Une semaine après la révélation du piratage d'Hugging Face par un agent OpenAI incontrôlé, Anthropic annonce avoir identifié trois cas où ses propres modèles ont accédé sans autorisation à des systèmes réels lors de tests de cybersécurité.
L'agent IA qui a échappé au contrôle d'OpenAI début juillet 2026 et s'en est pris à Hugging Face a aussi compromis le compte d'un client chez un second prestataire, Modal Labs. Une extension du périmètre que ni OpenAI ni Hugging Face n'avaient détaillée jusqu'ici.
Le 27 juillet 2026, JFrog a levé le voile sur la vulnérabilité qui a permis à deux modèles d'OpenAI de s'extraire de leur environnement de test pour pirater Hugging Face. Une pièce manquante du puzzle, qui en soulève aussitôt d'autres.
OpenAI a révélé que l'intrusion ayant touché Hugging Face mi-juillet 2026 provenait de ses propres modèles, échappés d'une évaluation interne de capacités cyber.
Un hacker ayant piraté la plateforme de génération musicale Suno a partagé avec 404 Media le détail des sources d'entraînement de l'entreprise.
L’évolution de l’informatique moderne repose sur la gestion de données. Ces volumes deviennent de plus en plus massifs et complexes. Les architectures logicielles centralisées historiques peinent désormais à répondre à ces besoins de flexibilité. C’est dans ce contexte de transition numérique que s’inscrivent les Systèmes Multi-Agents comme une alternative majeure.
Ce paradigme déplace la logique algorithmique vers un réseau d’entités interconnectées. Chaque composant autonome participe activement à l’effort collectif. Cet article explore en profondeur les fondements et l’histoire de cette technologie. Il analyse également ses architectures ainsi que ses applications industrielles.
Les architectures informatiques traditionnelles reposent sur un modèle monolithique. Un serveur central y prend les décisions et exécute les tâches de manière séquentielle. Cette centralisation se heurte vite à des limites physiques, comme la saturation de la mémoire. Les goulets d’étranglement qui en résultent ralentissent les performances et bloquent le traitement des données massives.
Pour dépasser ces limites, la recherche a développé l’Intelligence Artificielle Distribuée (IAD). Ce modèle fragmente le problème initial pour répartir le calcul sur plusieurs machines. La décision n’appartient plus à une entité unique, mais devient le fruit d’un effort partagé. Cette décentralisation améliore la réactivité en temps réel et rend les systèmes plus flexibles.
L’IAD mise sur l’émergence pour faire naître une intelligence collective. À l’image d’une colonie de fourmis, chaque individu suit des règles simples sans dépendre d’un chef central. Leurs interactions dans un espace partagé génèrent un comportement de groupe complexe. Cette synergie permet de résoudre des défis logistiques ou mathématiques, le système global devenant souvent plus performant que chacun de ses composants.
L’agent informatique est la brique de base de ce modèle distribué. Qu’il soit un logiciel ou un robot physique, il possède ses propres objectifs et une autonomie relative. Il analyse sa situation et agit sans attendre d’ordres permanents. Ses capteurs perçoivent son milieu et ses actionneurs le modifient selon un cycle continu : perception, délibération, action.
Les agents coexistent dans un environnement partagé, virtuel comme internet ou physique comme un entrepôt. Cet espace dynamique leur impose des contraintes qui limitent leurs actions ou leurs calculs. Il évolue sous l’effet de leurs comportements et d’événements extérieurs. Ce milieu permet aussi une communication indirecte, la stigmergie, où les agents s’adaptent en observant les traces de leurs pairs.
Pour éviter le chaos, une organisation collective structure le réseau. Elle définit les rôles de chacun, attribue les responsabilités et fixe l’accès aux ressources communes. Des règles et des protocoles encadrent les échanges afin de prévenir les blocages. Ce cadre pilote la répartition des tâches, garantissant la cohérence et la stabilité des décisions globales.
Les agents réactifs possèdent l’architecture interne la plus simple. Leur comportement repose entièrement sur un modèle réflexe direct. Ils associent une perception immédiate à une action selon une logique de type « Condition-Action« . Ces entités ne possèdent qu’une mémoire très limitée pour modéliser l’avenir.
Cette simplicité logicielle garantit une vitesse d’exécution maximale. Les agents consomment également très peu de ressources informatiques. Ce modèle permet de simuler efficacement les principes de l’intelligence en essaim. Il sert ainsi à coordonner des flottes de robots ou des foules urbaines.
À l’opposé, les agents cognitifs disposent d’une structure interne beaucoup plus riche. Ils s’appuient sur le modèle logique BDI inspiré de la psychologie humaine. Cette architecture articule explicitement les croyances, les désirs et les intentions de l’entité. Ce fonctionnement permet de planifier des trajectoires complexes et d’anticiper les obstacles.
La collaboration entre agents exige un langage commun pour éviter les malentendus. La fondation FIPA a créé des normes internationales pour répondre à ce défi. Le standard FIPA-ACL est aujourd’hui un langage de communication largement utilisé. Ce protocole permet à des entités hétérogènes d’échanger des informations de façon structurée.
Chaque message FIPA-ACL contient des champs obligatoires qui organisent la discussion. Il indique l’émetteur, le récepteur et un contenu précis. Son élément clé est le « performatif », qui définit l’intention du message, comme une question ou une offre. Grâce à cette structure, l’agent comprend mieux l’objectif de son interlocuteur.
Pour répartir le travail, les agents utilisent des protocoles de négociation comme le filet de contrats. Un agent émetteur publie un appel d’offres décrivant une tâche et ses contraintes. Les autres agents évaluent leurs capacités avant de soumettre une proposition. L’émetteur choisit l’offre la plus adaptée, facilitant une gestion efficace sans intervention humaine.
Les bases de la discipline naissent dans les années 1970. En 1973, Carl Hewitt introduit le modèle d’Acteurs, où des entités autonomes communiquent par messages. Ce concept pose les jalons du calcul parallèle et distribué. En parallèle, le Jeu de la vie (Game of Life) de John Conway prouve que des règles locales simples peuvent générer une dynamique collective complexe.
Les années 1980 ouvrent l’ère de l’intelligence artificielle distribuée appliquée. La recherche développe alors les systèmes à base de « Tableau Noir ». Le projet de reconnaissance vocale HEARSAY-II valide cette architecture en faisant collaborer plusieurs modules sur une mémoire partagée. Cette innovation démontre concrètement l’intérêt du travail d’équipe entre composants logiciels.
Entre 1990 et 2000, la technologie se structure et s’industrialise. Rao et Georgeff formalisent l’architecture BDI en 1991 pour modéliser le raisonnement. La fondation FIPA standardise ensuite les langages de communication en 1996, avant que le framework JADE ne devienne une référence des développeurs. Les entreprises s’emparent alors de ces outils pour automatiser le commerce en ligne et la logistique.
