Le débat autour de l'IA est actuellement très dense. Chaque semaine apporte son lot de nouveaux termes et acronymes – IA agentique, LLM de raisonnement, programmation intuitive – et avec eux, une nouvelle vague de pression sur les organisations pour qu'elles définissent une stratégie IA ou adoptent une plateforme, sous peine d'être distancées. Les scientifiques et ingénieurs utilisant JMP ne sont pas épargnés par cette pression. Ils l'entendent de la part de leur direction et nous interrogent sur les conséquences pour les outils qu'ils utilisent au quotidien.
Notre réponse est simple : la valeur fondamentale de JMP reste inchangée et le restera. Ce qui a évolué, c’est notre capacité à rendre cette valeur plus accessible, plus visible et plus extensible – et notre infrastructure d’IA y contribue de manière essentielle. Mais nous agissons ainsi délibérément, selon vos conditions, et non les nôtres.
Pourquoi le flux de travail analytique de JMP reste irremplaçable
The JMP analytic workflowLe flux de travail analytique JMP
Avant d'aborder la question de la place de l'IA, il convient de préciser ce que fait JMP qu'aucun modèle de langage ne peut reproduire.
JMP a été conçu dès le départ pour être interactif. Un utilisateur glisse une colonne dans Graph Builder et visualise instantanément ses données : aucun code, aucune syntaxe, aucune invite. Un clic sur un point d'un graphique le met en surbrillance dans le tableau de données et dans tous les autres graphiques de la session d'analyse. Mais cette interconnexion n'est pas une simple fonctionnalité ; c'est une philosophie. En clair, le scientifique ou l'ingénieur, fort de son expertise métier et disposant de l'environnement analytique adéquat, est le moteur de la découverte.
Le flux de travail analytique de JMP se déroule de gauche à droite. Il commence par une personne et un problème. JMP traduit les questions métier en questions analytiques, guide les utilisateurs vers les méthodes appropriées et fournit un environnement interactif et visuel où l'analyse est rapide. JMP Live étend ensuite cette valeur à l'ensemble de l'organisation : il rend le travail visible, partage les méthodes éprouvées et facilite la collaboration à l'échelle de l'entreprise, au-delà des ordinateurs individuels.
Les grands modèles de langage ne sont pas au cœur de ce processus. Ils s'intègrent à des étapes précises et en accélèrent certaines. Le scientifique ou l'ingénieur reste maître de l'analyse et apporte toujours la valeur ajoutée.
La courbe qui explique tout
JMP gets more valuable as problems get harder and rarer.JMP prend de la valeur à mesure que les problèmes deviennent plus difficiles et plus rares.
Il existe une manière utile de visualiser pourquoi JMP et LLM ne sont pas concurrents. Imaginez un graphique avec la complexité du problème en abscisse, les problèmes courants et bien documentés à gauche et les problèmes rares et à forte valeur ajoutée à droite.
Le volume de données d'entraînement pour les modèles de modélisation linguistique (LLM) diminue fortement à mesure que les problèmes se complexifient et se raréfient. L'efficacité des LLM s'en trouve également affectée. Pour les problèmes courants, comme l'écriture d'un script Python basique ou le débogage d'une erreur fréquente, on trouve des milliers d'exemples en ligne, et les LLM excellent dans ces domaines. Mais dès que l'on s'oriente vers des solutions plus complexes, comme des plans d'expérience novateurs, des analyses multivariées complexes et des problèmes inédits dans le secteur, l'efficacité des LLM s'effondre. Il n'existe tout simplement pas de données d'entraînement pour des résultats qui n'ont pas encore été identifiés.
L'efficacité de JMP évolue dans le sens inverse. JMP prend de la valeur à mesure que les problèmes se complexifient et se raréfient. Conception d'expériences, analyse exploratoire des données, découverte de l'inconnu : c'est le domaine de JMP. Il est important d'énoncer clairement ce principe : l'abondance des données d'entraînement n'est pas synonyme de valeur commerciale. Les experts en gestion de projet sont formés sur des problématiques courantes. Les problèmes les plus pertinents pour votre organisation sont ceux pour lesquels les données d'entraînement sont les plus rares.
On ne peut pas demander à un titulaire de maîtrise en droit de, par exemple, « concevoir le prochain médicament à succès sans faire d'erreurs ». Les utilisateurs de JMP travaillent à la pointe de l'inconnu, et ce flux de travail ne peut être automatisé par l'IA seule.
