Carte de plateforme : Découverte de Microsoft

Cette fiche de la plateforme décrit les utilisations prévues de Microsoft Discovery, ses fonctionnalités, ses limitations et les bonnes pratiques pour son déploiement et son utilisation responsables.

Qu’est-ce qu’une carte d’application ou de plateforme ?

Les cartes Application et Plateforme de Microsoft vous aident à comprendre le fonctionnement de notre technologie IA. Ils expliquent les choix que font les propriétaires d’applications qui influencent la performance et le comportement de l’application. Ils soulignent également l’importance de prendre en compte l’ensemble de l’application, y compris la technologie, les personnes et l’environnement. Les cartes d’application sont créées pour les applications d’IA, et les cartes de plateforme sont créées pour les services de plateforme d’IA. Ces ressources peuvent soutenir le développement ou le déploiement de vos propres applications. Vous pouvez les partager avec les utilisateurs ou les parties prenantes concernées par les applications.

Dans le cadre de son engagement envers l’IA responsable, Microsoft respecte six principes fondamentaux : l’équité, la fiabilité et la sécurité, la confidentialité et la sécurité, l’inclusion, la transparence et la responsabilité. La norme Responsible AI intègre ces principes. La norme guide les équipes dans la conception, la construction et le test d’applications d’IA. Les cartes d’application et de plateforme jouent un rôle clé dans l’opérationnalisation de ces principes en offrant une transparence autour des fonctionnalités, des utilisations prévues et des limitations. Pour en savoir plus, consultez le rapport et le code de conduite sur la transparence de l'IA responsable de Microsoft. Ils décrivent comment les clients et particuliers des entreprises peuvent interagir de manière responsable avec l’IA.

Aperçu

Microsoft Discovery est actuellement disponible pour certains clients. L’utilisation de Microsoft Discovery est soumise aux exigences d’éligibilité des clients et à l’acceptation de nos conditions d’utilisation du produit et du code de conduite de l’utilisateur. Il nécessite une licence et n’est proposé que dans un nombre limité de régions. Notre objectif est de garantir que le système reste sûr, fiable et bénéfique pour tous les utilisateurs au fur et à mesure que nous continuons à faire évoluer ses capacités.

Modes de déploiement

Microsoft Discovery est disponible en deux modes de déploiement :

• Déploiement cloud : Une plateforme entièrement gérée sur Azure qui utilise Azure OpenAI Service via Azure AI Foundry pour l’accès aux modèles, avec une infrastructure Azure pour le calcul, le réseau et la sécurité.
• Application locale : Une application de bureau qui s’exécute sur votre machine et utilise le SDK GitHub Copilot pour l’accès aux modèles. Ce mode est conçu pour les chercheurs et développeurs individuels qui souhaitent utiliser les capacités d'IA agente de Discovery dans un environnement local léger sans nécessiter d'infrastructure Azure.

Les deux modes de déploiement partagent le même moteur de découverte de base, la même architecture multi-agents et les mêmes capacités de raisonnement des connaissances. Les sections qui suivent notent où le comportement, les capacités ou les responsabilités diffèrent entre les deux modes.

La version preview de l'application Microsoft Discovery (Microsoft Discovery & l'application Microsoft Discovery | Microsoft Learn) n'a pas encore été évaluée.

Présentation

Microsoft Discovery est une plateforme d’IA agente d’entreprise conçue pour soutenir la recherche et le développement scientifiques. Elle aide les organisations à rassembler des connaissances de domaine, des données, des modèles et des calculs pour raisonner à travers des problèmes complexes, générer et affiner des hypothèses, concevoir des expériences et analyser les résultats. En soutenant la méthode scientifique de bout en bout dans un environnement unique, Microsoft Discovery remédie à la fragmentation et à la surcharge cognitive qui ralentissent souvent les activités modernes de R&D.

La plateforme utilise une architecture d’IA agentique exploitant un moteur de connaissances basé sur les graphes pour obtenir des résultats en R&D avec une vitesse, une échelle et une précision accrues. Grâce à une interface en langage naturel, les utilisateurs peuvent décrire des objectifs ou des questions, et le système peut les traduire en plans structurés qui s’appuient sur des outils, des modèles et des flux de travail disponibles. Microsoft Découverte opérationnalise le moteur de découverte qui incorpore les résultats et les commentaires dans le raisonnement suivant, permettant l’exécution adaptative, expliquée et reproductible de la recherche tout en maintenant l’utilisateur en contrôle.

Utilisateurs ciblés

Microsoft Découverte est destinée à R& D organisations, y compris les scientifiques, les ingénieurs et les développeurs dans les industries couvrant les sciences de la vie, les matériaux, les semi-conducteurs, l’énergie, la fabrication et l’ingénierie avancée. Dans son déploiement cloud, la plateforme est construite sur Azure et conçue pour être extensible et sécurisée, permettant aux organisations d’intégrer leurs propres données, modèles et outils dans un environnement unifié piloté par l’IA. L'application locale offre une alternative pour les chercheurs individuels souhaitant utiliser les capacités de Discovery sur leur propre machine en utilisant le SDK GitHub Copilot. Au lieu de remplacer l’expertise humaine, Microsoft Découverte l’augmente, aidant les équipes à gérer la complexité et à mettre à l’échelle les insights dans le processus de recherche.

Termes clés

Le tableau suivant fournit un glossaire des termes clés liés à la découverte.

Terme	Definition
Classifieurs	Modèles Machine Learning qui trient les données en classes ou catégories d’informations étiquetées.
Moteur de découverte	Une fonctionnalité de Discovery qui agit et se comporte comme un collègue avec lequel vous pouvez converser, à qui vous pouvez déléguer des tâches, planifier en collaboration et confier des tâches lorsque vous travaillez sur des projets ambitieux de longue haleine. L’objectif du travail que vous souhaitez accomplir organise et pilote le moteur de découverte. Il s'appuie sur le reste de Discovery comme ressources pour effectuer le travail.
Kit de développement logiciel (SDK) GitHub Copilot	Un kit de développement logiciel qui donne accès à de grands modèles de langage via GitHub Copilot. En mode de déploiement local d’applications, Discovery utilise le SDK GitHub Copilot comme fournisseur de modèles au lieu d’Azure OpenAI Service.
Ancrage	Les réponses sont ancrées dans des sources pertinentes, fiables, telles que des données fournies par le client, des bases de connaissances internes et du contenu externe, le cas échéant. Les sources fournissent des citations ou une traçabilité lorsqu’elles sont disponibles.
Grands modèles de langage (LLMs)	Modèles IA entraînés sur de grandes quantités de données texte pour prédire des mots par séquences. Ils peuvent effectuer des tâches telles que la génération de texte, la synthèse, la traduction et la classification.
Atténuation	Méthodes conçues pour réduire les risques potentiels qui peuvent survenir à l’aide de fonctionnalités IA.
Invites	Données d’entrée sous forme de texte, d’images ou de contenu audio que l’utilisateur fournit pour interagir avec les fonctionnalités d’IA.
Supercalculateur	Le composant supercalculateur de découverte utilise Azure calcul haute performance (HPC) et les fonctionnalités quantiques futures, pour exécuter des workflows scientifiques, des simulations et des charges de travail d’IA nécessitant beaucoup de ressources de calcul.
Message système	Le message système (parfois appelé meta prompt) guide le comportement du système, en l'alignant sur les principes d'IA Microsoft et les attentes des utilisateurs. Par exemple, il peut inclure des instructions telles que « Ne fournissez pas d’informations ou ne créez pas de contenu susceptible de causer des dommages physiques, émotionnels ou financiers ».