La décentralisation améliore la résilience informatique. Les architectures classiques dépendent souvent d’un point de contrôle unique sujet aux pannes générales. Les modèles distribués réduisent ce risque critique. La défaillance d’un agent isolé n’interrompt pas le fonctionnement global du système.
Le système peut ainsi afficher des capacités d’auto-guérison. Lorsqu’un agent s’arrête, ses voisins détectent aussitôt son absence. Ils se répartissent de manière autonome ses tâches en cours de traitement. Les protocoles de négociation réajustent le réseau pour sécuriser les infrastructures critiques.
Ce modèle excelle également en matière de scalabilité et de flexibilité. L’ajout d’un nouvel agent ne nécessite aucune réécriture du code source global. La nouvelle entité se connecte à l’environnement, s’enregistre et communique aussitôt. Cette modularité permet d’ajuster la taille du système en temps réel.
Les réseaux électriques modernes intègrent des énergies renouvelables intermittentes, comme le solaire ou l’éolien. Les infrastructures classiques peinent à gérer cette instabilité. Pour y remédier, les réseaux intelligents (Smart Grids) peuvent déployer des architectures multi-agents. Chaque producteur et consommateur dispose ainsi de son propre agent logiciel autonome.
Ces programmes évaluent en temps réel la production locale et la demande prévisible. Ils négocient ensuite les prix de l’électricité sur des marchés de proximité. Si l’offre baisse, les agents réduisent automatiquement la consommation des équipements non prioritaires. Cette régulation fine protège les lignes des surcharges et prévient les pannes en cascade.
La robotique collaborative applique des principes proches dans les entrepôts du commerce électronique. Des flottes de robots mobiles s’y déplacent de manière autonome pour transporter les marchandises. Les machines négocient leur passage aux intersections sans dépendre d’un serveur central. Elles adaptent leur itinéraire face aux obstacles, ce qui fluidifie les commandes et réduit les collisions.
L’intégration des modèles de langage transforme l’architecture des agents. Les concepteurs n’ont plus à programmer chaque règle logique à la main. Le LLM sert désormais de moteur de raisonnement principal pour l’entité. L’agent comprend les instructions naturelles et planifie ses actions.
Pour accomplir une mission complexe, l’agent suit une boucle continue. Il décompose l’objectif en sous-tâches et choisit les outils adaptés. L’entité analyse ensuite ses propres résultats à chaque étape intermédiaire. Si le rendu est insatisfaisant, il corrige sa stratégie de manière autonome.
Cette agilité permet de déployer ces technologies en entreprise. Les organisations automatisent ainsi des processus métiers de bout en bout. En ingénierie logicielle, des agents architectes, codeurs et testeurs collaborent en continu. Cette coopération autonome réduit les tâches manuelles et les coûts.
Le marché du développement Python s’articule aujourd’hui autour de deux outils clés. Le framework open-source LangGraph modélise les interactions sous forme de graphes cycliques. Il offre un contrôle sur l’état à chaque étape de calcul. À l’inverse, CrewAI adopte une approche axée sur des rôles métiers.
Ce framework organise les agents comme les membres d’une équipe opérationnelle. Il attribue et gère leurs tâches de manière séquentielle ou parallèle. Au-delà de ces choix techniques, faire communiquer des systèmes différents reste un défi majeur. Le Model Context Protocol (MCP) apporte une réponse standardisée à ce problème.
Ce protocole ouvert définit la manière dont un agent expose ses outils et ses données. Il sert d’interface entre l’intelligence artificielle et les systèmes d’information. Des applications issues de plateformes hétérogènes peuvent enfin collaborer. Ce standard aide à briser les silos technologiques et à relier des écosystèmes variés.
Le déploiement industriel de ces architectures fait face à de réelles contraintes économiques. Les agents basés sur des modèles de langage consomment beaucoup de jetons. Lors des phases de négociation, les requêtes se multiplient et font rapidement grimper la facture. Cette communication intense pèse lourdement sur les budgets des entreprises.
La latence est un autre obstacle majeur. Les débats et les vérifications croisées entre agents ralentissent la décision finale. Plusieurs minutes peuvent ainsi s’écouler avant de résoudre un problème complexe. Des outils d’observabilité sont donc indispensables pour surveiller le réseau et limiter les boucles de discussion infinies.
Enfin, la sécurité de ces systèmes connectés pose des défis inédits. Leurs échanges constants exposent la mémoire collective à des risques d’empoisonnement. Une injection indirecte de requêtes peut ainsi manipuler un agent à son insu. J’estime donc que des protocoles de validation stricts doivent encadrer chaque action critique pour empêcher le sabotage ou les fuites de données.
L’apprentissage par renforcement multi-agents (MARL) transforme la recherche en informatique. Dans ce modèle, les agents apprennent à collaborer par essais et erreurs au sein de simulations. Ils reçoivent des récompenses mathématiques dès qu’ils atteignent un objectif collectif. Ce mécanisme d’auto-amélioration leur permet de co-évoluer avec une supervision humaine limitée.
Les agents développent ainsi des stratégies de coordination inédites. La finance utilise le MARL pour modéliser les marchés boursiers. Les villes l’appliquent aussi pour optimiser les flottes de véhicules autonomes. Cette autonomie croissante pousse parfois ces systèmes à s’associer aux technologies décentralisées du Web3.
La blockchain offre un cadre de confiance utile à ces réseaux de machines. Elle attribue aux agents une identité numérique vérifiable et infalsifiable. Des contrats intelligents sécurisent ensuite leurs paiements directs de machine à machine, sans intermédiaire bancaire. Cette infrastructure pose les bases d’une économie plus largement pilotée par des logiciels intelligents.
Cet article Comment les Systèmes Multi-Agents réinventent l’intelligence artificielle a été publié sur LEBIGDATA.FR.
REVE 2.0 marque une nouvelle étape dans l’univers des générateurs d’images par intelligence artificielle. Cette nouvelle version abandonne le prompt textuel au profit d’un système de mise en page visuelle. Elle promet alors un contrôle inédit sur chaque création que vous ferez.
REVE 2.0 ne se contente pas d’améliorer la génération d’images par intelligence artificielle. L’outil change complètement la manière de concevoir un visuel avec l’élimination de longues descriptions textuelles pour délivrer un résultat satisfaisant. Ici, vous serez amené à organiser directement votre composition à l’aide d’une interface graphique. Un Large Layout Model interprète ensuite la structure pour produire un rendu en 4K native.
Le fonctionnement de l’outil réduit les erreurs de placement et offre un niveau de précision rarement atteint dans le domaine. Cette évolution ouvre la voie à une production plus rapide pour les graphistes, les agences et les créateurs de contenu.
Depuis plusieurs années, les générateurs d’images nécessitaient la description d’une scène avec un prompt plus ou moins détaillé. L’IA devait ensuite interpréter les instructions qu’elle reçoit. Cette méthode fonctionne, mais elle montre aussi rapidement ses limites. Un mot mal choisi, une formulation ambiguë ou une description incomplète suffisent pour produire un mauvais résultat.
