-value ; Llama sur vLLM/ONNX optimise souveraineté/coûts. Beaucoup optent pour un mix : ChatGPT sur requêtes complexes, Llama sur flux répétitifs/volumineux. Pilotage via LLMOps (A/B, quotas, observabilité).
Data, Automation & IA
FAQ
RPA ou intégrations (Logic Apps/Connecteurs) ?
Toujours API/webhooks en priorité. La RPA (Power Automate Desktop) couvre les apps sans API, avec un plan de désendettement progressif (exposer des API, remplacer le scraping).
Comment cadrer la gouvernance IA (AI Act) ?
Purview (catalogue, policies, lineage) + journaux d’usage + Content Safety/Llama Guard. Évaluations continues (Prompt Flow/Evals) et rôles/instances maîtrisés.
Le RAG suffit-il à éviter les “hallucinations” ?
Il réduit le risque via citations et retrieval ciblé ; on complète par Evals (faithfulness), guardrails et prompts adaptés. Mesurer win-rate et coût/requête.
Purview : bénéfices rapides ?
Demandes d’accès accélérées, impacts de changement visibles, audits simplifiés (lineage/policies). Couverture > 90 % sur les flux clés comme objectif.
Direct Lake remplace-t-il l’ETL ?
Non. Il évite des copies, mais l’ELT (nettoyage, historisation) reste essentiel. Pattern bronze/silver/gold + Direct Lake pour la BI.
Process Mining : quel apport réel ?
À partir des logs d’événements, on détecte goulots et écarts, puis on boucle vers Automate/Iterop pour corriger. Indispensable pour prioriser les automations.
Power Apps : comment éviter la “sprawl” ?
Gouvernance Dataverse, ALM (dev→test→prod), policies/DLP et modèles réutilisables. On suit adoption et incidents pour arbitrer.
Coût IA par requête : leviers ?
Cache, réglage topK, embeddings compacts, prompts courts, re-ranking économe, et choix modèle selon qualité/coût/latence.
En combien de temps voit-on des résultats ?
Souvent en semaines : un POC RAG + quelques workflows en prod ; le reste s’industrialise par vagues (SLO, coûts, évals).
