L’intelligence de votre boîte mail devrait vous appartenir

Ces dernières années, l’IA a surtout consisté à envoyer des données vers un modèle toujours plus puissant dans le cloud. C’est logique quand le problème est ouvert et que le logiciel doit louer de l’intelligence à la demande. Mais une boîte mail est différente. Le classement des e-mails est répétitif, personnel et très sensible. Chaque correction indique aussi clairement ce que le système doit apprendre. Cette intelligence doit vivre chez l’utilisateur, pas derrière l’API de quelqu’un d’autre.

Voilà l’avenir des logiciels qui doivent juger plutôt que calculer : confier les questions ouvertes aux modèles généralistes, et les décisions privées qui se répètent à des modèles spécialisés que le produit peut posséder.

Le logiciel devient flou là où les règles exactes s’arrêtent

Le logiciel traditionnel repose sur des décisions que l’on peut préciser à l’avance. Un mot de passe correspond ou non. Un fichier existe ou non. D’autres logiciels travaillent entre ces certitudes. Ils doivent décider si un message est suspect, si une photo est assez nette ou si une notification mérite votre attention.

Ces décisions ont toujours besoin de règles, mais les règles ne suffisent pas. « Facture en pièce jointe » peut annoncer une tentative de phishing, une vraie facture ou le message que votre comptable envoie chaque mois. Les mots sont identiques. Leur sens dépend de la langue, de l’expéditeur, de l’historique et de la personne qui les reçoit.

Un modèle de pointe peut raisonner sur cette ambiguïté. Il peut aussi écrire un poème, corriger un programme et expliquer la mécanique quantique. Cette polyvalence est précieuse quand la question change à chaque fois. Elle est superflue quand le même produit pose des milliers de fois la même question étroite.

Le cloud est devenu le domicile par défaut de l’IA

Les grands modèles généralistes ont rendu l’intelligence facile à louer. Une application envoie une requête, reçoit une réponse et gagne une capacité qu’elle n’aurait pas su construire seule. Le logiciel a changé très vite grâce à ce modèle.

Puis cette méthode de mise en œuvre est devenue un choix de conception automatique. Nouvelle fonction d’IA, nouvel appel d’API. Plus d’usage signifie alors plus de jetons, plus de latence et plus de données personnelles qui traversent le réseau. À chaque requête, le modèle repart sans compréhension durable de la personne qui l’interroge. L’application paie encore et encore pour reconstruire le même contexte.

L’échange est raisonnable pour un travail rare et ouvert. Il l’est beaucoup moins pour une décision fréquente, étroite, privée et facile à vérifier.

L’e-mail est le mauvais problème pour une intelligence louée

Une boîte mail produit toute la journée une suite de petites décisions. Garder ou jeter. Voulu ou indésirable. Courrier normal, publicité, charabia ou fraude. La réponse doit arriver vite, et un faux positif peut cacher un message important. Les données brutes peuvent contenir des contrats, des rendez-vous médicaux, des conversations familiales et des liens de réinitialisation de mot de passe.

Le résultat est aussi particulièrement facile à mesurer. Quand quelqu’un déplace un message vers les Indésirables ou le ramène dans la Boîte de réception, le produit reçoit une correction nette. Aucun comité n’a besoin d’inventer un indicateur de qualité. L’utilisateur vient de dire où ce message doit aller.

Un modèle dans le cloud sait classer un e-mail. La vraie question d’architecture est de savoir pourquoi il devrait lire le message, redécouvrir la définition du spam propre au produit, puis facturer ce travail à chaque passage.

Le spam est personnel

Un modèle global peut apprendre les grandes formes du spam : fausse urgence, usurpation, liens piégés, offres invraisemblables et mêmes ruses exprimées dans plusieurs langues. Ce savoir partagé est essentiel. Il donne un bon point de départ dès l’installation.

Mais aucun jeu de données mondial ne peut tracer la dernière frontière. Une personne veut recevoir toutes les promotions des compagnies aériennes. Une autre les considère toutes comme du bruit. Un message commercial peut être bienvenu cette semaine et indésirable le mois suivant. Un expéditeur inconnu du grand public peut être indispensable à une petite entreprise.

Ce dernier kilomètre du classement ne demande pas davantage de culture générale. Il demande un jugement personnel. Seul l’utilisateur peut le fournir de façon fiable.