Avec REVE 2.0, l’outil ne vous demande plus de tout expliquer par écrit. Le logiciel vous offre la possibilité de construire directement la structure de chaque image que vous voulez. Les différents éléments sont directement représentés par des blocs positionnés sur un canevas. Avec la combinaison des coordonnées, le moteur comprend vite la relation entre tous les objets avant de générer le rendu final.
Cette approche offre plusieurs avantages majeurs, dont les suivants :
Ici, le Large Layout Model analyse la structure géométrique de la scène. L’outil peut alors placer chaque objet au bon endroit sans négliger le respect des proportions. REVE 2.0 peut même conserver une cohérence visuelle entre tous les éléments. Avec cette évolution, les graphistes passent moins de temps à reformuler les prompts.
Il est même plus facile de peaufiner chaque composition avec les ajustements que vous jugez essentiels pour vos images. Le déplacement d’un bloc suffit pour modifier la scène sans être obligé de régénérer une image complète. L’outil apporte un véritable contrôle créatif et conserve en même temps la puissance de génération de l’IA.
Cet outil ne ressemble pas aux plateformes IA qui exigent une maîtrise de l’art du prompt. REVE 2.0 est un outil facile à prendre en main qui mise sur une approche beaucoup plus visuelle. Avec ce modèle, vous allez réaliser une image complexe sans devoir rédiger des dizaines de lignes d’instructions.
Vous pouvez commencer par prendre des informations sur le site officiel de l’outil. Cela suffit pour découvrir les principales fonctionnalités de REVE 2.0 avant de passer en mode payant. Vous accédez à un espace de travail épuré une fois que vous serez connecté à votre compte.
La création débute par la mise en place d’une structure où chaque futur élément de l’image est représenté par un bloc. Vous pouvez les déplacer librement sur le canevas pour faciliter le repérage du moteur IA. Cette étape comprend la disposition générale de la scène avant même de commencer le rendu.
Vous avez un objet mal placé ou un personnage doit être déplacé ? Vous pouvez modifier le bloc sans toucher au reste de la composition. Cette logique réduit les itérations qui étaient autrefois nécessaires avec les prompts textuels. L’outil apporte alors une sensation de contrôle rarement rencontrée sur d’autres générateurs d’images.
Voici en résumé le processus de création d’image avec REVE 2.0 :
Chaque fonction de l’outil est pensée pour davantage de précision et réduire les manipulations inutiles. Ainsi, l’ensemble du système repose avant tout sur un éditeur de mise en page qui permet de contrôler chaque élément indépendamment. Les objets sont positionnés avec une grande précision grâce à des coordonnées spatiales.
Parmi les fonctionnalités les plus intéressantes, on retrouve notamment :
Avec le Large Layout Model, l’outil comprend facilement la hiérarchie spatiale de la scène. Les objets restent correctement positionnés, même quand plusieurs modifications sont effectuées successivement. Cette stabilité améliore sensiblement la qualité finale du rendu et l’effet produit par chaque image créée.
Par ailleurs, l’outil se distingue par sa capacité à préserver la netteté des petits détails. Les textures, les inscriptions ou encore les éléments graphiques conservent une excellente lisibilité. Cela est valable même si vous devez travailler sur des images de très grande taille. Cette caractéristique concerne particulièrement les professionnels de l’impression, de la publicité ou du design éditorial.
Toutefois, il va falloir vous adapter si vous êtes habitué à piloter une intelligence artificielle par le texte. La logique de composition demande un léger temps d’adaptation, notamment pour comprendre comment organiser efficacement les blocs avant la génération. Par ailleurs, les corrections deviennent plus rapides et les résultats sont plus cohérents une fois que vous serez habitué.
La qualité d’image reste l’un des critères les plus importants lorsqu’il s’agit de comparer les générateurs d’images. Sur ce point, Reve 2.0 produit des rendus en 4K native pouvant atteindre seize mégapixels. Ce niveau de définition répond aussi bien aux besoins du web qu’à ceux de l’impression professionnelle.
À noter que cette montée en résolution ne se fait pas au détriment de la qualité globale. Les textures apparaissent plus détaillées et les contours gagnent en précision. Ajouter à cela, les effets de lumière conservent davantage de nuances, même sur les scènes les plus complexes. Cette qualité d’affichage explique en partie les excellents résultats obtenus par le modèle dans plusieurs classements consacrés aux intelligences artificielles génératives.
Au-delà de la définition, c’est surtout la cohérence visuelle qui impressionne avec REVE 2.0. Les petits détails restent parfaitement lisibles et les objets gardent leurs proportions. De plus, les imperfections habituellement observées sur certains générateurs deviennent plus rares. Cette stabilité représente un véritable avantage pour les professionnels qui recherchent des images exploitables sans longues retouches.
Par ailleurs, les inscriptions sont plus propres, avec moins de caractères déformés ou illisibles. Il faut savoir que la montée en puissance de REVE 2.0 a un coût. La génération d’images aussi détaillées demande davantage de ressources de calcul. Ainsi, quelques secondes supplémentaires peuvent être nécessaires pour obtenir le rendu final. Cette durée dépend en principe de la complexité du projet ou de l’affluence sur les serveurs.
Dans la pratique, cette attente reste relativement modérée face au niveau de qualité obtenu. Pour des projets destinés à des campagnes marketing, le gain de précision compense largement ce léger temps de traitement supplémentaire. Reve 2.0 démontre ainsi qu’il est possible d’allier finesse, stabilité et contrôle créatif dans une seule et même plateforme.
L’outil adopte un modèle d’abonnement qui s’adapte aux différents profils d’utilisateurs. Une offre gratuite permet d’abord de découvrir l’interface et de tester les principales fonctionnalités. C’est un bon moyen de se familiariser avec la logique de mise en page. Cela vous donnera aussi le temps d’évaluer la qualité des rendus avant de passer à une formule payante.
Pour les besoins plus réguliers, le premier abonnement est proposé à partir de 8,4 dollars par mois. Il convient parfaitement aux créateurs qui réalisent quelques projets chaque semaine sans avoir besoin d’une importante capacité de calcul. En outre, la formule intermédiaire, affichée à 20,9 dollars mensuels, vise les utilisateurs plus actifs. Elle donne accès à davantage de ressources de génération, réduit les temps d’attente et offre une expérience plus fluide.
Sinon, ceux qui cherchent plus de performances peuvent choisir l’offre Premium de 49,9 dollars par mois. Cette formule met l’accent sur la performance, avec un accès prioritaire aux serveurs. Vous aurez aussi droit à des capacités de génération plus importantes pour répondre à des besoins professionnels.
Au-delà des abonnements classiques, Reve 2.0 propose également une API destinée aux développeurs et aux entreprises. Cette option permet d’intégrer directement le moteur de génération dans leurs propres applications. Il est alors possible d’automatiser certains processus de création et profiter des avantages du Large Layout Model.