Fonctionnalités clés

Les principales fonctionnalités et capacités décrites ici expliquent ce que Discovery a été conçu pour faire et comment il fonctionne pour les tâches prises en charge.

Interface en langage naturel

Les utilisateurs interagissent avec Microsoft Découverte par le biais d’un assistant conversationnel qui comprend les demandes en langage naturel et les traduit en plan structuré à l’aide d’outils et de flux de travail disponibles. Cette approche aide les scientifiques et les ingénieurs à passer d’une question de recherche à un flux de travail exploitable sans assembler manuellement plusieurs systèmes. Lorsque nécessaire, ce Copilot invoque des calculs et outils intégrés, tels que des simulations, des requêtes de bases de données ou des exécutions de modèles, et soutient un affinement itératif par le dialogue. Cette approche abaisse la barrière à l’utilisation d’outils avancés de R&D en permettant aux utilisateurs d’ajuster et d’explorer les flux de travail étape par étape dans la même interface.

Architecture multi-agent

Discovery utilise un système multi-agent, dans lequel les clients peuvent intégrer des agents d’IA spécialisés, chacun étant expert dans un domaine précis (comme la chimie, la biologie, la physique, la conception de semi-conducteurs et l’analyse de données) ou une fonction particulière (raisonnement, simulation et optimisation).

Les agents travaillent ensemble, coordonnés par Copilot et un graphe de connaissances central. Ils peuvent raisonner sur une base de connaissances riche et connectée qui intègre les sources de données et les connaissances scientifiques de l’entreprise. Cette architecture permet de résoudre des problèmes complexes et interdisciplinaires.

Par exemple, un agent peut analyser la littérature scientifique alors qu’une autre exécute une simulation et une autre analyse les résultats. Cette intelligence distribuée est appelée IA agentique. Ce n’est pas un modèle monolithique, mais une équipe de modèles travaillant ensemble pour l’utilisateur.

Moteur de découverte

Le moteur Discovery est une capacité essentielle au sein de Discovery, qui permet une recherche soutenue axée sur des objectifs et la résolution de problèmes sur de longues périodes. Au lieu de se concentrer sur des interactions transactionnelles courtes, le moteur de découverte prend en charge le travail de longue durée. Il coordonne le raisonnement, la planification et l’exécution entre les agents, les outils, les modèles et les sources de connaissances.

Le moteur de découverte est conçu pour des scénarios de recherche complexes qui nécessitent la décomposition d’objectifs généraux, d’exploration itérative et d’intégration des résultats dans plusieurs activités.

Le moteur de découverte fonctionne par le biais de deux composants complémentaires : la cognition et les tâches. La cognition gère le raisonnement continu et la coordination nécessaires pour faire progresser les objectifs définis. Les tâches incluent la sélection d’agents, d’outils et de sources de données appropriés et l’adaptation de l’exécution en fonction des résultats intermédiaires et des commentaires des utilisateurs.

Le système de tâches capture l’intention, la structure et la progression de l’utilisateur. Il fournit une représentation persistante de ce qui doit être accompli, de la façon dont le succès est mesuré et de la façon dont le travail évolue au fil du temps. Ensemble, ces composants permettent aux clients de déléguer le travail, d’examiner régulièrement la progression et d’affiner la direction en fonction des besoins. Les utilisateurs peuvent maintenir la surveillance et le contrôle humains tout au long du processus de recherche.

Pour soutenir la recherche de longue durée et itérative, le moteur de découverte maintient la continuité contextuelle entre les interactions en préservant l’état pertinent du travail antérieur, notamment les objectifs, les résultats intermédiaires, les décisions et les conseils des utilisateurs. Ce contexte persistant permet au système de reprendre le travail entre les sessions sans obliger les clients à rétablir les objectifs ou à reconstruire les étapes précédentes.

En transférant ce qui a déjà été exploré ou décidé, le moteur de découverte prend en charge la progression incrémentielle, la planification adaptative et l’exécution plus cohérente au fil du temps. Les utilisateurs sont maintenus en contrôle par le biais de l’examen, de l’affinement et de la supervision à chaque étape.

Extensibilité

La découverte est conçue pour être extensible, permettant aux clients d’apporter leurs propres modèles (BYOM), d’intégrer des données propriétaires ou tierces via des plateformes telles que AI Foundry ou Azure Machine Learning (AML) et créer des agents personnalisés adaptés aux besoins du domaine. Connectez vos modèles internes, vos données de laboratoire existantes, vos bases de données spécifiques au domaine ou même les agents IA personnalisés. La découverte incorpore ces ressources dans le graphe de connaissances et les flux de travail. De plus, Discovery prend en charge les outils partenaires et open source. Dans son déploiement cloud, Discovery est construit sur Azure et hérite des capacités de sécurité, de conformité et de gouvernance d'Azure. Dans son déploiement local d'applications, Discovery utilise le SDK GitHub Copilot pour l'accès aux modèles et s'exécute dans l'environnement local de l'utilisateur.

Intégration HPC

Étant donné que la découverte repose sur l'infrastructure de pointe de Azure, elle intègre en mode natif Azure services HPC et AI. La plateforme peut déployer des charges de travail sur des clusters PROCESSEUR/GPU à grande échelle, exécuter des simulations basées sur le cloud (telles que la dynamique des fluides de calcul et la dynamique moléculaire) et utiliser des modèles IA avancés, tels que des modèles machine learning physiques personnalisés ou des modèles de langage volumineux(LLMs), selon les besoins.

Raisonnement cognitif

Microsoft Discovery offre un raisonnement avancé des connaissances en combinant un ancrage de domaine organisé avec une récupération et une synthèse améliorées par des graphiques, pilotées par l'IA.

À la fondation, Discovery offre un service de bibliothèque que les chercheurs utilisent pour organiser et mettre en place leurs travaux dans des collections organisées de littérature scientifique, de documents et de documents de référence adaptés à leur domaine. Cette base garantit que le raisonnement et l’analyse sont ancrés dans des sources fiables et pertinentes dès le début.

En fonction de cette base, Discovery intègre en mode natif Recherche Azure AI via Foundry. Il permet une récupération rapide entre les référentiels internes, la littérature externe et les bases de données connectées. Les utilisateurs peuvent effectuer des recherches fluides dans différentes sources de connaissances sans assemblage manuel ni changement de contexte.

Ce qui différencie la découverte est la façon dont elle raison sur diverses sources de connaissances. La découverte va au-delà de la recherche sémantique traditionnelle. Il découvre des insights locaux, tels que des faits, des entités et des résultats spécifiques, ainsi que la compréhension globale, qui comprend des thèmes, des modèles et des implications dans un corpus entier. Il combine dynamiquement la récupération basée sur des vecteurs avec le raisonnement orienté graphique au moment de la requête.

Cette approche évite une synthèse initiale coûteuse tout en effectuant une mise à l’échelle efficace sans sacrifier la qualité des réponses. Ensemble, ces fonctionnalités permettent à la découverte de connecter, de contextualiser et de synthétiser des connaissances dans des jeux de données scientifiques volumineux et en constante évolution. Le résultat est un raisonnement plus approfondi, une génération d’insights plus rapide et une exploration scientifique plus éclairée.

Citations fondées sur des sources

Lorsque les réponses sont fondées sur des données web ou clients, Microsoft Discovery peut fournir des citations hyperliées afin que les utilisateurs puissent accéder aux sites web référencés ou aux documents internes et bases de données utilisés pour s’enraciner afin d’en apprendre davantage sur le sujet.