Klar utilise une combinaison, pas un oracle

Klar ne demande pas à un modèle géant de résoudre seul toutes les parties du problème. Il combine plusieurs formes d’intelligence, chacune chargée d’une tâche plus petite et plus précise.

• Les preuves solides règlent ce qui ne doit pas être deviné. Les contacts et les règles explicites sur un expéditeur peuvent trancher immédiatement. L’authentification, l’historique de l’expéditeur et la structure des liens ajoutent des indices au score final.
• Un transformeur XLM-RoBERTa de 550 millions de paramètres comprend le sens du message dans plus de 100 langues. Il apporte le jugement sémantique général que des règles par mots-clés ne peuvent pas fournir.
• Avec Klar Plus, un score statistique rapide et une tête de classement légère apprennent à partir des corrections. Ils retiennent les habitudes propres à cette boîte sans réentraîner tout le modèle multilingue.

Le schéma séduisant serait un entonnoir : un tout petit préfiltre réglerait les cas évidents, puis enverrait seulement les messages ambigus au transformeur. Nous avons testé cette architecture et l’avons écartée pour le produit actuel. Sauter le passage neuronal supprimait les quatre scores utilisés pour les explications, l’apprentissage et les contrôles de sécurité suivants. Aujourd’hui, chaque message normal conserve le signal du transformeur, tandis que les couches moins coûteuses peuvent renforcer ou ajuster le jugement final.

La nuance compte. « Utiliser un petit modèle » n’est pas une architecture. Il faut choisir la plus petite combinaison qui conserve les preuves dont le produit a besoin, puis mesurer à quel endroit chaque couche mérite le droit de trancher.

La confidentialité est une propriété de l’architecture

La partie de Klar qui lit le courrier n’a aucun accès au réseau. Le classement a lieu sur le Mac. Aucun appel d’API, aucun calcul dans le cloud et aucune télémétrie n’emportent le contenu des messages. Cette protection est plus forte qu’une politique de conservation, car elle supprime le transfert au lieu de poser des conditions autour de lui.

Le calcul local change aussi le propriétaire de l’amélioration. Une correction peut mettre à jour le modèle de l’utilisateur sur-le-champ et rester sur la même machine que le courrier qui l’a produite. Mieux filtrer n’oblige plus un éditeur à observer les boîtes de tout le monde.

Un logiciel peut progresser sans prendre vos données

Pendant des années, la personnalisation a presque toujours rimé avec surveillance. Les produits apprenaient en centralisant les comportements, en construisant un profil, puis en utilisant ce profil pour décider ce que chacun devait voir.

L’apprentissage local crée une boucle plus saine. Le produit prend une décision. L’utilisateur la corrige. Le modèle local change. La prochaine décision similaire s’améliore. Le savoir utile reste dans le produit que la personne possède.

Cette boucle change la relation au logiciel. Le produit n’est plus un client léger branché sur une intelligence détenue ailleurs. Il devient un outil dont le jugement évolue avec son utilisateur.

La leçon pour les autres produits d’IA

Les modèles de pointe restent le bon outil pour le raisonnement ouvert, les problèmes inconnus et les tâches dont la réponse ne se résume pas à une note stable. Les modèles spécialisés et locaux correspondent à une autre forme de travail.

• La décision se répète assez souvent pour que le coût et la latence s’accumulent.
• La tâche est assez étroite pour être mesurée de façon cohérente.
• Les données d’entrée sont privées ou réglementées.
• Les utilisateurs peuvent corriger clairement le résultat.
• Le contexte personnel compte plus qu’un supplément de connaissances générales.

Fermisense appelle cette idée générale la propriété de l’intelligence. Son exemple utilise l’apprentissage par renforcement pour entraîner un modèle ouvert sur un processus métier. Klar n’emploie pas ce mécanisme, et nous n’affirmons pas que son modèle de 550 millions de paramètres bat les modèles de pointe. Le principe commun est plus simple : spécialisation, retour mesurable, coût d’exécution maîtrisé et propriété du jugement obtenu.

L’avenir demande une division du travail choisie entre les modèles, locaux ou distants. Louez l’intelligence générale quand la question est réellement nouvelle. Possédez le jugement répété qui donne sa valeur propre à votre produit.

Votre boîte mail connaît la différence. Son intelligence devrait y vivre aussi.

Tous les articles