Le coût de cette intégration dépend principalement de plusieurs critères, notamment la résolution choisie. Il faudrait aussi prendre en compte le nombre de générations effectuées ou les fonctionnalités avancées utilisées. Cette tarification à l’usage offre davantage de flexibilité aux entreprises qui souhaitent adapter leurs dépenses à leur activité réelle.
Cet article REVE 2.0 : l’outil IA qui va bousculer la création d’image a été publié sur LEBIGDATA.FR.
L’informatique traverse une crise de croissance majeure face à l’explosion des volumes de données. Les infrastructures matérielles peinent désormais à suivre ce rythme soutenu de progression. L’approche Subquadratic SubQ émerge pour répondre à cette saturation technique. Elle redéfinit efficacement la gestion de la mémoire et des calculs massifs.
Les géants du secteur cherchent aujourd’hui à dépasser les limites physiques des processeurs. Leurs architectures classiques butent inévitablement sur un plafond de performance structurel. Une refonte mathématique devient indispensable pour garantir la progression du domaine. Les récentes publications scientifiques confirment l’urgence de cette transformation architecturale.
La prolifération des données bouscule les infrastructures logicielles actuelles. Chaque jour, les entreprises traitent des milliards de lignes de code et de transactions. Les méthodes traditionnelles se heurtent désormais à un mur physique infranchissable. Ce blocage provient de la complexité quadratique O(n2), où le calcul croît au carré des données.
À l’échelle industrielle, l’impact de cette équation devient immédiat. Si le volume de données double, le temps de traitement quadruple. Une opération simple peut ainsi paralyser un serveur pendant plusieurs jours. Cette logique crée une dépendance intenable envers la puissance matérielle brute.
Face aux coûts énergétiques, attendre la nouvelle génération de puces ne suffit plus. Les centres de données saturent et les budgets cloud explosent rapidement. Les limites de la loi de Moore forcent à repenser l’optimisation. Une rupture purement algorithmique devient désormais la priorité absolue.
L’informatique privilégie des structures sobres pour sortir de l’impasse des calculs au carré. L‘approche Subquadratic SubQ désigne les algorithmes dont la complexité croît moins vite que O(n2). Les chercheurs s’appuient sur des notations rigoureuses comme O(n log n) ou O(n1.5). Ces modèles garantissent une croissance prévisible lors du traitement de volumes massifs.
Les ingénieurs déploient des stratégies spécifiques pour briser ce plafond technique. La méthode « Diviser pour régner » fragmente un problème complexe en plusieurs sous-unités indépendantes. En parallèle, l’usage de tables de hachage évite de parcourir l’intégralité du système. L’algorithme cible directement l’adresse mémoire nécessaire pour optimiser les calculs.
Un exemple classique illustre la supériorité de cette approche en production. Le tri à bulles traditionnel s’effondre rapidement face aux volumes massifs de données. À l’inverse, le tri fusion adopte une logique subquadratique pour réorganiser les éléments. Ce simple basculement réduit des traitements de plusieurs heures à quelques secondes.
En 2017, l’article « Attention Is All You Need » a révolutionné l’IA avec l’architecture Transformer. Ce modèle alimente désormais la majorité des systèmes de langage modernes. Malgré son succès, il cache une faiblesse mathématique structurelle. Son mécanisme de Self-Attention évalue chaque mot par rapport à tous les autres.
Cette opération génère une matrice dense dont la taille équivaut au carré du nombre de mots (n×n). L’analyse des dépendances devient alors nativement quadratique. Cette exigence sature rapidement la mémoire vive (VRAM) dès que la séquence s’allonge. Les fenêtres de contexte des premières IA restaient donc sévèrement limitées par cette barrière physique.
Pour pallier ce défaut, les chercheurs ont longtemps testé des solutions peu efficaces. Le fenêtrage glissant forçait le modèle à oublier les données anciennes pour économiser des ressources. Parallèlement, les coûts d’inférence élevés ont freiné l’adoption généralisée de ces outils. Le développement d’une alternative économique est devenu un impératif pour l’avenir de cette technologie.
L’architecture Subquadratic SubQ élimine la complexité quadratique de la matrice d’attention classique (n×n). Elle remplace le calcul exhaustif des scores par un mécanisme d’attention sous-quadratique linéaire. Un algorithme de filtrage dynamique sélectionne en amont les relations lexicales pertinentes. Ce système intelligent réduit drastiquement le volume de connexions à analyser.
Les ingénieurs appliquent cette méthode chirurgicale sur des modèles open-source existants. Ils substituent la couche d’attention dense d’origine par ce module sous-quadratique linéaire. Cette approche hybride préserve l’intelligence cognitive initiale tout en allégeant la structure. Les besoins en calcul chutent grâce à une réduction massive des opérations requises.
L’efficacité globale de ce système augmente avec la longueur des documents. Sur des volumes massifs, la vitesse d’exécution dépasse la référence FlashAttention-2. Cette optimisation transforme la contrainte de traitement en une courbe quasi linéaire. L’infrastructure matérielle gère ainsi des flux continus sans saturer la VRAM.
L’origine de Subquadratic repose sur l’alliance de l’entrepreneur Justin Dangel, qui assure la direction générale, et d’Alexander Whedon, expert en systèmes. Désireux de transformer une intuition académique en un produit industriel rentable, ils ont structuré leur start-up autour d’une équipe de pointe.
Pour cela, ils ont recruté des ingénieurs et chercheurs issus de prestigieux laboratoires comme Meta FAIR et Google Research. Partageant une frustration commune face au conservatisme des architectures actuelles, ce collectif s’est réuni pour innover et briser le monopole financier des fournisseurs d’IA traditionnels.
Établie au sein de l’écosystème dynamique de Miami, la start-up est officiellement sortie de l’ombre en mai 2026, après plusieurs mois de développement discret. L’entreprise a immédiatement captivé le secteur de la tech lors de sa révélation publique en sécurisant 29 millions de dollars lors d’une levée de fonds.
La technologie Subquadratic SubQ révolutionne les limites du traitement textuel. Elle propose une fenêtre de contexte native atteignant 12 millions de tokens. Cette extension spectaculaire de la mémoire s’accompagne d’un effondrement des coûts d’exploitation. Selon le benchmark RULER, un traitement massif coûte seulement huit dollars contre des milliers auparavant.
Ce bond en avant remet en question la pertinence de la recherche documentaire externe. Les entreprises utilisaient jusqu’ici la méthode du RAG pour compenser le manque de mémoire. Ce système découpait l’information en fragments sélectionnés au lieu de tout lire. Désormais, le besoin de segmenter s’efface au profit d’une analyse native et intégrale.
Cette capacité préserve la vision panoramique indispensable aux analyses complexes. Un cabinet juridique peut ainsi soumettre l’intégralité des archives d’un procès. De son côté, un ingénieur logiciel peut charger tout un répertoire de code source. Cette approche unifiée élimine les hallucinations fréquentes liées au manque de contexte.
