AWS et Atos ont montré comment la gamification accélère la formation en AI pour des centaines de salariés

AWS a présenté une étude de cas d'Atos, qui a transformé la formation corporative en IA en une ligue compétitive au lieu d'une énième série de cours et certificats. En deux semaines, 409 participants ont créé plus de 4.100 modèles fine-tuned et ont acquis une expérience pratique pouvant être appliquée immédiatement aux projets clients.

Comment la ligue a été structurée

Atos avait déjà une base solide : plus de 5.800 certifications AWS et 11 Golden Jackets au sein de l'entreprise. Mais cela s'est avéré insuffisant pour l'objectif de rendre l'ensemble du personnel en IA capable d'ici 2026. Un problème familier à de nombreuses grandes organisations : les employés suivent une formation mais ne progressent pas toujours vers une application confiante des modèles dans le travail réel. C'est pourquoi Atos et AWS ont choisi le format AWS AI League—non pas des conférences juste pour la forme, mais une série de tâches pratiques avec des classements, des délais et une finale en format de spectacle en direct.

• Atelier introductif sur le fine-tuning dans SageMaker JumpStart
• Sélection de Meta Llama 3.2 3B Instruct comme modèle de base
• Préparation d'un dataset JSONL pour un scénario d'assurance
• Fine-tuning, déploiement et vérification des réponses dans SageMaker
• Notation au classement et sélection pour la finale en direct

Après l'atelier d'ouverture, une ligue virtuelle de deux semaines a commencé. Les participants ont ajusté à plusieurs reprises les datasets, learning rates, epochs, batch sizes et paramètres LoRA pour grimper dans le tableau des résultats. Dans la ronde en ligne, les modèles ont été évalués par un LLM-as-a-Judge automatisé basé sur Llama 3.2 90B. Les cinq meilleurs finalistes ont ensuite accédé à la finale en direct, où le score global était composé de trois volets : 40% du juge LLM, 40% de cinq experts d'Atos et 20% du vote du public. Les finalistes n'avaient que 90 secondes par tâche pour ajuster le prompt système et les paramètres d'inférence.

Cas d'usage réel d'assurance

Pour la tâche opérationnelle, Atos a choisi non pas un scénario de démonstration abstrait, mais un assistant pour la souscription d'assurance—l'Intelligent Insurance Underwriter. Le modèle devait analyser des situations d'assurance complexes, évaluer les risques, suggérer des termes de polices et franchises, recommander des ajustements de primes et expliquer son raisonnement. Ce cas illustre bien la valeur du fine-tuning : la compétence linguistique générale seule ne suffit pas si vous devez travailler en confiance avec la terminologie spécifique de l'industrie, les exceptions et les règles de prise de décision. Ici, il ne s'agit pas seulement de génération de texte, mais de précision appliquée dans le domaine.

Techniquement, les participants ont travaillé dans Amazon SageMaker Studio et SageMaker JumpStart, où l'infrastructure était largement abstraite. Pour l'entraînement, ils ont assemblé des datasets JSONL à partir de paires instruction/response, les ont téléchargés sur Amazon S3 et ont exécuté le fine-tuning sans approfondir les opérations ML. AWS note spécifiquement que la taille du dataset seule ne garantissait pas de meilleurs résultats. Ceux qui ont réussi ont nettoyé les données, augmenté la diversité des exemples et testé systématiquement les hyperparamètres plutôt que de simplement générer autant d'enregistrements que possible. Au sein de la ligue, des outils séparés ont même été utilisés pour la génération et l'amélioration des datasets.

Une leçon distincte a émergé du problème du surapprentissage. Certains modèles fonctionnaient bien sur des exemples familiers mais commençaient à se répéter ou donnaient des réponses non pertinentes aux nouvelles questions. Cela était particulièrement évident lors des tests sur 87 questions non vues du classement. C'est pourquoi les participants ont dû apprendre non seulement à exécuter le fine-tuning, mais à surveiller eval-loss, perplexité et le comportement du modèle lors de l'inférence pour distinguer les véritables améliorations des gains cosmétiques de métriques. Pour la formation corporative, c'est un point important : les gens ont maîtrisé non seulement les boutons d'interface, mais la logique du travail avec les modèles et la qualité des résultats.

Pourquoi cela a fonctionné

L'effet principal venait non pas de l'atelier lui-même, mais de la mécanique compétitive autour de lui. Après le lancement de la ligue, les participants partageaient simultanément des découvertes dans les canaux de travail, assistaient aux office hours, tout en tentant de ne pas révéler complètement leurs stratégies aux concurrents. En résultat, Atos a atteint le plus haut niveau d'engagement de ses programmes gamifiés : 409 personnes au classement et plus de 4.

100 modèles fine-tuned créés. Pour entrer dans le top 5, un modèle devait montrer au moins 93% de win rate par rapport aux réponses d'un modèle beaucoup plus grand. Cela a transformé la formation d'une activité formelle en une tâche d'ingénierie avec des objectifs clairs et une progression visible.

Les conclusions commerciales pour Atos se sont également avérées très pratiques. Selon les données d'AWS, un modèle fine-tuned de 3 milliards de paramètres a pu surpasser un modèle de 90 milliards de paramètres dans un domaine étroit lorsqu'il avait les données pertinentes et le bon réglage. Pour les entreprises, c'est un signal important : dans les systèmes agentic, vous n'avez pas toujours besoin du plus grand LLM polyvalent.

Les petits modèles spécialisés sont moins chers à exécuter en inférence, répondent plus rapidement et se mettent à l'échelle plus facilement. L'article d'AWS fournit même un contraste d'infrastructure : ml.g5.

4xlarge versus ml.g5.48xlarge pour le modèle plus grand.

Après le programme, 85% des participants ont rapporté se sentir plus confiants dans les conversations avec les clients sur l'IA générative, et l'ensemble du cycle de formation a pris deux semaines au lieu des mois que la formation traditionnelle aurait requis.

Ce que cela signifie

Le cas Atos montre que la formation corporative en IA passe des cours passifs à des cycles pratiques courts avec des résultats mesurables. Pour les entreprises qui souhaitent non seulement former les employés à l'IA, mais les amener à des implémentations réelles, un format avec une étude de cas de l'industrie, un classement et une itération continue semble nettement plus efficace que la théorie standard et les certifications uniques. Surtout là où l'entreprise a besoin non de connaissances générales sur GenAI, mais de spécialistes capables d'assembler rapidement un assistant fonctionnel spécifique du domaine.