Utilisations prévues

Vous pouvez utiliser la découverte dans plusieurs scénarios dans différents secteurs d’activité. Le tableau suivant répertorie quelques exemples de cas d’usage.

Secteur/domaine	Scénario	Avantages de l’utilisateur
Sciences des produits chimiques et des matériaux	Les entreprises développent de nouveaux matériaux, produits chimiques ou formulations (par exemple, des alliages avancés, des polymères, des matériaux semi-conducteurs, la chimie de la batterie, l’énergie renouvelable, la technologie durable) qui veulent accélérer la recherche.	Les utilisateurs peuvent rapidement générer et tester des hypothèses pour affiner les formulations à l’aide de flux de travail coordonnés par l’IA. La découverte permet aux chercheurs de simuler des propriétés matérielles, des réactions chimiques complexes et des processus physiques. Les compromis de performances sont évalués pour identifier les configurations optimales. La découverte permet de réduire le temps et le coût de l’expérimentation en automatisant l’orchestration des outils, en exposant la littérature pertinente et en permettant des cycles de conception itératives. La découverte maintient la traçabilité et la reproductibilité.
Produits pharmaceutiques et sciences de la vie	Les équipes pharma et biotechnologie travaillent sur la découverte de médicaments, la génomique ou la recherche biomédicale avec des pipelines complexes et des jeux de données massifs.	La découverte peut aider les chercheurs à synthétiser la littérature biomédicale, à identifier les candidats aux médicaments prometteurs et à concevoir des expériences à l’aide de modèles prédictifs. L’automatisation du filtrage précoce et de la génération d’hypothèses permet aux clients de se concentrer sur la prise de décision et la validation. L’automatisation accélère potentiellement les chronologies de découverte et découvre des insights nouveaux à partir de données inter-domaines.
Conception de semi-conducteurs et d’électronique	Les entreprises qui conçoivent de nouvelles architectures ou matériaux semi-conducteurs où l’optimisation sur des milliers de paramètres et de simulations est essentielle.	La découverte permet aux ingénieurs d’automatiser les flux de travail de simulation, d’explorer les alternatives de conception et d’analyser les résultats à grande échelle. La plateforme prend en charge une itération plus rapide vers des conceptions de puce plus efficaces ou puissantes en coordonnant les simulations basées sur la physique et l’optimisation basée sur l’IA.
Fabrication et ingénierie avancée	Les fabricants de secteurs automobile, aéronautique ou industriel cherchent à optimiser la conception et les processus de production des produits.	Les ingénieurs peuvent utiliser Discovery pour exécuter un prototypage virtuel à grande échelle, tester des milliers de variantes de conception pour les performances, le poids et la durabilité. Dans l’ingénierie des processus, la plateforme permet de régler les paramètres pour améliorer le rendement et la qualité. La découverte a la possibilité de coordonner les simulations et d’analyser les résultats dans le contexte, ce qui prend en charge l’innovation plus rapide et la prise de décision plus éclairée.

Modèles et données d’entraînement

Microsoft Discovery utilise un large éventail de modèles IA pour alimenter l’expérience que les utilisateurs voient.

Déploiement cloud : Dans le déploiement cloud, les utilisateurs accèdent aux modèles via Azure OpenAI Service via Azure AI Foundry. Les modèles spécifiques utilisés incluent, sans s’y limiter, OpenAI gpt-5, OpenAI gpt-5.2, OpenAI gpt-5.4, OpenAI gpt-5.4-mini, OpenAI gpt-5.5 et OpenAI Text Embedding 3 (petit). Pour plus d’informations sur les données d’entraînement, l’évaluation et les considérations relatives à l’IA responsable pour les modèles OpenAI d'Azure, consultez la Note de Transparence pour les plateformes Azure AI.

Application locale : Dans le déploiement local de l’application, les utilisateurs accèdent aux modèles via le SDK GitHub Copilot. Les modèles spécifiques disponibles dépendent de l'abonnement GitHub Copilot de l'utilisateur et des modèles activés dans son forfait. Pour des informations sur les données d’entraînement, l’évaluation et les considérations responsables de l’IA pour les modèles disponibles via GitHub Copilot, consultez la documentation GitHub Copilot.

Performance

Cette section décrit les conditions et l’environnement dans lesquels Discovery est censé fonctionner de manière fiable. Il décrit également les types d’entrées que la plateforme accepte, les sorties qu’elle produit et les langues qu’elle prend en charge.

Modalities

Entrées attendues	Description	Sorties attendues
Langue naturelle	Invites conversationnelles basées sur du texte, intentions de recherche et instructions d’agent envoyées via l’interface discovery Copilot.	Résumés de recherche, traces de raisonnement, synthèses de littérature et réponses conversationnelles.
Des documents issus de bases de connaissances	Fichiers non structurés pour l’indexation des connaissances. Voici des exemples : PDF, CSV, TXT, Word (.docx), PowerPoint (.pptx) et Excel (.xlsx).	Raisonnement spécifique au domaine, rapports de simulation et ensembles de données transformés. Dans le déploiement cloud, les sorties sont stockées dans des conteneurs stockage Azure désignés. Dans l’application locale, les sorties sont stockées sur le système de fichiers local de l’utilisateur.
Données de calcul	Ressources de données spécifiques au domaine, fichiers de configuration et scripts utilisés comme entrées pour les outils scientifiques conteneurisés (par exemple, les structures moléculaires ou les conceptions de circuits).	Scripts générés, extraits de code et fichiers de données structurés.

Pour garantir une exécution cohérente et fiable, encodez strictement UTF-8 toutes les instructions et invites de l’agent. L’utilisation d’une mise en forme non conforme, telle que des artefacts de texte enrichi ou des caractères qui produisent des erreurs d’encodage (par exemple, Mojibake), peut entraîner des échecs d’exécution ou un comportement inattendu.

Langues

La découverte est conçue et évaluée pour l’anglais. Bien que les modèles LLM sous-jacents aient des fonctionnalités multilingues inhérentes à la compréhension et à la génération du langage naturel, les invites système de la plateforme, l’interface utilisateur et les évaluations principales sont optimisées et validées en anglais pour cette version.

L’utilisation dans d’autres langues peut fonctionner dans la pratique, mais elle se situe en dehors de l’étendue du comportement testé et pris en charge pour la version actuelle.

Types de charge de travail

La découverte est optimisée pour les défis de recherche complexes, multiformes et de longue durée (tâches couvrant des heures ou des jours) qui nécessitent une orchestration d’agent IA autonome. Il n’est pas conçu pour les requêtes simples et ponctuelles. Le moteur de découverte cognitive de la plateforme bascule de manière adaptative entre les modes de raisonnement rapide et lent pour décomposer et résoudre ces problèmes complexes.

Environnement

Déploiement cloud : Discovery fonctionne dans un environnement cloud sécurisé et hébergé Azure, utilisant l’isolation Réseau virtuel (VNet), les identités gérées et Role-Based Access Control (RBAC). Il s’appuie sur des pools de nœuds HPC (High-Performance Computing évolutif) avec des options CPU et GPU pour exécuter des charges de travail nécessitant un calcul intensif.

Application locale : L'application locale s'exécute sur l'ordinateur de bureau de l'utilisateur et accède aux modèles via le SDK GitHub Copilot en utilisant le compte GitHub de l'utilisateur pour l'authentification. Les données sont traitées et stockées localement sur la machine de l’utilisateur. L'application locale n'utilise pas d'infrastructure réseau Azure ni d'identités gérées. Les utilisateurs sont responsables de la sécurisation de leur environnement local, y compris les mises à jour du système d’exploitation, le chiffrement du disque et la configuration du réseau.