L’entreprise Subquadratic a publié les détails techniques de son modèle SubQ 1.1 Small les 16 et 17 juin 2026. Cette démarche assure la transparence nécessaire face aux spéculations de la communauté. L’organisme indépendant Appen a supervisé et validé l’ensemble des protocoles. Les résultats confirment un taux de récupération de 98% sur 12 millions de jetons.
Les chercheurs ont intégré leur formule d’attention à un modèle performant existant. Cette phase de post-entraînement a nécessité mille milliards de jetons de haute qualité. Le système exige désormais 64,5 fois moins de calculs pour une séquence d’un million de jetons. La vitesse brute est multipliée par 56 par rapport à la référence FlashAttention-2.
Cette optimisation de la mémoire préserve l’intelligence globale du modèle. Sur le benchmark AutomationBench Finance, la structure démontre des capacités d’analyse de haut niveau. Elle corrèle des rapports divergents tout en maintenant une logique interne rigoureuse. Ces métriques prouvent la viabilité économique du projet face aux architectures denses classiques.
Malgré des chiffres flatteurs, le modèle Subquadratic SubQ fait face à d’importantes réserves techniques. L’infrastructure de la start-up demeure un écosystème entièrement fermé. Les poids numériques ne sont pas disponibles en téléchargement libre. Les développeurs extérieurs doivent s’inscrire sur une liste d’attente restrictive.
Cette absence d’ouverture empêche tout audit indépendant par des chercheurs tiers. De nombreux ingénieurs expriment leur scepticisme face à des résultats impossibles à répliquer. Par ailleurs, le mécanisme de routage dynamique introduit une complexité inédite. Un afflux massif d’utilisateurs pourrait créer des goulots d’étranglement imprévus.
Les capacités du modèle en logique pure et en abstraction restent à démontrer. Les architectures éparses sous-performent souvent les modèles denses sur des énoncés courts. La gestion de la concurrence multi-utilisateur sera le véritable test pour cette technologie. Tant que l’API ne sera pas ouverte, le projet restera une promesse théorique.
Le marché des architectures alternatives aux Transformers classiques est en pleine effervescence. La solution Subquadratic fait face à la concurrence directe des modèles d’espace d’état, comme Mamba. Cette architecture rivale a prouvé son efficacité avec une complexité linéaire O(n). Je suis convaincu que cette rivalité intense va accélérer le rythme des découvertes scientifiques.
Les ingénieurs comparent minutieusement ces deux approches. Les modèles linéaires excellent dans le traitement séquentiel mais peuvent omettre des détails lointains. Les structures subquadratiques hybrides maintiennent, elles, un ciblage précis grâce à leur sélection dynamique. Le choix technique dépendra donc surtout de la nature des applications visées.
L’intégration aux standards industriels, comme Hugging Face ou vLLM, est un enjeu commercial crucial. Les nouvelles architectures doivent s’adapter à ces frameworks sans exiger de réécriture complète. L’efficacité énergétique dicte désormais l’agenda de la recherche mondiale. Cette transition vers des structures optimisées est devenue une nécessité pour l’industrie.
Cet article L’architecture Subquadratic SubQ est-elle le chaînon manquant de l’ère post-Transformer ? a été publié sur LEBIGDATA.FR.
Derrière le blocage soudain de Claude Fable 5 par Washington se cachent des révélations explosives. Entre soupçons d’espionnage chinois, alerte secrète lancée par le PDG d'Amazon et failles de sécurité à répétition, les coulisses de l'affaire ébranlent la crédibilité d'Anthropic.
Adieu la neutralité du net, bonjour la censure religieuse. Aux États-Unis, un opérateur vient de lancer un forfait « centré sur Jésus » qui bloque d'office la pornographie et les contenus LGBTQ+. Une restriction radicale et impossible à désactiver qui compte combler le vide laissé avec de l'intelligence artificielle.
Dans un article de blog publié le 19 février 2026, les chercheurs en cybersécurité d'ESET mettent en lumière un nouveau malware baptisé PromptSpy. Point d'intérêt majeur ? La façon dont ce logiciel malveillant intègre l'IA dans son fonctionnement.
Google a lancé, le 21 janvier 2026, une fonctionnalité intégrée à son IA Gemini permettant de réviser le SAT en conditions réelles. Un examen qui est fréquemment demandé pour l’admission dans de nombreuses universités aux États-Unis, ainsi que dans certains programmes internationaux.
Cet article a été réalisé en collaboration avec Bitdefender
Et si vous débutiez 2026 en disant stop aux arnaques en ligne ? Voici comment y parvenir facilement grâce à l’IA et à de bons outils (gratuits, pour certains).
Cet article a été réalisé en collaboration avec Bitdefender
Il s’agit d’un contenu créé par des rédacteurs indépendants au sein de l’entité Humanoid xp. L’équipe éditoriale de Numerama n’a pas participé à sa création. Nous nous engageons auprès de nos lecteurs pour que ces contenus soient intéressants, qualitatifs et correspondent à leurs intérêts.
Alors que 2025 s'achève, que retenir des moments scientifiques qui ont marqué l'année ? Entre un mystérieux visiteur stellaire, des statues vieilles de plusieurs siècles et des crises écologiques, 2025 fut riche en surprises.
C'est la nouvelle arme fatale de l'armée française : le projet Pendragon, une unité robotique autonome dont la révolution est comparée au premier essai nucléaire. La France dévoile ses travaux sur cet essaim de drones, dont la concrétisation opérationnelle est attendue pour 2027.
Dans une étude publiée le 13 novembre 2025, la société américaine Anthropic met en lumière ce qu’elle considère comme « la première campagne de cyberespionnage orchestrée par IA ». Dans cette opération, attribuée à un acteur chinois, les outils d’intelligence artificielle ne servent plus seulement d’appuis, mais jouent un rôle autonome dans différentes phases de l’attaque.
[Témoignage] Julien est-il le Français avec le plus de données sur lui-même, sa santé et ses efforts physiques ? Si on exclut les sportifs professionnels, peut-être. Avec les wearables, l'IA et les agents, ces données bien interprétées pourraient être la clef d'une révolution en matière de santé publique. Que possède-t-on et que peut-on faire après 15 ans de quantified self ? C'est ce qu'il va vous raconter.
Un élu républicain de l’Ohio a déposé fin septembre un projet de loi visant à interdire toute union entre des humains et des intelligences artificielles. Le texte entend aussi limiter les droits légaux des systèmes d’IA et renforcer la responsabilité de leurs concepteurs en cas de dommages causés au public.
L’assassinat de Charlie Kirk, figure de la droite américaine, le 10 septembre a déclenché une vague de fausses vidéos de lui et d'hommages générés par intelligence artificielle, des vidéos pseudo-religieuses aux messages trompeurs de stars, enclenchant une nouvelle ère du deuil numérique.
Aspyr Média a finalement retiré le contenu généré par IA dans sa compilation Tomb Raider IV-VI Remastered, après que Françoise Cadol, voix française de Lara Croft, ait mis en demeure l'éditeur. Les doubleuses et les doubleurs qui se mobilisent contre l’IA s'en réjouissent.
