osFoundry / Platform
Étapes de pipeline
Définissez et versionnez chaque étape de votre pipeline IA — récupération, reranking, génération, post-traitement.
Présentation
Les étapes de pipeline constituent la partie d'osFoundry Studio où vous découpez un flux de travail IA en étapes nommées et ordonnées, plutôt qu'en un seul prompt opaque. Un pipeline à génération augmentée par récupération enchaîne généralement récupérer → reclasser → générer → post-traiter, et ici chacune de ces étapes devient distincte : vous pouvez la configurer, l'inspecter et la modifier séparément. Récupérer extrait un contexte candidat de vos connaissances et de vos données ; reclasser le restreint à ce qui compte vraiment ; générer appelle un modèle ; post-traiter nettoie, valide ou remet en forme la sortie avant qu'elle ne quitte le pipeline. Comme les étapes sont explicites, vous voyez précisément d'où vient une réponse et quelle étape corriger lorsqu'elle est erronée.
Dans osFoundry, chaque étape se définit dans Studio et s'exécute via la même couche de modèles BYOK que le reste de l'espace de travail : vous choisissez donc le modèle par étape, un petit modèle local pour le reclassement, un modèle cloud pour la génération, selon vos besoins, et vous payez directement votre fournisseur, sans marge de revendeur. Les étapes sont versionnées : lorsque vous modifiez le prompt, le modèle ou les paramètres d'une étape, la définition précédente est conservée, ce qui vous permet de comparer les versions, d'annuler une régression et de savoir quelle configuration a produit un résultat donné. En tant qu'espace de travail de bureau à priorité locale, vos définitions de pipeline et les données qu'elles manipulent peuvent rester sur votre appareil plutôt que de transiter par un service hébergé.
Cela compte parce que la plupart des problèmes de qualité de l'IA sont des problèmes d'étape. Quand la récupération renvoie les mauvais documents, aucun ajustement de prompt à l'étape de génération ne le corrige. Séparer et versionner les étapes transforme le vague "l'IA se trompe" en une question concrète et vérifiable portant sur une seule étape, et vous permet d'améliorer un pipeline comme n'importe quel autre système d'ingénierie : un changement à la fois, avec un historique auquel vous pouvez vous fier.
Fonctionnalités clés
- Définissez un pipeline IA comme des étapes ordonnées et nommées (récupérer, reclasser, générer, post-traiter) au lieu d'un seul prompt monolithique
- Versionnez chaque étape indépendamment, pour comparer des configurations, annuler une régression et voir quelle définition a produit un résultat
- Choisissez le modèle par étape avec vos propres clés API (local, cloud ou auto-hébergé) et payez directement les fournisseurs, sans marge
- Isolez un problème de qualité à une seule étape : sachez s'il vient de la récupération, du reclassement, de la génération ou du post-traitement
- Gardez les définitions de pipeline et leurs données en priorité locale sur votre bureau, sans les faire transiter par un service hébergé
Cas d’usage
- Concepteur de RAG : sépare récupérer et reclasser de générer, si bien qu'une réponse erronée se rattache à une mauvaise récupération au lieu d'être imputée au prompt
- Ingénieur ML : versionne chaque étape pendant le réglage, comparant un nouveau reclasseur ou modèle de génération à la définition précédente avant de valider
- Équipe soucieuse de confidentialité : exécute la récupération sur des connaissances locales et garde toute la définition du pipeline sur l'appareil, n'appelant des modèles cloud qu'à l'étape de génération
Questions fréquentes
Quelles sont les étapes d'un pipeline IA dans osFoundry ?
Un schéma courant est récupérer → reclasser → générer → post-traiter : extraire un contexte candidat, le restreindre au plus pertinent, appeler un modèle, puis valider ou remettre en forme la sortie. Vous définissez les étapes dont votre flux a besoin et fixez l'ordre ; chacune se configure séparément.
Puis-je utiliser un modèle différent à chaque étape ?
Oui. osFoundry fonctionne en apportez votre propre clé, donc chaque étape peut appeler un modèle différent : un modèle local pour le reclassement, un modèle cloud pour la génération, un modèle auto-hébergé ailleurs, avec vos propres clés API et sans marge de revendeur.
Qu'apporte concrètement le versionnage d'une étape ?
Lorsque vous modifiez le prompt, le modèle ou les paramètres d'une étape, la définition antérieure est conservée. Vous pouvez comparer les versions, revenir en arrière si un changement dégrade les résultats, et relier une sortie donnée à la configuration d'étape exacte qui l'a produite.