Limites

Comprendre les limitations de découverte est essentielle pour vous assurer que vous l’utilisez dans des limites sûres et efficaces. Utilisez La découverte dans vos solutions ou applications innovantes, mais gardez à l’esprit que la découverte n’est pas conçue pour chaque scénario possible.

Reportez-vous au Code de conduite de découverte, au code de conduite Microsoft Enterprise AI Services (pour les organisations) ou à la section Code de conduite dans la Contrat de services Microsoft (pour les individus). Tenez également compte des considérations suivantes lorsque vous choisissez un cas d’usage :

• Biais d’automatisation et dérive de boucle : La découverte prend en charge les flux de travail semi-automatiques, agentiques, qui présentent un risque de biais d’automatisation. Ce biais fait référence à la tendance à sur-approuver les sorties générées par l’IA sans validation suffisante. Dans les flux de travail itératifs, de petites inexactitudes peuvent également être cumulées au fil du temps, un phénomène connu sous le nom de dérive de boucle.

  Le contrôle humain est essentiel pour garantir que la recherche reste sur la bonne voie et conforme à l’objectif scientifique. Les cas d’usage qui ne peuvent pas tenir compte d’un examen humain significatif aux points de décision clés ne sont pas adaptés à cette plateforme sous sa forme actuelle.

• Biais de représentation : Les sorties de découverte peuvent refléter des déséquilibres présents dans la littérature scientifique ou les jeux de données utilisés pour entraîner ses modèles sous-jacents. La découverte pourrait surreprésenter les perspectives de recherche dominantes ou les domaines émergents et sous-recherchés. Appliquez l’expertise du domaine et évaluez de manière critique les sorties, en particulier lorsque vous travaillez dans des domaines nouveaux ou interdisciplinaires où la représentation dans les données d’apprentissage peut être limitée.

• Pertinence temporelle des données : Les connaissances scientifiques évoluent rapidement. Si la découverte s’appuie sur des jeux de données statiques ou obsolètes, il peut exposer des résultats obsolètes ou manquer des développements récents. (Ce risque est particulièrement important dans les domaines en déplacement rapide tels que la biologie synthétique ou la découverte de médicaments pilotés par l’IA.) Évaluez régulièrement la devise de vos sources de données et traitez les sorties en conséquence, en particulier pour les recherches temporelles.

• Variabilité des performances et risque de sortie incorrect : Lorsque les utilisateurs interrogent des bases de connaissances fournies par le client, la qualité de la réponse et la gravité dépendent fortement de la structure, de l’exhaustivité et de la pertinence des données sous-jacentes, et de la façon dont les agents sont configurés pour récupérer et raisonner sur ces données. Dans les scénarios où la base de connaissances est éparse, mal structurée ou faiblement délimitée, le système peut produire des réponses incomplètes ou insuffisantes.

  Pour réduire ce risque, Microsoft fournit un exemple d’agent de référence dans un référentiel GitHub qui illustre les modèles recommandés pour interroger des bases de connaissances et appliquer des contraintes de base. Utilisez cet exemple comme point de départ lorsque vous créez des agents et des flux de travail personnalisés, et pour appliquer une validation supplémentaire et une révision humaine pour les cas d’usage à impact élevé. Pour plus d’informations, consultez la section 10.

• Compatibilité de la chaîne d’outils : La découverte s’intègre à différents outils et modèles de calcul. Les incompatibilités dans les hypothèses de l’outil (par exemple, les formats d’entrée, les plages de paramètres ou le contrôle de version) peuvent entraîner des échecs d’exécution ou des résultats trompeurs. Testez et validez soigneusement les workflows d’orchestration des outils, en particulier lorsque vous intégrez des composants personnalisés ou non Microsoft.

• Données client : Vous êtes responsable de la gestion de la confidentialité des données et des contrôles d’accès lorsque vous utilisez le service. N’entrez pas de données réglementées, classifiées ou hautement sensibles, sauf si des contrôles et des accords appropriés sont en place.

• Saturation de la conversation : Au fur et à mesure que les conversations deviennent longues, la qualité des réponses peut progressivement diminuer. Lorsque la conversation totale approche de ce que le modèle peut suivre de manière fiable, les parties antérieures peuvent être résumées pour rendre place à de nouvelles informations. Pendant ce processus, certains détails peuvent être simplifiés, modifiés ou perdus, ce qui peut entraîner une dérive lente de la précision ou de l’intention.

  Si vous remarquez un déclin dans un long échange, le démarrage d’une nouvelle conversation peut aider à restaurer la clarté et la qualité de la réponse.

• Dilution du signal des outils : À mesure que le système accède à un vivier d’agents de plus en plus vaste, sa capacité à choisir les meilleurs outils pour une tâche donnée peut se dégrader. Organisez activement la liste des agents que le système peut utiliser pour vos scénarios pertinents.

Utilisations interdites

Les utilisations suivantes de Discovery sont strictement interdites :

• Développement des armes : Vous ne pouvez pas utiliser la découverte pour soutenir la conception, le développement, le test ou le déploiement de produits chimiques, biologiques, radioactifs ou nucléaires, ou toute autre arme destinée à causer des dommages massifs.
• Applications dangereuses : Vous ne pouvez pas utiliser la découverte de manière à provoquer des dommages physiques, psychologiques, environnementaux ou financiers aux individus, aux organisations ou à la société. Cette interdiction inclut l’expérimentation dangereuse, l’utilisation abusive de sorties ou le déploiement dans des contextes à haut risque sans mesures de protection appropriées.
• Violation des lois ou réglementations : Vous ne pouvez pas utiliser la découverte d’une manière qui enfreint les lois, réglementations ou exigences de conformité spécifiques au secteur. Vous êtes responsable de vous assurer que votre utilisation de la plateforme s’aligne sur toutes les obligations légales et réglementaires pertinentes.
• Contournement des systèmes de sécurité : Les tentatives visant à contourner, désactiver ou perturber les mécanismes de sécurité intégrés, les classificateurs ou les filtres de contenu de Discovery sont strictement interdites. Ces systèmes sont en place pour garantir l’utilisation responsable et sécurisée de la plateforme.

Évaluations

Microsoft évalué la découverte à l’aide d’évaluations manuelles et personnalisées ancrées dans le framework d’évaluation d’IA responsable de Foundry. L’équipe a mené des évaluations en exécutant une suite sélectionnée de prompts structurés sur une version cible. Ils ont utilisé la catégorie de risque pour examiner systématiquement le comportement du système.

L’évaluation a été conçue pour répondre à deux questions fondamentales. Discovery se comporte-t-il de façon sûre et cohérente lorsque des clients tentent de pousser le système au-delà des limites pour lesquelles il a été conçu ? La découverte reste-t-elle fidèle aux sources de base ?

Méthodologie d’évaluation

Les évaluations ont ciblé deux dimensions du comportement du système : la sécurité et l'ancrage. Pour la sécurité, l’évaluation visait à évaluer si Discovery a refusé, dévié, ou répondu de manière sûre lorsque des invites ont tenté d’obtenir du contenu non autorisé ou sensible aux politiques, ou de contourner les mesures de protection du système. Il doit fonctionner tout en restant utile et aligné sur la stratégie pour les demandes bénignes.

Pour garantir la fiabilité, l'évaluation a analysé si Discovery est resté fidèle au contexte fourni et aux sources récupérées dans les scénarios où des réponses étayées étaient attendues.

Le comportement idéal est que Discovery réagisse de manière cohérente selon les variantes de prompts et les catégories de risque. La découverte doit gérer les entrées contradictoires sans violation de stratégie. Il doit également produire des réponses entièrement prises en charge par les sources de base disponibles.

