Cohere lance Embed 4 : un modèle d'IA multimodal permettant d'effectuer des recherches dans des documents de 200 pages

La génération augmentée par récupération d'entreprise (RAG) reste au cœur de la vague actuelle d'innovations en matière d'IA agentielle. Tirant parti de l'engouement soutenu pour les agents IA, Cohere a lancé la dernière version de son modèle d'intégration, qui se caractérise par des fenêtres contextuelles considérablement élargies et des capacités multimodales améliorées.

Le modèle Embed 4 de Cohere améliore la base multimodale établie par Embed 3, en introduisant une plus grande maîtrise du traitement des données non structurées. Grâce à une fenêtre contextuelle prenant en charge 128 000 jetons, les entreprises peuvent désormais générer des intégrations pour des documents longs, équivalents à environ 200 pages.

« Les modèles d'intégration traditionnels manquent souvent d'une compréhension innée des documents commerciaux complexes et multimodaux. Cela oblige les entreprises à mettre en place des systèmes de prétraitement complexes qui n'apportent que des gains de précision marginaux », a noté Cohere dans une annonce sur son blog. « Embed 4 relève ce défi fondamental, en permettant aux entreprises et à leurs équipes de découvrir efficacement des informations précieuses enfouies dans de vastes référentiels d'informations auparavant impossibles à rechercher. »

Pour renforcer la sécurité des données, les entreprises peuvent mettre en œuvre Embed 4 dans des environnements de cloud privé virtuel ou dans une infrastructure technologique sur site.

Les entreprises utilisent les intégrations pour convertir des documents et divers types de données en représentations numériques adaptées aux applications RAG. Les agents IA peuvent ensuite exploiter ces intégrations pour fournir des réponses précises aux requêtes des utilisateurs.

Connaissances spécifiques à un domaine

Selon l'entreprise, Embed 4 est particulièrement adapté aux secteurs soumis à des exigences de conformité élevées, tels que la finance, la santé et l'industrie manufacturière. En tant que fournisseur d'IA axé sur les entreprises, Cohere conçoit ses modèles en tenant compte des exigences de sécurité strictes des secteurs réglementés, garantissant ainsi une compréhension approfondie des contextes commerciaux.

Le modèle a été entraîné pour résister aux irrégularités typiques des données d'entreprise du monde réel. Il conserve une grande précision même lorsqu'il est confronté à des imperfections courantes telles que des fautes d'orthographe et des formats incohérents.

« Il offre également des performances robustes lors de la recherche dans des documents numérisés et des textes manuscrits, formats courants dans les contrats juridiques, les factures d'assurance et les reçus de dépenses. Cette capacité élimine le besoin de workflows complexes de préparation ou de prétraitement des données, ce qui permet aux entreprises de gagner un temps considérable et de réduire leurs dépenses opérationnelles », explique Cohere.

Les organisations peuvent appliquer Embed 4 à un large éventail de documents, notamment les présentations aux investisseurs, les dossiers de diligence raisonnable, les rapports d'essais cliniques, les manuels de réparation d'équipements et la documentation sur les produits.

À l'instar de son prédécesseur, le modèle prend en charge plus de 100 langues.

Agora, un client de Cohere, a intégré Embed 4 à son moteur de recherche IA et a constaté l'efficacité du modèle dans la recherche d'informations pertinentes sur les produits.

« Les données du commerce électronique sont intrinsèquement complexes, mélangeant des images et des descriptions textuelles à multiples facettes. La création d'une représentation unifiée de nos produits a accéléré notre fonctionnalité de recherche et considérablement amélioré l'efficacité de nos outils internes », a déclaré Param Jaggi, fondateur d'Agora, dans un article de blog.

Cas d'utilisation des agents

Cohere estime que des modèles tels qu'Embed 4 amélioreront considérablement les applications d'IA agentique, le positionnant comme une base de recherche optimale pour les assistants IA et les agents autonomes à l'échelle de l'entreprise.

« Au-delà de sa grande précision sur divers types de données, le modèle est conçu pour offrir une efficacité de niveau entreprise », a déclaré Cohere. « Cela lui permet de s'adapter efficacement pour répondre aux demandes des grandes organisations. »

Cohere a également souligné qu'Embed 4 génère des intégrations de données compressées, ce qui contribue à réduire les coûts de stockage souvent prohibitifs.

En utilisant des intégrations et une recherche basée sur le RAG, un agent IA peut identifier et référencer des documents spécifiques pour exécuter des requêtes orientées tâches. Cette approche est largement considérée comme donnant des résultats plus fiables, minimisant le risque que les agents fournissent des réponses incorrectes ou fantaisistes.

Dans un environnement concurrentiel, Embed 4 rivalise avec d'autres modèles tels que Qodo-Embed-1-1.5B de Qodo et les offres de Voyage AI, cette dernière ayant récemment été rachetée par le fournisseur de bases de données MongoDB.