DeepSeek est un laboratoire d’IA chinois qui publie des modèles de langage à poids ouverts, ce qui signifie que n’importe qui peut télécharger les fichiers du modèle et les exécuter sur son propre matériel ou sur un cloud choisi. Pour les équipes marketing, cela rend les tâches textuelles répétitives et à haut volume moins coûteuses et permet de garder les données sensibles en interne. Le gain de temps provient de la création de flux de travail fixes autour du modèle, et non de la discussion avec celui-ci.
Que signifie réellement « poids ouverts » (open-weight) ?
Un modèle à poids ouverts publie ses paramètres entraînés, vous pouvez donc l’héberger vous-même. C’est différent de l’open source complet, qui inclurait également les données d’entraînement et le code. DeepSeek, Llama de Meta, Mistral, Qwen d’Alibaba et Gemma de Google publient tous des poids, chacun sous sa propre licence.
Lisez la licence avant de construire quoi que ce soit de commercial. Certaines autorisent presque toute utilisation, d’autres restreignent les très grandes entreprises ou certaines applications. Le fichier de licence se trouve à côté des poids sur Hugging Face, et il est assez court pour être lu en dix minutes.
DeepSeek exploite également sa propre application de chat et son API. Celles-ci sont hébergées en Chine et sont soumises à des règles de données différentes de celles d’un modèle que vous hébergez vous-même. De nombreuses entreprises européennes utilisent les poids ouverts via une configuration locale ou hébergée dans l’UE précisément pour cette raison.
Quelles tâches marketing conviennent aux modèles à poids ouverts ?
Les meilleurs candidats sont les tâches répétitives avec des entrées et des sorties claires, où le volume est élevé et où un faible taux d’erreur est acceptable après examen. La stratégie créative et la copie finale pour une campagne phare nécessitent toujours des modèles de pointe plus puissants et un rédacteur humain.
- Classification des termes de recherche Google Ads en groupes d’intention.
- Étiquetage des avis clients par sujet et par sentiment.
- Rédaction des premières versions de descriptions de produits à partir d’une fiche technique.
- Résumé des transcriptions d’appels ou des tickets de support pour les rapports hebdomadaires.
- Réécriture des méta-descriptions dans la limite des caractères.
- Extraction d’entités telles que des marques, des villes ou des types de produits à partir de texte.
Comment mettre en place un flux de travail étape par étape ?
Un flux de travail est une recette fixe : format d’entrée, prompt, modèle, format de sortie et une vérification. Une fois écrit, n’importe qui dans l’équipe peut l’exécuter et les résultats restent cohérents d’une semaine à l’autre.
Étape 1 : choisissez la méthode d’hébergement
Pour les tests, Ollama ou LM Studio exécutent des modèles plus petits sur un ordinateur portable. Pour la production, les équipes utilisent un serveur GPU avec un moteur d’inférence tel que vLLM, ou un hôte géré tel que Together AI, Fireworks ou une place de marché cloud. Les variantes distillées de DeepSeek sont assez petites pour un matériel modeste ; les modèles phares complets nécessitent une mémoire GPU importante.
Étape 2 : écrivez le prompt sous forme de modèle
Mettez les instructions, la liste des étiquettes et deux ou trois exemples dans un modèle avec un espace réservé pour chaque ligne d’entrée. Demandez une sortie JSON avec des champs nommés. La sortie structurée est ce qui vous permet de charger les résultats dans une feuille de calcul ou une base de données sans nettoyage manuel.
Étape 3 : testez sur un échantillon étiqueté
Prenez cent lignes qu’une personne a déjà étiquetées et exécutez le flux de travail dessus. Comptez la fréquence à laquelle le modèle est d’accord. Si l’accord est faible, corrigez les définitions des étiquettes avant de blâmer le modèle ; les catégories vagues embrouillent aussi les gens.
Étape 4 : exécutez par lots et effectuez des contrôles ponctuels
Traitez le fichier complet par lots, puis demandez à quelqu’un d’examiner un échantillon aléatoire de chaque lot. Enregistrez la version du modèle et la version du prompt à chaque exécution afin que les changements de qualité puissent être suivis.
Quelles sont les limites et les risques ?