Un comportement sous-optimal inclut des régressions par rapport à des exécutions précédentes ou à des tests de référence, ainsi que la génération de contenu dangereux ou sensible au regard des politiques. Cela inclut également des cas de jailbreak réussis ou un traitement incohérent de requêtes similaires. Dans les scénarios ancrés spécifiquement, le comportement non optimal comprend des détails fabriqués, une attribution de source incorrecte ou des revendications non prises en charge par le contexte fourni.

Organisation des données

L’équipe a organisé des données d’évaluation pour tester systématiquement la découverte dans les catégories de risques clés. Le jeu de données se compose d’invites de test structurées conçues pour sonder le comportement dans des scénarios réalistes et contradictoires. Les prompts ciblaient explicitement quatre domaines de risque :

• Exposition aux droits d’auteur et à la propriété intellectuelle
• Génération de contenu dangereux ou sensible à la stratégie
• Tentatives directes et indirectes de jailbreak
• Ancrage

Chaque catégorie comprenait des variantes bénignes et contradictoires afin que l’évaluation mesure le comportement des limites plutôt que les modes d’échec évidents.

Afin de garantir que le jeu de données reflète une utilisation réelle de Discovery, et non uniquement des tests de charge synthétiques, les requêtes reflétaient des flux de travail Discovery réalistes. Des exemples comprenaient des scénarios d’assistance de flux de travail scientifique et de synthèse des connaissances alignés sur les cas d’usage des produits.

Vérification

Plusieurs contrôles de qualité et de validité ont été appliqués pour garantir la fiabilité et l’intégrité du jeu de données d’évaluation. L’équipe a dédupliqué et normalisé les prompts pour éliminer l’ambiguïté et les biais involontaires. Ils ont examiné manuellement les étiquettes des catégories de risque afin de confirmer leur alignement avec les définitions des politiques. L’équipe a rejoué un sous-ensemble d’incitations à partir de modèles de référence fournis par Foundry pour confirmer la séparation comportementale attendue entre réponses sûres et non sûres. Ils ont également conservé les prompts de régression de la version précédente pour soutenir la comparaison longitudinale entre les versions. L’équipe a mené des évaluations par rapport au déploiement cloud en utilisant les terminaux Azure OpenAI Service. Le déploiement local de l’application via le SDK GitHub Copilot devrait présenter un comportement comparable pour les mêmes modèles sous-jacents, bien que des différences dans le filtrage du contenu et les contrôles de sécurité entre les deux fournisseurs de modèles puissent entraîner des variations mineures.

Metrics

Pour évaluer l’ancrage factuel, l’équipe a mesuré si les réponses du système restaient fidèles au contexte fourni et si elles contenaient des affirmations non étayées ou du contenu inventé. Les métriques capturées sont les suivantes :

• Taux de défaut des attributs non fondés (texte en anglais)
• Taux de défauts d’ancrage (texte en anglais)

Pour la sécurité, la suite d’évaluation personnalisée a mesuré la capacité du système à détecter et à atténuer les tentatives d’utilisation abusive par le biais d'une conclusion sécurisée, du refus ou du détournement. Les métriques capturées sont les suivantes :

• Score de conformité des stratégies
• Détection des risques et efficacité de l’atténuation
• Précision de la classification de la sécurité du contenu
• Taux de résistance au jailbreak direct
• Taux de résistance au jailbreak indirect

Analyse comparative

Les résultats ont été interprétés par l’analyse comparative pour détecter les régressions et valider la stabilité au fil du temps. Chaque version a été évaluée par rapport à deux points de référence : comportement du modèle de base fourni par Foundry sur un sous-ensemble partagé d’invites et résultats historiques de la version précédente, activé par l’ensemble d’invites de régression conservé. Ensemble, ces comparaisons ont permis de déterminer si la posture de sécurité et de fiabilité de Discovery s'améliorait, restait stable, ou régressait au fil des versions.

Limitations de la méthodologie d’évaluation

Bien que cette évaluation fournisse un aperçu structuré de la sécurité et de l’ancrage factuel de Discovery, elle présente plusieurs limites. L’évaluation s’appuie sur un ensemble fini de prompts soigneusement sélectionnés. Malgré les efforts visant à refléter l’utilisation réaliste et contradictoire, ce jeu de données ne peut pas entièrement capturer l’étendue des interactions utilisateur réelles ou des modèles d’utilisation incorrecte émergente.

La révision manuelle et le scoring personnalisé introduisent la subjectivité et peuvent entraîner une variabilité dans l’interprétation entre les évaluateurs. Les évaluations sont également effectuées dans des environnements contrôlés à l’aide de requêtes prédéfinies. Toutefois, ils peuvent ne pas refléter entièrement les scénarios dynamiques, multitours ou intégrés aux outils observés dans les environnements de production.

Les évaluations de base sont limitées à la qualité de contexte et de récupération disponibles au moment de l’évaluation et peuvent ne pas être généralisées à toutes les sources de contenu ou aux jeux de données en évolution.

Une autre limitation est que GPT-5.2 et GPT-5.4 ont été utilisés comme modèle d’évaluation. Les propres capacités du modèle évaluateur, le comportement de raisonnement, la sensibilité au risque et les biais potentiels peuvent influencer les résultats de l’évaluation.

Par conséquent, interprétez les résultats comme des résultats d’évaluation assistés par modèle plutôt que des jugements absolus de sécurité ou d’exactitude dans tous les modèles évaluateurs.

Enfin, l’évaluation par rapport aux exécutions antérieures et aux modèles de base peut aider à détecter les régressions et les améliorations relatives, mais elle ne garantit pas la sécurité absolue, la base ou la correction dans toutes les conditions.

Composants de sécurité et atténuations

La découverte intègre plusieurs couches de contrôles de sécurité et de sécurité qui aident à protéger les utilisateurs, les données client et l’intégrité des flux de travail de recherche.

Cette section décrit les composants de sécurité actifs, les mesures d’atténuation et les pratiques de cybersécurité que les clients, les intégrateurs et les opérateurs de plateforme doivent connaître lorsqu’ils utilisent la plateforme.

Composants de sécurité active

La fonctionnalité « Discovery » utilise une combinaison de classifieurs d’entrée, de filtres et de mécanismes de sécurité au niveau du système pour éviter les abus et réduire le risque de résultats dangereux. Ces composants sont conçus pour s'aligner sur les principes de l'IA responsable de Microsoft et sont mis à jour en permanence à mesure que la découverte évolue.

Déploiement cloud : Les contrôles de sécurité sont assurés via Foundry Guardrails, la sécurité du contenu et la capacité de filtrage de Microsoft, et sont appliqués par défaut à tous les modèles créés sur la plateforme qui scannent le contenu à des points d'intervention définis afin de détecter et bloquer le contenu dangereux ou inapproprié avant qu'il n'atteigne le modèle. Les clients peuvent créer des garde-fous personnalisés et gérer les niveaux de gravité, notamment la configuration des garde-fous pour qu’ils soient moins restrictifs, la définition des risques de détection, l’affectation de garde-fous pour évaluer et surveiller le comportement de l’agent, la configuration des seuils de sécurité et l’évaluation des performances du modèle dans différents cas d’usage. Ces fonctionnalités prennent en charge la gestion et la sécurité proactives des risques. Pour plus d’informations sur la configuration des filtres de contenu, consultez Configurer des filtres de contenu (classique) - Microsoft Portail Foundry (classique) | Microsoft Learn.

