IA

Abbyy rebondit avec Phoenix

L’éditeur de solutions d’automatisation des processus se ressource avec Phoenix, une solution d'IA multimodale innovante reposant sur des modèles SLM (petits modèles de langage) conçus pour transformer la gestion documentaire.

Lors de son événement propriétaire Ascend, Abbyy a dévoilé différentes solutions pour optimiser le retour sur investissement de projets d’automatisation des processus. armi ces avancées figure Phoenix, une IA multimodale reposant sur des modèles SLM, spécifiquement développée pour transformer les processus documentaires. ABBYY introduit aussi une passerelle sécurisée dédiée aux grands modèles de langage (LLM), accompagnée d'applications prêtes à l'emploi, permettant aux entreprises de maximiser la valeur stratégique de leurs données. Cet ensemble d'innovations est intégré au Purpose-Built AI Center, un nouveau hub destiné aux développeurs et leaders de l'innovation pour accélérer la création d'applications IA.

Ce dernier se positionne comme une plateforme centralisée offrant aux entreprises un accès complet à sa suite d'outils d'intelligence artificielle, conçus pour développer des applications de nouvelle génération. Ce centre permet aux entreprises et aux développeurs de découvrir les capacités de l'IA sur mesure d'ABBYY, notamment grâce aux modèles SLM, qui offrent dans certains cas d'usage des performances comparables voire supérieures aux LLM tout en optimisant le retour sur investissement. En facilitant l'intégration rapide de nouveaux documents dans les processus métier, cette plateforme renforce la flexibilité des entreprises face à l'évolution de leurs besoins. Ces fonctionnalités viennent enrichir un ensemble déjà robuste de plus de 80 modèles de documents.

Enfin, ABBYY Intelligent Document Processing (IDP) agit comme une passerelle sécurisée vers les grands modèles de langage (LLM), permettant aux entreprises de tirer parti de la puissance des LLM pour l'extraction de données, tout en assurant une vérification rigoureuse dans les documents concernés. Cette approche minimise considérablement les risques d'hallucinations, garantissant ainsi des résultats fiables et renforçant la confiance dans les données extraites.