L’auto-hébergement transfère la responsabilité sur vous. Personne d’autre ne corrige le serveur, ne surveille la disponibilité ou ne filtre les sorties nuisibles. Les modèles plus petits font également plus d’erreurs factuelles et suivent les instructions complexes de manière moins fiable que les plus grands modèles hébergés.
Les modèles de raisonnement de DeepSeek écrivent une longue chaîne de pensée avant la réponse. Cela aide pour les tâches logiques mais ajoute des jetons et du temps ; pour une classification simple, un modèle sans raisonnement est généralement plus rapide. Certains examinateurs ont également noté que l’application hébergée de DeepSeek filtre certains sujets politiques, ce qui est une autre raison de tester le comportement sur votre contenu réel.
- Vérifiez la licence pour un usage commercial.
- Décidez où les données sont traitées et documentez-le pour le RGPD ou la KVKK.
- Mesurez la précision sur votre propre échantillon étiqueté.
- Planifiez qui maintient le serveur et les mises à jour du modèle.
- Gardez une étape de révision humaine pour tout ce qui est destiné au client.
Comment Alien Road applique DeepSeek et les modèles à poids ouverts
Notre équipe d’optimisation IA utilise des modèles à poids ouverts pour les tâches de back-office à haut volume, telles que la classification des termes de recherche et l’étiquetage des avis, où les données client ne doivent pas quitter un environnement contrôlé. La découverte commence par lister les tâches textuelles répétées du client et estimer le volume hebdomadaire.
La configuration signifie choisir une taille de modèle, l’héberger sur un serveur que nous contrôlons et écrire un modèle de prompt versionné pour chaque tâche. Avant la mise en service, le flux de travail est évalué par rapport à un échantillon étiqueté que l’équipe du client a aidé à préparer.
Le rapport couvre le taux d’accord, les heures économisées et toutes les catégories où le modèle rencontre des difficultés. Si un modèle de pointe hébergé effectuait mieux une tâche et que les règles de données le permettent, le rapport l’indique clairement.
Comment choisir la bonne taille de modèle ?
Plus grand n’est pas automatiquement meilleur pour une tâche étroite. Un modèle de sept ou huit milliards de paramètres peut bien classer les termes de recherche une fois que le prompt a des étiquettes et des exemples clairs, et il fonctionne sur un seul GPU grand public. Les modèles plus grands aident lorsque la tâche nécessite du raisonnement, un long contexte ou une rédaction minutieuse.
La méthode pratique consiste à tester deux ou trois tailles sur le même échantillon étiqueté. Enregistrez la précision, le temps par cent lignes et le coût du matériel. Choisissez le plus petit modèle qui atteint votre objectif de précision, car il sera moins cher et plus rapide pour chaque exécution suivante.
Les versions quantifiées, qui compressent les poids en moins de bits, réduisent encore les besoins en mémoire. Elles perdent un peu de qualité, alors incluez au moins une option quantifiée dans le test plutôt que de supposer que la perte est acceptable.
Combien de temps ces flux de travail font-ils vraiment gagner ?
Les économies dépendent du volume. Une équipe qui étiquette cinquante avis par mois gagne peu ; une équipe qui trie des dizaines de milliers de termes de recherche chaque semaine peut éliminer des heures de travail manuel. Mesurez les minutes qu’une personne passe actuellement par cent lignes, puis comparez avec le temps du modèle plus le temps de révision.
Gardez l’étape de révision dans le calcul. Un flux de travail qui économise quatre heures mais nécessite trois heures de vérification est un petit gain, et il vaut mieux le savoir tôt que de le découvrir après que l’équipe a cessé de faire la tâche à la main.
Par où commencer cette semaine
Installez Ollama sur un ordinateur portable et téléchargez un petit modèle DeepSeek ou Qwen. Exportez les termes de recherche Google Ads du mois dernier, étiquetez-en une centaine à la main et écrivez un modèle qui demande une étiquette d’intention par ligne en JSON. Comparez les étiquettes du modèle avec les vôtres. Si l’accord est bon, vous avez votre premier flux de travail ; sinon, vous avez appris quelles définitions d’étiquettes nécessitent du travail.
Continuer la lecture : Optimisation par IA · Optimisation par IA