Pour vous inscrire à l’approbation d’utiliser des modèles vendus directement par Microsoft avec des garde-fous modifiés, vous pouvez soumettre le formulaire Révision d’accès limité : Garde-fous modifiés. Dans la mesure où vous êtes approuvé et conforme à toutes les exigences d’utilisation du modèle avec des garde-fous modifiés, vous aurez un contrôle total, y compris la désactivation complète des garde-fous ou l’utilisation d’annotations uniquement. Notez que l’option de désactivation des garde-fous est disponible uniquement pour les clients gérés.

Application locale : Dans le déploiement local des applications, les contrôles de sécurité sont assurés via les politiques de contenu intégrées du SDK GitHub Copilot et les protections responsables de l'IA. Cela inclut le filtrage de contenu, les contrôles de sécurité rapides et les politiques d’utilisation appliquées par la plateforme GitHub Copilot. L'application locale applique également les propres mesures de sécurité au niveau système de Discovery, y compris les messages système et la validation des entrées, afin d'aligner le comportement sur les principes Responsible AI de Microsoft. Les clients utilisant l'application locale doivent consulter les politiques d'utilisation acceptable de GitHub Copilot pour connaître les détails sur les contrôles de sécurité appliqués au niveau modèle.

Mesures d’atténuation

La sécurité et la posture de performance de Discovery proviennent d’une évaluation continue et d’une revue des risques. Pour résoudre les risques tels que les réponses générées par l’IA étant inexactes, les biais d’automatisation et la dérive de boucle, Discovery met l’accent sur la supervision humaine dans la boucle comme stratégie d’atténuation de base. Validez les résultats générés par l’IA aux points clés de décision, en particulier dans des scénarios de recherche à enjeux élevés.

La plateforme prend en charge la transparence en exposant les citations et les sources de base le cas échéant, ce qui permet aux clients de tracer l’origine du contenu généré et d’évaluer sa fiabilité. Pour les flux de travail ancrés, les clients sont encouragés à s’assurer que leurs documents de base de connaissances sont actuels, bien structurés et pertinents pour l’étendue de recherche prévue. La fiabilité du résultat dépend directement de la qualité des sources d’ancrage disponibles.

La découverte permet aux clients d’intégrer leurs propres modèles, jeux de données et agents. Cette extensibilité permet de réduire les biais et d’améliorer la pertinence dans les champs spécialisés ou émergents où les modèles à usage général peuvent être sous-performants. Les utilisateurs travaillant dans des domaines sous-représentés ou hautement spécialisés sont encouragés à utiliser cette fonctionnalité pour mieux aligner le comportement de la plateforme avec leur contexte de recherche spécifique.

Mesures de cybersécurité

L’architecture de cybersécurité de Discovery est conçue autour d’un modèle de défense en profondeur. Les contrôles spécifiques varient selon le mode de déploiement.

Déploiement dans le cloud

La section suivante décrit les mesures actives en place pour le déploiement cloud dans cette version.

• Gestion des identités et des accès : Discovery applique le principe du moindre privilège grâce à Microsoft Entra ID et au contrôle d’accès en fonction des rôles (RBAC). Tout l’accès au plan de contrôle et au plan de données est authentifié via Microsoft Entra ID. Les identités managées affectées par l’utilisateur sont utilisées pour permettre aux composants de la plateforme d’accéder à des ressources Azure sans secrets incorporés. Les rôles RBAC spécifiques à la plateforme prennent en charge la séparation des tâches entre les opérateurs, les développeurs et les administrateurs de sécurité.
• Sécurité réseau : La découverte utilise une architecture réseau privée par défaut. Toutes les ressources de découverte sont créées avec Azure Private Link activées par défaut, ce qui élimine l’exposition d’adresses IP publiques. Les API de plan de données ont un accès réseau public désactivé au niveau de la ressource. Le trafic est limité aux réseaux virtuels clients à l’aide de points de terminaison privés, de zones DNS privées et de groupes de sécurité réseau. Cette architecture prend en charge les principes de mise en réseau de confiance zéro et réduit la surface d’attaque globale de la plateforme.
• Protection des données : Les données client sont protégées par le biais du chiffrement et de l’isolation du locataire. Le chiffrement au repos est fourni par le chiffrement géré par Azure pour les services de stockage et de plateforme. Le chiffrement en transit est appliqué à l’aide du protocole TLS (HTTPS et Transport Layer Security) pour toutes les communications de service à service et de client à service. Les données des clients, les graphes de connaissances et les modèles sont isolés pour chaque client et ne sont pas partagés entre les clients. Les clients conservent la propriété et le contrôle complets de leurs données et peuvent exporter ou supprimer des ressources à tout moment.
• Renforcement de la plateforme : L’infrastructure de calcul Discovery est sécurisée à l’aide des bases de référence de sécurité Azure. Les clusters de supercomputer et les pools de nœuds sont déployés sur une infrastructure gérée par Azure conformément aux normes de configuration de sécurité Azure. La plateforme examine la conformité avec Microsoft exigences de benchmark de sécurité cloud, notamment la configuration TLS, la journalisation des diagnostics et l’utilisation du point de terminaison privé. Les révisions de sécurité continue identifient les lacunes de configuration et favorisent la correction par le biais des mises à jour de l’infrastructure et de l’application des stratégies.
• Journalisation, supervision et détection : Discovery s’intègre aux outils de surveillance et de sécurité d’Azure afin de prendre en charge la détection et la réponse. Vous pouvez activer les journaux de diagnostic pour les ressources de la plateforme et acheminer ces journaux vers des solutions de journalisation gérées par le client. La connectivité et la disponibilité sont surveillées à l’aide de contrôles d’intégrité proactifs et de données de télémétrie de plateforme. Les résultats de la sécurité et la dérive de configuration sont examinés dans le cadre des évaluations de sécurité de plateforme en cours.

Application locale

La section suivante décrit les mesures de sécurité en place pour le déploiement local de l’application.

Identité et authentification : L’application locale authentifie les utilisateurs via leur compte GitHub en utilisant le SDK GitHub Copilot. L'accès aux capacités du modèle est régi par l'abonnement GitHub Copilot de l'utilisateur et les permissions associées. L'application locale ne nécessite aucun identifiant Azure ni identités gérées.

Protection des données : L’application locale stocke toutes les données dans le système de fichiers local de l’utilisateur. Les capacités natives de chiffrement du système d'exploitation (par exemple, BitLocker sur Windows ou FileVault sur macOS) protègent les données au repos. L’application locale chiffre la communication avec le service GitHub Copilot en transit en utilisant HTTPS et TLS. Les données des clients restent sur la machine de l’utilisateur et ne sont pas partagées avec d’autres utilisateurs ou locataires.

Sécurité des applications : L'application locale suit le cycle de vie sécurisé (SDL) de Microsoft. Les mises à jour sont distribuées via des mécanismes standards de mise à jour des applications, et l’application est signée en code pour garantir son intégrité.

Les deux modes de déploiement

Développement et conformité sécurisés : la découverte suit le cycle de vie de développement sécurisé (SDL) de Microsoft et un modèle de conformité continu. La plateforme suit et examine de manière centrale les bugs de sécurité, les vulnérabilités et les exigences SDL de façon continue. Discovery participe aux programmes de gestion des vulnérabilités et SDL continus d'Azure, qui prennent en charge les audits de conformité externes tels que SOC, ISO et d'autres certifications Azure. Cette approche garantit que la sécurité est évaluée en continu plutôt que évaluée uniquement au moment de la publication.

