En France, l’innovation technologique n’est pas l’apanage des seules startups du Silicon Valley: la Société Nationale des Chemins de fer Français, nous en donne un parfait exemple. La SNCF décide de franchir un pas de plus vers la digitalisation en développant son propre assistant virtuel nommé Micheline. Ce dernier est une création originale du laboratoire RETAR, imaginé pour pallier les désagréments subis par les usagers lors des retards de train. L’idée centrale est de miser sur un échange humain-IA, respectueux du temps et des émotions des utilisateurs. Comment le slow langage model (SLM) Catener, sur lequel repose Micheline, peut-il modifier l’interface entre la SNCF et ses clients? En décryptant cette innovation, nous comprendrons mieux l’impact et les limites possibles de Micheline dans l’amélioration de l’expérience client.
La performance à l’épreuve de l’équipement informatique modéré
Face à des restrictions budgétaires, le challenge était de taille pour les créateurs de Micheline. Entraîner une intelligence artificielle exige des ressources informatiques considérables. Toutefois, la SNCF a opté pour une démarche économe, exploitant du matériel moins puissant que celui généralement utilisé dans le développement d’IA. Cette stratégie est-elle viable dans le long terme ? Il semble que l’expertise acquise par d’autres administrations publiques telles que le ministère de l’Economie et des Finances, l’Education nationale, et la Fonction publique a joué un rôle décisif dans le partage de modèles IA adaptés à ces conditions. La clé de la réussite résiderait-elle dans cette mutualisation des ressources et des connaissances ?
L’exploitation d’une base de données riche pour un service optimal
L’efficacité de Micheline repose largement sur la gigantesque base de données collectée grâce aux innombrables retards de trains. En effet, le développement d’une IA nécessite une grande quantité d’informations pour apprendre et anticiper les besoins des utilisateurs. Un temps de réponse moyen de 30 minutes peut paraître long dans notre ère habituée à l’instantanéité. Toutefois, considérons la complexité des interactions humaines que Micheline est censée simuler et résoudre. Cette IA a-t-elle la capacité de s’affiner avec le temps, à mesure que les données s’accumulent ?
Des perspectives d’évolution pour Micheline
Dans le but de rester compétitif et pertinent, la SNCF ne s’arrête pas à l’idée d’une IA répondant uniquement aux retards. Le projet s’élargira pour englober les jours de grève et les différents travaux ferroviaires. Une telle polyvalence est-elle réalisable avec le slow langage model actuel ? La SNCF envisage en effet de faire évoluer Micheline vers un low langage model (LLM), potentiellement plus adapté à ce niveau de complexité. Quelles seront les limites de cette évolution et quelle forme prendra-t-elle en termes d’interaction avec les usagers ?
Le programme PAQUES: vers une révolution technologique?
Le futur de Micheline pourrait être encore plus radieux avec le programme PAQUES, qui prévoit l’utilisation de l’informatique quantique pour améliorer les modèles d’IA. Comment l’ordinateur quantique, souvent présenté comme la prochaine grande révolution informatique, pourrait-il transformer l’expérience virtuelle proposée par la SNCF? Si la promesse d’un changement drastique est palpable, il est nécessaire de reste prudent face à cette technologie encore au stade embryonnaire.
La SNCF est donc en pleine mutation de son interface client, visant à moderniser, personnaliser et améliorer la gestion des perturbations. Micheline s’avance comme un jalon de cette transformation, qui pourrait redéfinir les relations entre les usagers et le service public ferroviaire. En restant attentif aux évolutions de ce projet, nous serons peut-être témoins d’une révolution dans le domaine de la formation professionnelle, où l’humain apprendra à collaborer de plus en plus avec des outils intelligents, façonnant ainsi le monde du travail de demain.