Un rapport publié par la société de cybersécurité sud-coréenne Genians révèle les dessous d'une campagne de cyberespionnage menée par un groupe nord-coréen proche du pouvoir de Pyongyang. Fait notoire dans cette opération, les hackers sont parvenus à tromper ChatGPT en lui faisant générer de faux papiers d'identité militaire.
Françoise Cadol, la voix française emblématique de Lara Croft, met en demeure Aspyr Media qu'elle accuse d’avoir reproduit sa voix à l’aide d'une intelligence artificielle.
La compilation Tomb Raider IV-VI Remastered a reçu un patch qui fait scandale en raison du remplacement de certaines lignes de dialogue en français par une IA. La doubleuse Françoise Cadol n'a, semble-t-il, pas été mise au courant.
Une enquête mondiale menée en novembre dernier par Recon Analytics pour le compte de Seagate Technology révèle que l’adoption croissante des applications d’IA génère des volumes de données sans précédent, entraînant une explosion de la demande de stockage, en particulier dans le cloud.
Recon Analytics a interrogé 1 062 acheteurs et décideurs d’infrastructures de stockage d’entreprises déclarant un chiffre d’affaires annuel supérieur à 10 millions de dollars et une capacité de stockage actuelle supérieure à 50 To dans 10 pays. Selon son enquête, 72 % des entreprises interrogées utilisent déjà l’IA et 28 % prévoient de l’adopter d’ici trois ans.
Selon l’étude, 61 % des entreprises qui utilisent le cloud comme principal support de stockage anticipent une augmentation de plus de 100 % de leur capacité cloud d’ici 2028. Cette croissance est principalement soutenue par l’utilisation des disques durs, qui offrent une rentabilité équivalente à celle du téraoctet par euro et restent la technologie de prédilection des fournisseurs de services cloud. En effet, selon le rapport 2024 IDC Cloud Infrastructure Index, 89 % des données stockées par les principaux fournisseurs de services cloud le sont sur des disques durs.
Les répondants ont indiqué que 65 % de leurs données d’IA étaient stockées dans le cloud en 2024,un pourcentage qui devrait monter à 69 % d’ici 2028.
Crédit image : Recon Analytics. Utilisation du cloud en pourcentage du stockage actuel du client par rapport à l’avenir.
Roger Entner, fondateur et analyste principal de Recon Analytics, souligne :
“Les résultats de l’enquête indiquent généralement une augmentation à venir de la demande de stockage de données, les disques durs étant les grands gagnants. Si l’on considère que les dirigeants d’entreprise interrogés ont l’intention de stocker de plus en plus de ces données basées sur l’IA dans le cloud, il semble que les services cloud soient bien placés pour surfer sur une deuxième vague de croissance.”
L’enquête révèle que, parmi les composants essentiels de l’infrastructure IA, le stockage arrive en deuxième position, juste derrière la sécurité : 66 % des personnes interrogées ont classé le stockage parmi leurs quatre préoccupations les plus importantes en matière d’infrastructure, tandis que 68 % ont classé la sécurité parmi les quatre premiers.
Crédit image : Recon Analytics. Importance des composantes de l’infrastructure d’IA
Les défis liés à la sécurité et à la conformité réglementaire sont également au cœur des préoccupations. La mise en œuvre de solutions de stockage cloud plus évolutives (61 % des répondants) est l’une des principales stratégies adoptées par les entreprises, suivie par l’amélioration des logiciels de gestion des données (56 %) tandis que 55 % investissent dans la mise à niveau de leurs infrastructures existantes et 49 % mettent en œuvre des techniques de compression des données.
Mesures prises par les entreprises pour s’adapter aux besoins croissants en données de l’IA
Les entreprises considèrent que la conservation des données sur de plus longues périodes est cruciale pour améliorer la précision des modèles d’IA : 90 % des répondants estiment qu’une rétention prolongée des données optimise la qualité des résultats produits par l’IA.
L’enquête met en lumière une exigence croissante en matière de fiabilité et de durabilité des données stockées : 88 % des répondants estiment que l’adoption d’une IA digne de confiance repose sur la capacité à stocker des volumes massifs de données sur des durées prolongées. La réplication des données est jugée très ou modérément importante par 80 % des répondants pour garantir l’intégrité de l’IA.
Parmi les personnes interrogées qui enregistrent les points de contrôle quotidiennement (28 % des répondants), 32 % conservent les données pendant plus de 12 mois, tandis que 29 % les conservent pendant six à 12 mois. Les entreprises qui utilisent plus de 100 Po de stockage enregistrent et sauvegardent les points de contrôle sur une base quotidienne ou hebdomadaire, 87 % d’entre elles stockant ces points de contrôle dans le cloud ou dans un mélange de disques durs et de disques SSD.
Recon Analytics anticipe une croissance exponentielle des besoins en stockage des entreprises. Cette tendance se renforcera lorsque les entreprises passeront de la phase d’essai de l’IA à une utilisation active. L’entraînement des LLMs, la réplication des données et l’allongement des périodes de conservation des données, qui sont des éléments essentiels d’une stratégie d’IA, nécessiteront des investissements accrus en stockage pour garantir le succès.
C’est sous la licence MIT, l’une des licences open source les plus permissives, que DeepSeek, acteur chinois de la GenAI, a publié ce jeudi 26 décembre la dernière version de son modèle éponyme. L’annonce de DeepSeek-V3 a d’autant plus suscité l’attention que les performances du modèle seraient comparables, voire supérieures à celles de principaux modèles à source fermée, comme GPT-4o ou Claude 3.5 Sonnet, et ce, malgré un coût d’entraînement drastiquement réduit.
Alors que la guerre technologique autour de l’IA entre les Etats-Unis et la Chine continue de s’intensifier avec l’annonce il y a moins d’un mois de nouvelles restrictions, DeepSeek démontre qu’il est néanmoins possible de développer des LLMs capables de rivaliser avec les meilleurs modèles américains.
Créée en mai 2023 à Hangzhou, la start-up, dirigée par Liang Wenfeng, est une filiale du fonds spéculatif High-Flyer. Son ambition est la même que celle affichée par OpenAI : développer une IA au service de l’humanité et atteindre l’IAG, des systèmes d’IA qui dépassent les capacités cognitives des êtres humains dans de nombreux domaines.
Tout juste un an plus tard, l’entreprise lançait DeepSeek-V2, un modèle de langage performant proposé à un coût compétitif, déclenchant une guerre des prix sur le marché chinois de l’IA et amenant ses principaux concurrents notamment Zhipu AI, ByteDance, Alibaba, Baidu, Tencent à revoir leurs prix à la baisse.
La semaine dernière, elle a présenté son successeur, DeepSeek-V3, comptant 671 milliards de paramètres, entraîné durant un peu moins de deux mois grâce aux GPU H 800 que les USA autorisaient NVIDIA à lui vendre jusqu’à l’an passé. Un total de 2 788 000 heures estimé à un coût de 5 576 000
par million de tokens en entrée, 1,10 $ par million de tokens en sortie.
