Raisonnement avancé, contexte québécois
Un modèle de langage est un système d’intelligence artificielle entraîné à prédire la suite de mots la plus probable selon le contexte. C’est ce qui permet à une IA de comprendre une question, de rédiger un texte cohérent, de reformuler, de résumer ou même de générer du code.
Chez ProductivIA, nous concevons nos propres modèles à partir de bases libres éprouvées, que nous enrichissons avec des contenus québécois : corpus locaux, publications officielles, normes administratives et usages culturels.
Cette adaptation permet au modèle d’intégrer la sensibilité linguistique, institutionnelle et culturelle du Québec dans chacune de ses réponses.
Nous déployons deux niveaux de modèles intelligents :
- Un modèle léger, rapide et éco-énergétique, qui gère la majorité des requêtes et oriente les plus complexes vers le bon moteur.
- Un modèle avancé, doté d’une capacité de raisonnement approfondie, pour les analyses ou les tâches exigeant une compréhension fine, tout en préservant l’ancrage contextuel québécois.
Les fondations d’une IA agentique
L’architecture hybride à double moteur, combinée à une couche d’orchestration intelligente, offre dès aujourd’hui les fondations d’une IA agentique véritablement au service du Québec. Grâce à cette approche, nous ne nous contentons pas de répondre : nous agissons, planifions, assurons la cohérence et interagissons avec plusieurs systèmes en respectant le contexte, la sécurité et les priorités locales.
Le moteur léger traite les requêtes courantes avec rapidité et efficience ; le moteur robuste prend le relais lorsqu’une tâche demande un raisonnement poussé, un contrôle stricte ou une action externalisée. L’orchestrateur, quant à lui, dirige la circulation entre les deux moteurs, appelle les services externes quand nécessaire, vérifie les formats, filtre les risques, et supervise les agents intermédiaires. Ainsi, l’IA ne se limite pas à une simple interface de question-réponse : elle devient un agent autonome, capable d’exécuter des workflows (collecte de données, validation, synthèse, déclenchement d’actions) tout en respectant les exigences spécifiques du contexte québécois (langue, sécurité, conformité).
En combinant réactivité, précision contextuelle et contrôle robuste, cette infrastructure hybride permet de bâtir dès maintenant des agents IA qui comprennent, agissent et s’adaptent aux réalités du Québec — que ce soit pour l’administration publique, l’éducation, la santé ou d’autres secteurs stratégiques, avec un haut niveau de confiance.
Disposer de modèles québécois n’est pas seulement une option technique
C’est un choix politique, culturel et environnemental
Le Québec, avec son électricité majoritairement hydroélectrique et ses émissions parmi les plus faibles au monde, offre une base durable pour l’intelligence artificielle.
En construisant des modèles enrichis de contenus, d’usages et de références propres à notre province, nous évitons que notre culture soit diluée dans des IA mondialisées qui parlent “universel” mais oublient nos racines.
Pendant trop longtemps, nous avons cédé notre autonomie numérique : qui contrôle la technologie, contrôle le récit. Nous assistons déjà aux effets de cette dépendance — les plateformes globales imposent leurs règles et leurs biais, et le Québec perd une part de sa capacité à décider. En ayant nos propres modèles, nous renforçons notre résilience : nous pouvons orienter l’évolution selon nos valeurs, défendre nos langues autochtones, rehausser notre patrimoine culturel et assurer que les réponses générées tiennent compte de notre réalité locale.
C’est notre voie vers une autonomie numérique réelle : ne pas subir la technologie, mais la façonner. Le Québec doit pouvoir innover, agir selon sa volonté, et bâtir un avenir où notre destin numérique ne sera plus dicté par des serveurs lointains.
Enrichissement des modèles par savoirs québécois
Formation locale + récupération documentaire
Nos modèles sont adaptés et enrichis localement pour mieux comprendre le contexte québécois.
Nous procédons à une intégration directe de contenus vérifiés — données ouvertes, publications officielles, corpus sectoriels — afin que le modèle dispose, dès son déploiement, d’un savoir enraciné dans la réalité culturelle, linguistique et réglementaire du Québec.
Ce processus d’ingestion n’est pas un simple ajout de contexte : il renforce la structure même du modèle pour qu’il interprète et formule ses réponses à partir de références locales et fiables.
À cette base s’ajoute une couche de récupération documentaire (RAG), qui permet d’aller chercher, en temps réel, des passages précis dans vos propres documents ou dans nos bases actualisées. Le modèle combine alors ses connaissances internes avec ces sources externes pour générer des réponses à la fois intégrées, actualisées et traçables.
Nos corpus d’apprentissage et de référence sont mis à jour en continu : nouvelles lois, publications gouvernementales, jeux de données publics, corpus spécialisés revus et validés.
Diversité linguistique
Langues regionales et autochtones
Nous mettons un effort soutenu pour intégrer les particularités linguistiques du français dans toute sa diversité, ainsi que les principales langues autochtones dans nos modèles : reconnaissance, compréhension fine, génération, dans la mesure où les données le permettent, avec un plan d’amélioration constant.
Codage
Capacité de codage puissante : Python, JavaScript, Java, C++, C#, Ruby, PHP, Swift, Go, R, SQL, Kotlin, TypeScript, Scala, Lisp, Haskell, Perl, Fortran, COBOL, Pascal, Assembly, Ada, Erlang, Elixir, Rust, Dart, Julia, Lua, Scheme, Erlang, Smalltalk, Apex, ActionScript, Prolog, OCaml, F#, Groovy, Delphi, PowerShell, Bash, Visual Basic (VB.NET), QBasic, Visual Basic for Applications (VBA), MATLAB.
Autonomie énergétique & résilience
Pensée locale, consommation maîtrisée
Étant hébergés au Québec (ou sur vos infrastructures), nos modèles peuvent répondre localement dans la plupart des cas, sans faire appel à des services externes énergivores.
Cette approche garantit une autonomie accrue, une résilience opérationnelle et une empreinte carbone réduite, tout en assurant la rapidité et la pertinence des réponses.
Détails techniques
Origine & calibration
Nos modèles reposent sur des architectures solides (Mistral 7B pour le modèle standard, Mixtral 8x22B pour le modèle renforcé), enrichies par nos propres couches de connaissances québécoises, prompts, ajustements culturels et sectoriels.
Ils partagent une même base de données / corpus, mais diffèrent selon la profondeur de leur architecture et la capacité de raisonnement.