Responsabilité partagée

Déploiement cloud : La sécurité dans le déploiement cloud suit le modèle de responsabilité partagée Azure. La découverte sécurise la plateforme sous-jacente, les services managés et le plan de contrôle. Les clients sont responsables de la sécurisation de leurs abonnements, réseaux virtuels, attributions de rôles et stratégies d’accès aux données. Comprendre cette division de responsabilité est importante pour les clients qui conçoivent des déploiements sécurisés alignés sur leurs exigences d’organisation et de conformité.

Application locale : Dans le déploiement local de l’application, l’utilisateur assume une responsabilité accrue pour la sécurité de son environnement. Microsoft est responsable de la sécurité de l’application elle-même, de ses mécanismes de mise à jour et de l’intégrité de l’intégration du SDK GitHub Copilot. Les utilisateurs sont responsables de la sécurisation de leur machine locale, y compris les mises à jour du système d’exploitation, le chiffrement des disques, la sécurité réseau et les contrôles d’accès. Les utilisateurs doivent également s’assurer que leur compte GitHub est protégé par une authentification renforcée, y compris une authentification multifacteur.

Meilleures pratiques pour l’intégration et le déploiement de la découverte

L’IA responsable est un engagement partagé entre Microsoft et ses clients. Microsoft crée des applications IA avec sécurité, équité et transparence au cœur, mais les clients jouent un rôle essentiel dans le déploiement et l’utilisation de ces technologies de manière responsable dans leurs propres contextes. Pour prendre en charge ce partenariat, nous offrons les meilleures pratiques suivantes pour les déploiements et les utilisateurs afin d’aider les clients à implémenter efficacement l’IA responsable.

Les déployeurs et les utilisateurs finaux doivent

• Faites preuve de prudence et surveillez les résultats lorsque vous utilisez la découverte pour des décisions consécutives ou dans des domaines sensibles : Les décisions consécutives peuvent avoir un effet juridique ou significatif sur l’accès à l’éducation, à l’emploi, aux plateformes financières, aux prestations gouvernementales, aux soins de santé, au logement, à l’assurance ou aux plateformes juridiques. Ils pourraient également entraîner des dommages physiques, psychologiques ou financiers.

  Les domaines sensibles nécessitent des soins particuliers en raison du risque d’impact disproportionné sur différents groupes de personnes. Lorsque vous utilisez l’IA pour les décisions dans ces domaines, assurez-vous que les parties prenantes concernées peuvent comprendre comment les décisions sont prises, les décisions d’appel et mettez à jour toutes les données d’entrée pertinentes.

• Évaluez les considérations légales et réglementaires : Vous devez évaluer des obligations légales et réglementaires spécifiques potentielles lorsque vous utilisez des plateformes et solutions IA, qui peuvent ne pas être appropriées pour une utilisation dans chaque secteur ou scénario. Les plateformes ou solutions IA ne sont pas conçues et ne peuvent pas être utilisées de manière à ce qu’elles soient interdites en termes de service applicables et aux codes de conduite pertinents.

Les utilisateurs finaux devraient

Utilisez des invites claires et spécifiques : Assurez-vous que les invites sont explicites sur votre objectif, l’étendue de la tâche et les preuves à utiliser. Une invite claire et efficace inclut généralement les éléments suivants :

• Objectif (ce que vous essayez d’apprendre ou de décider).
• Contexte (hypothèses de domaine, contraintes et critères de réussite).
• Sources à utiliser (quelle base de connaissances, documents ou outils à référencer).
• Format de sortie (par exemple, table, liste classée et plan d’expérience).
• Demande d’ancrage (demander des citations ou une traçabilité lorsqu’elles sont disponibles).

Exemple d’invite

À l’aide de vos documents de base de connaissances indexés sur <TOPIC>, proposez trois hypothèses testables pour <RESEARCH GOAL>. Pour chaque hypothèse : (a) résumez les éléments de preuve à l’appui, (b) citez les sources spécifiques utilisées et (c) énumérez deux à trois expériences pour la valider. Si la preuve est manquante ou faible, dites-le explicitement et suggèrez les autres données nécessaires.

• Surveillez les dérives de performance : La qualité des résultats et l’ancrage dans les sources dépendent des données disponibles pour l’ancrage, ainsi que de la manière dont les agents ou les outils sont configurés. Les résultats peuvent changer à mesure que votre base de connaissances, vos outils ou vos flux de travail évoluent. Pour détecter la dérive :

  • Réexécutez périodiquement un petit ensemble d’invites de référence et comparez les résultats afin d’en vérifier la cohérence, l’exhaustivité et l’ancrage factuel.
  • Surveillez les signes d’avertissement tels que des citations moins ou faibles, une incertitude accrue, des conclusions contradictoires ou des contraintes clés manquantes.
  • Si vous mettez à jour la base de connaissances (ajoutez ou supprimez des documents), traitez-le comme une modification de version et revérifier les flux de travail critiques.
  • Utilisez la révision humaine et une deuxième méthode de validation pour le travail à fort impact (révision d’experts du domaine, calcul indépendant ou simulation, ou exécutions de tests contrôlées).

• Effectuez une surveillance humaine le cas échéant : La supervision humaine est une protection importante lorsque vous interagissez avec des applications IA. Nous améliorons continuellement nos applications IA, mais l’IA peut encore faire des erreurs. Les sorties générées peuvent être inexactes, incomplètes, biaisées, mal alignées ou non pertinentes par rapport à vos objectifs prévus.

  Cette situation peut se produire en raison de diverses raisons, telles que l’ambiguïté dans les entrées ou les limitations des modèles sous-jacents. Vous devez passer en revue les réponses générées par la découverte et vérifier qu’elles correspondent à vos attentes et exigences.

• Comprendre le risque de sur-dépendance : La dépendance peut se produire lorsque les utilisateurs acceptent des sorties IA incorrectes ou incomplètes, principalement parce que les erreurs dans les sorties IA peuvent être difficiles à détecter. Ces sorties inexactes sont généralement le résultat d’une preuve sous-jacente incomplète ou non clairement fondée. Avec Discovery, ce risque peut augmenter dans de longs flux de travail itératifs (où de petites erreurs peuvent s'accumulent) et dans les scénarios où la couverture de la base d'informations est limitée. Traitez les sorties comme un soutien à la décision, et non comme un remplacement de la décision, surtout pour les décisions conséquentes.

• Soyez prudent lorsque vous concevez l’IA agentique dans des domaines sensibles : Si vous concevez ou déployez des flux de travail autonomes ou agentiques qui peuvent déclencher des actions irréversibles ou à impact élevé (par exemple, dans des domaines réglementés ou critiques en matière de sécurité), vous devez ajouter des protections. Vous devrez peut-être utiliser des étapes d’approbation, un accès selon le principe du moindre privilège, des journaux d’audit ou des périmètres d’action restreints. Assurez-vous que les parties prenantes concernées peuvent comprendre comment les résultats ont été atteints et peuvent contester ou appeler des décisions le cas échéant.

  Vous devez également prendre d’autres précautions lorsque vous créez une IA agentique autonome, comme indiqué plus loin dans le Code de conduite des services Microsoft Enterprise AI (pour les organisations) ou dans la section Code de conduite du Contrat de services Microsoft (pour les particuliers).

• Fournissez des commentaires pour améliorer Microsoft découverte : si vous rencontrez des problèmes ou que vous souhaitez partager des commentaires, dans Discovery Studio, sélectionnez Envoyer des commentaires dans le coin inférieur droit. Vous pouvez décrire ce qui s’est passé et inclure des détails pertinents sur le formulaire de commentaires. Envoyez le formulaire pour envoyer des commentaires à l’équipe de découverte.

