# Comportement et précision du modèle

Zoom AI Companion s’appuie sur une combinaison de grands modèles de langage (LLM) propriétaires et tiers, conçus pour fournir une intelligence contextuelle dans l’ensemble des produits Zoom. Les sections suivantes décrivent les pratiques de Zoom en matière de données de formation, de gestion des hallucinations et d’optimisation des performances du système.

### <mark style="color:bleu;">Zoom n’utilise pas le contenu des clients pour la formation des modèles</mark>

Zoom **pas** utilise pour la formation des modèles Zoom ou tiers du contenu client semblable à des communications — comme audio, chat, partage d'écran, tableaux blancs ou réactions.

Zoom forme ses modèles à l’aide de :

* Données du domaine public
* Jeux de données tiers achetés
* Matériels de formation créés par Zoom

Zoom examine les jeux de données afin de déterminer s’ils ont été obtenus légalement et si la licence s’applique à l’utilisation proposée par Zoom. Notez que nous utilisons également des fournisseurs de modèles tiers, tels qu’OpenAI et Anthropic, dans le cadre de notre modèle fédéré. Veuillez vous référer à toute information qu’ils fournissent sur les données de formation.

### <mark style="color:bleu;">L’IA générative peut halluciner</mark>

Comme tout modèle génératif, AI Companion peut générer des résultats factuellement incorrects ou non pertinents (hallucinations). Zoom recommande de vérifier attentivement les résultats. Zoom réduit les hallucinations en :

* Testant les modèles par rapport à des cas d’utilisation réels
* Améliorant le contexte via la génération augmentée par récupération (RAG)
* Renforçant la prise en charge des langues avec des pipelines de traduction (par exemple, de l’anglais vers l’espagnol)

### <mark style="color:bleu;">Les performances de AI Companion sont surveillées et ajustées</mark>

Zoom surveille régulièrement les performances des modèles, suit les indicateurs de qualité et met à jour les systèmes internes afin d’améliorer la précision et la transparence. Bien que l’explicabilité soit limitée par la conception du modèle, les régressions de performances sont traitées par des cycles de test et de mise à jour.


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://library.zoom.com/technical-library/fr/zoom-workplace/artificial-intelligence/artificial-intelligence-bluepaper/security-and-compliance/model-behavior-and-accuracy.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.