Où les LLM apportent réellement une valeur ajoutée à l'écosystème JMP
LearnBotLearnBot
Cette base étant établie, il existe des opportunités réelles et significatives où les LLM accélèrent le flux de travail JMP.
Accélérer la prise en main pour les nouveaux utilisateurs. JMP présente une courbe d'apprentissage courte mais abrupte. Un utilisateur débutant, maîtrisant ses connaissances scientifiques mais pas encore le logiciel, peut se retrouver bloqué dès les premières heures. LearnBot (disponible sur la Marketplace JMP) répond directement à cette difficulté. En intégrant le contenu pédagogique riche de JMP, sa documentation et l'index de script JSL dans une base de connaissances enrichie par LLM, LearnBot permet aux nouveaux utilisateurs de poser leurs questions en langage naturel et de recevoir une réponse basée sur un contenu JMP précis et à jour. Les premiers résultats sont prometteurs.
Combler le fossé entre l'utilisation intuitive et l'automatisation. Le langage de script de JMP, JSL, est extrêmement puissant. Il permet de créer des applications personnalisées, des intégrations et des outils spécifiques à l'organisation. Pourtant, les données de télémétrie révèlent que la grande majorité des utilisateurs de JMP ne l'utilisent jamais ; même l'action JSL la plus basique, l'enregistrement d'un script dans une table de données, n'est utilisée que dans 16 % des cas. Cette sous-utilisation constitue un frein important. Un utilisateur peut décrire ses besoins en langage clair et recevoir en retour du code JSL fonctionnel ; l'automatisation et la personnalisation permises par JSL deviennent ainsi accessibles à tous les utilisateurs, et non plus seulement au petit groupe d'experts sur lequel une organisation s'appuie généralement.
Rendre accessibles les fonctionnalités cachées de JMP. Depuis plus de trente ans, des organisations du monde entier font confiance à JMP. Pourtant, certaines fonctionnalités restent parfois dissimulées derrière des menus à triangle rouge ou des options de plateforme que la plupart des utilisateurs ne découvrent jamais. Les interfaces en langage naturel rendent ces outils accessibles à tous. Un utilisateur peut décrire son action et être dirigé vers l'outil adéquat dans JMP, même s'il ne l'aurait jamais trouvé dans le menu.
L'extension LLM Coursier permet d'intégrer l'analyse de texte libre au sein du flux de travail JMP. Elle permet aux utilisateurs de transmettre directement le contenu d'un tableau de données à un LLM et de récupérer des résultats structurés (analyse des sentiments, extraction des causes profondes, classification, etc.) dans ce même tableau. Les utilisateurs restent ainsi dans leur flux de travail JMP tout en exploitant les capacités du LLM pour les tâches où ils excellent.
L'infrastructure que nous construisons
JMP Scripting Index Index de script JMP : JMP est conçu pour une flexibilité maximale, sans miser sur un seul fournisseur. Nous ne prévoyons pas la victoire d'un seul fournisseur de LLM. Nous privilégions une infrastructure et des interfaces permettant aux clients de connecter JMP aux modèles et services compatibles avec leurs normes et leur environnement.
Voici comment cela se concrétise :
Tout d'abord, la base de connaissances. Nous avons publié plus de 20 000 extraits de code JSL sur JSL.jmp.com dans des formats facilement interprétables par les développeurs en langage naturel (LLM), et 10 000 autres sont en cours de publication. Grâce à cela, les développeurs en langage naturel (LLM) maîtrisent de mieux en mieux le JSL, tant à l'écrit qu'à l'oral, et leurs compétences continueront de progresser.
Deuxièmement, la couche de traduction. Nous utilisons la génération augmentée par la recherche (RAG) pour minimiser les hallucinations et garantir que lorsqu'un utilisateur pose une question, la réponse soit basée sur un contenu JMP précis, pertinent et à jour.
Troisièmement, l'infrastructure. Nous simplifions la connexion de JMP au LLM de votre choix grâce à des connecteurs de points de terminaison, afin que les clients ne soient pas liés à un fournisseur unique. Cette fonctionnalité sera disponible en mars 2027. Si vous souhaitez la tester en avant-première, rejoignez le programme d'accès anticipé de JMP ; vos commentaires sont les bienvenus.