Le modèle est téléchargeable sur Hugging Face. Le code complet ainsi qu’une documentation technique détaillée sont quant à eux disponibles sur GitHub.
Son développement a réuni un consortium exceptionnel de partenaires, dont le cluster de supercalculateurs Jean-Zay (Genci, Idris, Eviden), NVIDIA, TractoAI, Wikimedia Entreprise. Il a également bénéficié du soutien de grandes organisations open-source, dont la Mozilla Foundation, l’AI Alliance et Eleuther AI, renforçant son engagement envers la science ouverte et l’innovation collaborative.
Comptant plus de 2 000 milliards de tokens, le Common Corpus est le plus grand ensemble de données d’entraînement pour les LLMs exclusivement composé de textes appartenant au domaine public.
Il se distingue par plusieurs caractéristiques fondamentales :
Pleias présente trois modèles qui sont, de par leurs données d’entraînement, entièrement conformes au RGPD et à l’AI Act européen :
Ils fonctionnent efficacement sur du matériel grand public, leur petite taille les rendant particulièrement adaptés aux environnements où les ressources informatiques sont limitées ou pour des applications nécessitant une faible latence.
Anastasia Stasenko, PDG de Pleias, conclut :
“Notre approche démontre qu’il est possible de créer des modèles de langage puissants tout en respectant pleinement la loi sur le droit d’auteur, les exigences du RGPD et les principes éthiques de l’IA”.
Depuis l’émergence des grands modèles de langage (LLMs), certains ont été qualifiés d’“ouverts”, ce qui a pu prêter à confusion avec le terme “open source” lors de leur présentation. En février dernier, l’Allen Institute for Artificial Intelligence (Ai2), a publié la première version d’OLMo, (Open Language Model), un LLM qui répond aux critères stricts de l’OSAID, la définition de l’IA open source de l’OSI. Le modèle a depuis été mis à jour en avril et dernièrement avec OLMo 2 qu’il présente comme “le meilleur modèle de langage entièrement ouvert à ce jour”.
AI2 est un institut de recherche à but non-lucratif fondé en 2014 par Paul Allen, philanthrope et cofondateur de Microsoft, décédé en 2018. Son objectif est de favoriser le développement de l’intelligence artificielle au service de la société, en mettant l’accent sur des applications responsables et éthiques. L’institut collabore avec des universités, des entreprises et d’autres institutions de recherche pour stimuler l’innovation dans ce domaine.
AI2 se concentre sur des domaines variés tels que la compréhension du langage naturel, la vision par ordinateur, l’apprentissage automatique et la robotique. Parmi ses contributions majeures, on trouve Semantic Scholar, un moteur de recherche avancé destiné à aider les chercheurs à accéder et à analyser des articles scientifiques, ainsi que AllenNLP, une bibliothèque open source dédiée au traitement du langage naturel.
Dans le domaine de la GenAI, AI2 milite également pour l’open source. Après Molmo, une famille de modèles d’IA multimodaux, il présente OLMo2, sa dernière famille de modèles de langage.
Dans le cadre de la validation et de la mise à l’essai de l’OSAID, la première version d’OLMo a été considérée comme réellement open source tout comme Pythia (Eleuther AI), Amber et CrystalCoder (LLM360) et T5 (Google) contrairement à Llama de Meta ou Grok de xAI. OLMo 2 correspond lui aussi pleinement aux critères exigés.
AI2 écrit sur son blog :
“Parce que la science entièrement ouverte nécessite plus que des poids ouverts, nous sommes ravis de partager une nouvelle série de mises à jour d’OLMo, y compris des poids, des données, du code, des recettes, des points de contrôle intermédiaires et des modèles optimisés pour les instructions, avec la communauté plus large de la modélisation du langage !”
OLMo 2 est une nouvelle famille de modèles de langage de 7 et 13 milliards de paramètres, le premier a été entraîné sur environ 4,05 milliards de tokens tandis que le second l’a été sur un total de 5 000 milliards de tokens.
Les modifications architecturales principales apportées à OLMo incluent l’intégration de RMSNorm pour une meilleure stabilité et l’utilisation de plongements positionnels rotatifs.
AI2 a utilisé une approche en 2 étapes. Pour la 1ère, les modèles ont été pré-entraînés avec OLMo-Mix-1124, une collection d’environ 3,9 milliards de jetons. Les modèles ont, dans un second temps, été affinés avec un mélange composé à part égale de données web filtrées et de données spécifiques à un domaine (contenu académique, forums de questions-réponses, données d’instructions et cahiers d’exercices mathématiques, à la fois synthétiques et générés par l’homme) provenant de Dolmino-Mix-1124. L’Institut a ensuite échantillonné les 843 milliards de tokens obtenus pour optimiser leurs performances lors des étapes finales d’entraînement.
Selon les évaluations d’AI2, OLMo 2 7B et 13B sont les meilleurs modèles entièrement ouverts à ce jour, surpassant souvent les modèles de “poids ouverts” de taille équivalente, tout en égalant voire dépassant certains modèles partiellement propriétaires. Par exemple, OLMo-2-7B surpasse Llama 3.1 8B de Meta tandis qu’OLMo-2-13B dépasse Qwen 2.5 7B d’Alibaba Cloud malgré un coût de calcul moindre.
AI2 a utilisé Tülu 3, sa famille de modèles de suivi d’instructions, pour les variantes Instruct d’OLMo 2. Celles-ci ont été évaluées sur leurs capacités de suivi d’instructions, de rappel des connaissances, de mathématiques et de raisonnement général. Elles se sont révélées compétitives avec les meilleurs modèles à poids ouverts, OLMo 2 13B Instruct surpassant les modèles Qwen 2.5 14B instruct, Tülu 3 8B et Llama 3.1 8B instruct.
L’IA peut-elle améliorer la précision des diagnostics médicaux ? Des chercheurs d’UVA Health, un réseau de soins de santé affilié à l’Université de Virginie, ont tenté de répondre à cette question. Le résultat de leur étude est surprenant : si l’IA peut effectivement surpasser les performances des médecins dans certaines tâches de diagnostic, son intégration dans leur flux de travail n’a pas significativement amélioré leurs performances globales.
Les grands modèles de langage (LLM) ont montré des résultats prometteurs dans la réussite aux examens de raisonnement médical, qu’il s’agisse de questions à choix multiples ou de questions ouvertes. Cependant, leur impact sur l’amélioration du raisonnement diagnostique des médecins en situation réelle reste à déterminer.
Andrew S. Parsons, qui supervise l’enseignement des compétences cliniques aux étudiants en médecine de la faculté de médecine de l’Université de Virginie et codirige le Clinical Reasoning Research Collaborative, et ses collègues de l’UVA Health ont voulu mettre ChatGPT Plus (GPT-4) à l’épreuve. Leur étude, a été publiée dans la revue scientifique JAMA Network Open et acceptée ce mois-ci par le symposium 2024 de l’American Medical Informatics Association.