Les responsables du déploiement doivent

Utilisez l’exemple d’agent de référence comme point de départ pour concevoir un agent fondé sur des sources fiables : Discovery met à disposition un exemple d’agent de référence dans le dépôt GitHub. L’agent illustre les modèles recommandés pour interroger des bases de connaissances client, appliquer des contraintes de base et gérer les cas où les preuves sont manquantes ou faibles.

L’exemple montre comment étendre la récupération à des sources pertinentes et exiger des citations explicites ou une traçabilité. Il montre également comment réduire le risque de sorties non planées ou spéculatives lorsque vous travaillez avec des données fournies par le client.

• Adaptez et étendez l’exemple en fonction du domaine, des données et du contexte de risque : Traitez l’exemple d’agent de référence comme un point de départ plutôt qu’une solution prête pour la production. Lorsque vous créez des agents et des flux de travail personnalisés, il est recommandé d’adapter la logique de recherche, les exigences d’ancrage, les étapes de validation et la révision avec intervention humaine. Basez vos agents et flux de travail sur votre domaine, structure de données et profil de risque spécifique. Cette approche est importante pour les flux de travail agentiques à fort impact ou à long terme.

Implémentez des contrôles forts d’identité et d’accès (privilège minimum) : Pour les déploiements cloud, Discovery utilise l’authentification Microsoft Entra ID et le contrôle d’accès basé sur les rôles (RBAC), et les déployeurs doivent refléter ce modèle en n’accordant que les rôles minimums nécessaires à chaque utilisateur ou charge de travail. Évitez les autorisations étendues « Propriétaire » ou à l’échelle de l’abonnement, sauf si absolument nécessaire et préférez les rôles délimités au niveau du groupe de ressources ou de la ressource. Utilisez des identités managées affectées par l’utilisateur (UAMI) pour l’accès au service afin que vous ne vous fiiez pas aux secrets incorporés et passez régulièrement en revue les attributions de rôles. Pour les déploiements locaux d’applications, assurez-vous que les utilisateurs s’authentifient avec des comptes GitHub disposant des permissions d’abonnement Copilot appropriées et imposez une authentification multifacteur sur ces comptes.

Renforcer la posture réseau et garder les ressources privées par défaut : Pour les déploiements cloud, Discovery est conçu avec Azure Private Link activé par défaut et l’accès au réseau public désactivé pour les API de plans de données ; maintenir cette posture en restreignant l’accès aux réseaux virtuels de confiance (VNets) et en utilisant des points de terminaison privés, des zones DNS privées et des groupes de sécurité réseau (NSG). Lorsque votre organisation nécessite une « clôture en anneau », vous pouvez déployer un périmètre de sécurité réseau (NSP) une fois l’infrastructure de plateforme déployée pour protéger davantage les services PaaS dépendants (par exemple, Cosmos DB, Azure SQL Server, Key Vault, comptes de stockage). La réduction de l’exposition publique réduit la surface d’attaque et permet de protéger contre les informations d’identification volées utilisées à partir d’emplacements réseau non approuvés. Pour les déploiements locaux d'applications, assurez-vous que la machine de l'utilisateur est sur un réseau sécurisé et que les connexions sortantes vers le service GitHub Copilot sont autorisées via des pare-feux organisationnels.

Gardez les contrôles de sécurité activés et validez toute modification du seuil de sécurité : Pour les déploiements cloud, Discovery applique par défaut des Foundry Guardrails / filtrage de contenu pour les modèles créés sur la plateforme et toute tentative de contournement ou de désactivation des mécanismes de sécurité intégrés est interdite. Les déployeurs peuvent créer et gérer des garde-fous dans le portail Foundry, notamment la configuration des seuils de sécurité et le comportement de l’agent de surveillance ; si vous modifiez des seuils ou personnalisez des filtres, testez ces modifications avec des invites représentatives avant de les déployer à grande échelle. Par exemple, pour cette version, la configuration du filtre de contenu inclut des seuils de filtrage d’entrée/sortie (par exemple, Violence/Haine/Sexualité à « Moyen », Auto-préjudice à « High ») et active des modèles tels que Jailbreak et Protected Material detection. La modification de ces paramètres peut affecter à la fois l’expérience utilisateur et les résultats de sécurité. Pour plus d’informations, consultez la documentation sur la sécurité du contenu Azure AI - Démarrages rapides, Tutoriels, Référence API - Outils Foundry | Microsoft Learn. Pour les déploiements locaux d'applications, les contrôles de sécurité sont assurés par les politiques de contenu intégrées du SDK GitHub Copilot. Ces contrôles ne doivent pas être contournés, et les déployeurs doivent vérifier que les politiques Copilot organisationnelles sont configurées de manière appropriée.

Testez la sécurité, la mise à la terre et la fiabilité de la chaîne d’outils avant d’élargir l’accès : Discovery est évalué à l’aide d’une suite structurée de prompts dans différentes catégories de risques (copyright/IP, contenu nuisible, tentatives de jailbreak et ancrage factuel). L’évaluation est utilisée pour détecter les régressions au fil du temps. Vous devez adopter une pratique similaire pour vos flux de travail les plus importants.

Créez un petit ensemble de scénarios de référence de bout en bout qui reflètent vos cas d’usage envisagés. Incluez vos propres outils, modèles et contenu de la base de connaissances. Réexécutez les scénarios chaque fois que vous modifiez des modèles, des outils, des agents ou des jeux de données. Étant donné que les incompatibilités dans les hypothèses de l’outil (formats, plages de paramètres et contrôle de version) peuvent entraîner des échecs ou des résultats trompeurs, valider soigneusement les flux de travail d’orchestration.

Cette pratique est particulièrement importante lorsque vous intégrez des composants personnalisés ou non Microsoft. Pour les scénarios à impact plus élevé, exigez une révision humaine et une méthode indépendante de validation. Par exemple, utilisez la révision d’experts du domaine ou les exécutions de test contrôlées.

Activez la journalisation et surveillez continuellement les dérives : La découverte permet la journalisation et la surveillance en permettant d’activer les journaux de diagnostic et de les acheminer vers des solutions de journalisation gérées par le client. La découverte utilise des contrôles d’intégrité proactifs et des données de télémétrie pour suivre la connectivité et la disponibilité. Activez ces journaux, configurez des alertes pour des pannes répétées ou des schémas d’erreur anormaux, et revoyez périodiquement les résultats de sécurité et les dérives de configuration dans le cadre des évaluations continues de la sécurité de la plateforme.

Pour les performances et la dérive de qualité des sorties, traitez les modifications apportées à la base de connaissances, aux outils, aux flux de travail ou aux agents en tant que modifications de version. Réexécutez un petit ensemble de tests de référence pour comparer la cohérence, l’exhaustivité et l’ancrage factuel. Les signes d’avertissement incluent moins ou moins de citations, une incertitude accrue, des conclusions contradictoires ou des contraintes clés manquantes. Utilisez ces signaux pour déclencher une révision et une correction plus approfondies.

En savoir plus sur la découverte Microsoft

Pour obtenir des conseils supplémentaires sur l’utilisation responsable de la découverte, nous vous recommandons de consulter le Guide d’utilisation responsable, qui décrit les principes clés pour le déploiement de fonctionnalités optimisées par l’IA. Vous pouvez en savoir plus ici :

• confidentialité et sécurité des données de découverte Microsoft
• FAQ Microsoft Discovery

En savoir plus sur l’IA responsable :

• Les principes de l’IA de Microsoft.
• Ressources Microsoft sur l'IA responsable
• Cours Microsoft Azure Learning sur l’IA responsable