Session industrie
Déployer l’IA de transcription et de génération de compte-rendu en contextes sensibles
Esther Sève — Swiss Transcript
Dans de nombreux secteurs professionnels, la transcription et la production de comptes rendus fiables et structurés représentent une charge chronophage nécessitant une forte rigueur méthodologique. En Suisse, cette problématique est accentuée par un contexte multilingue (français, anglais, allemand), et plus particulièrement par le suisse allemand, encore insuffisamment pris en charge par les solutions existantes. Si les outils d’IA de transcription et de génération automatique de comptes rendus offrent un potentiel d’efficacité réel, leur adoption en psychologie, ressources humaines, milieu académique et santé reste conditionnée par trois facteurs clés : la confidentialité des données, la conformité aux normes et l’acceptabilité des utilisateurs dans des contextes sensibles. C’est pour répondre à ces contraintes concrètes que Swiss Transcript a été développé. Swiss Transcript a développé un cadre outillé de déploiement de l’IA, sécurisé et entièrement hébergé en Suisse, combinant transcription audio/vidéo et génération de comptes rendus structurés. Le développement et l’itération de la solution reposent sur des échanges réguliers avec des professionnels de terrain ainsi que sur des interactions avec des chercheurs et institutions académiques, afin d’assurer l’alignement entre usages réels et bonnes pratiques méthodologiques. En parallèle, Swiss Transcript mène des études quantitatives visant à analyser les conditions d’adoption, les freins et les attentes liés à l’usage de ces outils dans des environnements professionnels sensibles. Un premier sondage quantitatif mené auprès de 622 répondants en Suisse romande met en évidence une adoption contrastée. Près d’un tiers des répondants ont déjà été exposés à des enregistrements vocaux en contexte professionnel. Les bénéfices perçus concernent principalement le gain de temps, la réduction des oublis et l’amélioration de la fiabilité des comptes rendus. Les résultats montrent toutefois que l’acceptabilité diminue fortement dès lors que les échanges impliquent des données sensibles, notamment en santé, psychologie et RH. Les pratiques de prise de notes manuelle restent dominantes, confirmant que l’IA est perçue comme un outil d’intégration progressive plutôt que de substitution immédiate. Ces résultats soulignent que le déploiement de l’IA en contextes sensibles repose autant sur la gouvernance (transparence, consentement explicite, cadre d’usage clair) que sur la technologie. Dans cette continuité, Swiss Transcript mène actuellement un second sondage ciblé sur les entretiens professionnels sensibles (psychologie, coaching, RH) et développe une API permettant une intégration contrôlée de ses fonctionnalités dans des outils métiers existants.
Networked intelligence - when AI helps to activate the weak ties of your network
Leila Delarive — Hoopit AI
Modern AI systems increasingly rely on data that is not only large-scale, but contextual, personal, and continuously evolving. This talk presents a practical framework for endogenous and exogenous data collection routines designed to iteratively generate high-quality datasets while remaining adaptable to downstream model and system requirements. We introduce a modular approach to data collection that evolves throughout the project lifecycle, allowing specifications to be dynamically refined based on the needs of later processing and modelling stages. A particular focus is placed on integrating these routines into a real-world AI product: Hoopit AI, which aggregates text data from heterogeneous personal communication channels such as email, messaging platforms, and professional networks (e.g. LinkedIn). To support meaningful representation and reuse of this data, we explore relationship-graph-based storage strategies that preserve contextual links across sources and time. In addition, we describe how feedback-loop data from later system phases can be collected using the same infrastructure, enabling continuous learning and evaluation. Finally, we discuss how these data collection scripts are validated and integrated into a continuous integration pipeline, allowing models to be incrementally improved as new data becomes available. The talk offers concrete insights for practitioners building AI systems that must learn from complex, user-centric data streams while remaining scalable, adaptable, and production-ready.
Tester la fiabilité des systèmes LLM : cadres, méthodes et retours de terrain
Gaetan Stein — Surelio SA
Les organisations déploient des applications basées sur des LLMs à un rythme qui dépasse souvent leur capacité à en évaluer la fiabilité. Hallucinations, injections de prompt, fuite de données via le contexte, comportements imprévus des agents : ces risques ne sont pas théoriques. Ils se manifestent en production, dans des environnements réels, avec des conséquences mesurables sur la sécurité, la réputation et la conformité opérationnelle. Mais comment tester concrètement un système LLM ? Quels cadres utiliser et lesquels correspondent à quels types de systèmes ? Cette présentation propose une vue d'ensemble des principales approches disponibles, de leur utilité pratique et de ce qu'elles ne couvrent pas, illustrée par des exemples tirés de notre expérience de terrain. L'objectif : donner aux participants une base commune pour aborder la question de la confiance dans les systèmes LLM et repartir avec des éléments actionnables.