Quatrièmement, les outils. JMP continue d'enrichir sa bibliothèque d'extensions d'IA et d'apprentissage automatique à forte valeur ajoutée, qui facilitent le travail des utilisateurs, optimisent leurs flux de travail et réduisent le besoin de coder. Les utilisateurs peuvent installer ces extensions, les configurer en fonction des politiques de leur organisation et les modifier selon leurs besoins.
Enfin, la JMP Marketplace. Grâce à cette plateforme , les clients choisissent les extensions LLM ou IA les mieux adaptées à leurs besoins. En proposant ces extensions via la JMP Marketplace plutôt que de les intégrer au produit de base, JMP maintient l'IA optionnelle et non imposée.
Sécurité, confidentialité et conformité – selon vos conditions
Nous savons que la confidentialité, la sécurité et la conformité des données sont des priorités absolues, surtout avec l'intelligence artificielle. JMP simplifie la recherche des réponses dont vos équipes de sécurité et de conformité ont besoin.
Notre Centre de confiance explique comment JMP utilise vos données et vos invites, comment nous garantissons la confidentialité de vos données, les assurances de sécurité que nous offrons et comment nous respectons les exigences de conformité de l'UE. Les Conditions d'utilisation de l'IA générative de JMP détaillent précisément le traitement de vos invites lorsque vous utilisez des extensions basées sur LLM. Chaque extension inclut également une fiche d'information sur le modèle qui identifie le modèle utilisé et fournit un lien vers la documentation du fournisseur. Enfin, notre Politique d'utilisation responsable de JMP présente notre engagement envers des pratiques d'IA éthiques et guide les utilisateurs à travers les cas d'utilisation autorisés et interdits.
Toutes ces ressources sont publiques et vous pouvez les partager avec vos équipes de sécurité et de conformité.
Ce que JMP ne fait pas
Il est tout aussi important de clarifier ce que JMP ne fait pas que d'expliquer ce que nous faisons.
- Nous ne développons pas un chatbot pour remplacer le flux de travail analytique de JMP. JMP est un outil d'analyse, pas un produit de conversation.
- Nous ne laissons pas les LLM faire les calculs : JMP calcule, les LLM écrivent les instructions.
- Nous ne procédons pas à l'entraînement ni à l'optimisation des modèles de base, car il s'agit d'un domaine qui représente des milliards de dollars pour les GPU, et non d'une simple analyse de données sur ordinateur de bureau.
- Nous ne générons pas de données synthétiques. La rigueur statistique est la marque de fabrique de JMP, et cette rigueur ne sera pas compromise par des chiffres fabriqués de toutes pièces par LLM.
- Nous n'imposons pas de fonctionnalités d'IA aux utilisateurs qui n'en veulent pas.
La stratégie englobe les résultats commerciaux et les processus. L'IA n'est qu'un outil parmi d'autres pour y parvenir.
En résumé
JMP repose sur des bases solides et un flux de travail différencié. Le flux de travail analytique (exploration visuelle, méthodes statistiques rigoureuses, analyses reproductibles et partageables) est bien différent de la simple saisie d'une requête dans une fenêtre de chat. Une requête peut certes s'avérer utile, parfois de manière significative, mais elle ne saurait remplacer la rigueur et le flux de travail complet que JMP permet.
Ce que nous construisons, c'est une infrastructure : une base de connaissances qui permet aux LLM de mieux comprendre JMP, une couche de traduction qui fonde les réponses sur un contenu précis, des connecteurs de points de terminaison qui offrent aux clients la flexibilité de choisir leurs fournisseurs d'IA, et une place de marché qui fournit des capacités d'IA en option et selon vos conditions.
Les utilisateurs de JMP créent de nouvelles connaissances. Ils s'attaquent à des problèmes inédits, avec des données jamais vues par aucun modèle. Ce processus est là pour durer. Au contraire, à l'ère de l'IA, il prend une importance accrue, car les problèmes les plus intéressants à résoudre sont précisément ceux pour lesquels les modèles linéaires numériques (LLM) épuisent leurs données d'entraînement, et c'est là que JMP révèle toute sa puissance.
Nous ne courons pas après les tendances éphémères. Nous construisons pour le long terme, et nous construisons pour vous.
