Modèle Interpretable AI pour les entreprises réglementées

Les modèles de raisonnement ne disent pas toujours ce qu'ils pensent. Le nôtre, si.

ARTICLE DE RECHERCHE
Les modèles de raisonnement ne disent pas toujours ce qu'ils pensent
Anthropic
Lire l'article →
Qui l'utilise

Conçu pour les secteurs réglementés

€ Souscription & tarification en assurance

Vérifiez les champs et les requêtes derrière chaque calcul de prime.

Notation de crédit

Les vérificateurs voient comment un résultat a été calculé à partir des données de la demande.

Santé & éligibilité aux prestations

Vérifiez les règles et les lignes utilisées pour chaque résultat d'éligibilité.

Pourquoi l'interprétabilité

IA générative

Interpretable AI

Boîte noire

Boîte noire

L'IA générative est comme un extraterrestre qui aurait lu tous les textes d'internet et choisi sa propre représentation interne pour "voir" la couleur. Ces représentations s'appellent des dimensions et nous ne savons pas ce qu'elles signifient. Sa dimension pourrait être la fréquence de la lumière ou quelque chose que nous ne comprenons pas. Nous ne savons pas non plus comment elle interprète les mots que nous lui disons.

Compréhensible

Compréhensible

Les humains voient le marron comme du rouge, du vert et du bleu grâce à trois types de cônes dans nos yeux. Prereasoner est entraîné de la même façon. Ses dimensions portent le nom de propriétés schema.org comme country et currency. Ainsi, la question et la réponse peuvent être rattachées à ces propriétés dans notre modèle.

Imprévisible

Imprévisible

L'IA générative prédit le mot suivant le plus probable. Elle peut choisir un mot la première fois et un autre la deuxième fois. C'est ce qui la rend humaine dans les chatbots. Mais dans un calcul financier, cela veut dire que la même question peut renvoyer un chiffre différent.

Prévisible

Prévisible

Prereasoner transforme une question en dimensions nommées comme "SUM" de "SALES" en "FRANCE". Celles-ci sont converties en requête SQL ou en code Python, de façon déterministe. À l'exécution, la base de données ou le code calcule le chiffre. Avec les mêmes données, vous obtenez la même requête et la même réponse.

Pourquoi nous

Des dimensions nommées, pas un score de confiance

Un score de confiance pour prédire le mot suivant n'est pas une justification. Prereasoner montre la requête SQL exécutée, pourquoi cette requête a été choisie et les lignes derrière la réponse. Un vérificateur peut contrôler chaque étape et le calcul, puis accepter ou rejeter la réponse.

Des dimensions nommées, pas un score de confiance
Un champ indirect ne peut pas se cacher dans la requête

Un champ indirect ne peut pas se cacher dans la requête

Un modèle opaque peut fixer une prime d'assurance à partir d'une adresse ou d'un autre champ indirect que personne ne peut examiner. Ici, le chiffre vient d'une requête. Si une colonne sert dans un filtre, une jointure ou un calcul, elle apparaît dans le SQL : un vérificateur peut la trouver et la remettre en question.

La transparence va jusqu'au code source

Le moteur est sous licence Apache 2.0 et les poids sont publiés. Le code montre comment chaque dimension est définie et comment le modèle a été entraîné. Votre auditeur n'a pas à nous croire sur parole sur la façon dont le modèle raisonne. Il peut lire les étapes du raisonnement ainsi que notre code source.

La transparence va jusqu'au code source
Ce qu'un vérificateur peut contrôler
Ce dont un vérificateur a besoinIA générativePrereasoner
Expliquer pourquoi une décision a été priseUne explication générée qui n'est peut-être pas fidèleLa dérivation elle-même : requête SQL, étapes et lignes
Reproduire la réponse pour un auditeurPeut varier selon l'échantillonnageMême requête et même réponse avec les mêmes données et la même configuration
Voir quels champs ont déterminé le résultatInvisible à l'intérieur du modèleChaque colonne utilisée est dans la requête
Savoir d'où vient un chiffreÉcrit par le modèleCalculé par la base de données à partir de vos lignes
Gérer une question à laquelle les données ne peuvent pas répondreA tendance à répondre quand mêmeVous demande de préciser dans les cas pris en charge
Gardez les données réglementées dans votre propre cloudDépend du fournisseurAuto-hébergeable dans votre propre projet cloud

Nos produits

RAG structuré pour vos données CSV

Le RAG vectoriel répond à "ventes en France" par similarité, alors Kehl, une ville allemande voisine de Strasbourg, peut être comptée comme la France. Le RAG structuré relie votre colonne de villes à une table de pays issue de Wikipédia : la question devient une jointure SQL que vous pouvez lire.

Paris et Strasbourg sont liées à la France, Berlin à l'Allemagne. Kehl est juste à côté de Strasbourg avec un point d'interrogation entre les deux pays.
Un terminal qui clone Prereasoner et le déploie dans votre propre projet cloud

Faites tourner le moteur ouvert sur votre propre CPU

Un fournisseur peut modifier un modèle hébergé sans vous prévenir. Le code source Apache 2.0 et les poids ouverts de Prereasoner tournent sur CPU. Un script guidé les déploie dans votre propre projet Google Cloud.

Posez des questions sur vos données dans Microsoft Excel

Vous ne pouvez pas vérifier un chiffre donné par l'IA si vous ne voyez pas comment elle l'a obtenu. Posez votre question en langage courant et chaque réponse arrive avec la requête exécutée sur votre feuille.

Réponse Excel avec ses lignes et sa requête
Question sur une feuille Google avec le calcul et la réponse

Posez des questions sur vos données dans Google Sheets

Un chat IA vous donne un chiffre sans le raisonnement derrière. Interrogez votre feuille Google en langage courant et voyez comment la réponse est calculée, étape par étape.

Commencez gratuitement

Quand un chiffre faux engage votre responsabilité, vous ne pouvez pas utiliser une IA qui devine

Prereasoner montre la requête et les lignes derrière chaque réponse.