Les chercheurs ont recruté 50 médecins exerçant en médecine familiale, en médecine interne et en médecine d’urgence pour lancer un essai clinique randomisé et contrôlé dans trois hôpitaux de pointe : UVA Health, Stanford et le Beth Israel Deaconess Medical Center de Harvard. La moitié d’entre eux ont été assignés aléatoirement à l’utilisation de ChatGPT en plus de méthodes conventionnelles telles que Google ou des sites de référence médicaux comme UpToDate, tandis que l’autre moitié s’est appuyée uniquement sur ces méthodes conventionnelles.
Les participants ont eu 60 minutes pour examiner jusqu’à 6 vignettes cliniques, des outils pédagogiques utilisés dans le domaine médical pour évaluer et améliorer les compétences cliniques des professionnels de santé. Ces vignettes, basées sur des cas réels, comprenaient des détails sur les antécédents des patients, des examens physiques et des résultats d’analyses de laboratoire.
L’étude a révélé que les médecins utilisant ChatGPT Plus obtenaient une précision diagnostique médiane de 76,3 %, légèrement supérieure aux 73,7 % des médecins s’appuyant uniquement sur des outils traditionnels. Si l’écart reste modeste, en revanche, Chat GPT Plus, utilisé indépendamment, a atteint une précision impressionnante de 92 %.
Si les participants à l’essai utilisant ChatGPT Plus ont atteint un diagnostic un peu plus rapidement dans l’ensemble (519 secondes contre 565 secondes par cas), paradoxalement, ils ont réduit la précision diagnostique de l’IA.
Pour les chercheurs, cette baisse de la précision pourrait être due aux invites utilisées. Ils soulignent la nécessité de former les cliniciens à l’utilisation optimale de l’IA, notamment en exploitant les prompts de manière plus efficace. Sinon, les organisations de soins de santé pourraient acheter des invites prédéfinies à mettre en œuvre dans le flux de travail et la documentation clinique.
Selon eux, ChatGPT Plus se comporterait probablement moins bien dans la vie réelle, où de nombreux autres aspects du raisonnement clinique entrent en jeu, en particulier pour déterminer les effets en aval des diagnostics et des décisions de traitement. Ils demandent des études supplémentaires pour évaluer les capacités des grands modèles de langage dans ces domaines et mènent une étude similaire sur la prise de décision de gestion.
Les résultats révèlent une nuance essentielle : bien que les LLM soient capables de performances autonomes impressionnantes, leur utilisation en complément des méthodes traditionnelles n’a pas significativement amélioré la précision diagnostique des médecins.
Les chercheurs avertissent que “les résultats de cette étude ne doivent pas être interprétés comme indiquant que les LLM devraient être utilisés pour le diagnostic de manière autonome sans la surveillance d’un médecin” ajoutant que “des développements supplémentaires dans les interactions homme-machine sont nécessaires pour réaliser le potentiel de l’IA dans les systèmes d’aide à la décision clinique”.
Ils ont d’ailleurs lancé un réseau bicôtier d’évaluation de l’IA appelé ARiSE (AI Research and Science Evaluation) afin d’évaluer davantage les résultats de la GenAI dans les soins de santé.
Références de l’article
“Influence d’un grand modèle de langage sur le raisonnement diagnostique. Un essai clinique randomisé” doi :10.1001/jamanetworkopen.2024.40969
Equipe de recherche : Ethan Goh, Robert Gallo, Jason Hom, Eric Strong, Yingjie Weng, Hannah Kerman, Joséphine A. Cool, Zahir Kanjee, Andrew S. Parsons, Neera Ahuja, Eric Horvitz, Daniel Yang, Arnold Milstein, Andrew P.J. Olson, Adam Rodman et Jonathan H. Chen.
Pour la délégation sénatoriale à la prospective, tous les secteurs d’activité seront bouleversés par l’IA générative et le secteur public n’y fera pas exception. “IA et éducation”, est l’une des cinq thématiques de son programme de travail 2024, “L’intelligence artificielle et l’avenir du service public”. Pour les rapporteurs, il ne s’agit plus de décider si l’IA doit être intégrée dans l’éducation, elle y a déjà fait irruption, mais de savoir comment accompagner son développement et répondre aux défis qu’elle pose.
La thématique “IA et éducation” a été confiée à Bernard Fialaire (RDSE, Rhône) et Christian Bruyen (LR, Marne). Ils soulignent dans le rapport qu’ils ont présenté le 30 octobre dernier, le potentiel de l’IA pour l’accès au savoir et les apprentissages mais également le besoin de lignes directrices claires.
Les sénateurs écrivent :
“Qu’il s’agisse de personnaliser l’enseignement en l’adaptant à l’élève ou d’épauler les enseignants dans la conception des cours et l’évaluation des apprentissages, les cas d’usage de l’IA dans l’éducation sont nombreux. Cependant, faute de cadre structuré, l’appropriation de ces outils par les acteurs du système éducatif, enseignants, élèves, établissements, loin d’être systématique, apparaît encore très inégale”.
Les jeunes ont très vite adopté les outils de GenAI. Un sondage réalisé auprès de lycéens scolarisés en région Nouvelle-Aquitaine révèle ainsi que plus de 90 % des élèves de seconde les ont déjà utilisés comme aide aux devoirs. Une étude récente de Digital Education Council a démontré que l’IA est désormais perçue comme une composante indispensable des études universitaires. ChatGPT est aujourd’hui l’outil d’IA le plus utilisé par les élèves quel que soit leur niveau d’études.
Selon les rapporteurs, l’IA pourrait permettre de personnaliser les cours en fonction du profil de chaque élève. Dans le cadre de cet apprentissage “adaptatif”, “les connaissances de l’élève, ses appétences, ses capacités, mais également, s’agissant notamment de l’apprentissage des langues, son contexte socio-culturel, peuvent être mieux pris en compte”.
L’IA peut aider les enseignants à identifier les difficultés d’apprentissage et ainsi lutter contre le risque de décrochage scolaire. Un tableau de bord permet aux enseignants
d’organiser et de suivre les apprentissages en classe et à la maison en gardant une vue
d’ensemble des travaux effectués par les élèves et de leur progression. Les sénateurs donnent pour exemple l’outil de remédiation en français et en mathématiques “MIA Seconde”, développé par EvidenceB.
Pour eux, l’approche personnalisée est très prometteuse, ils commentent :
“L’enseignant peut rendre le processus d’apprentissage plus ludique en s’appuyant, pour chaque élève, sur le juste équilibre entre un exercice trop facile, facteur de démotivation, et un exercice trop difficile, source de découragement. Il s’agit de viser la zone proximale de développement (ZPD), c’est-à-dire l’espace cognitif situé entre la zone d’autonomie et la zone de rupture, dans lequel l’élève reste mobilisé, car il se sent capable de réussir une tâche avec une aide appropriée”.
L’IA pourrait également alléger la charge de travail des enseignants, notamment en automatisant certaines tâches administratives et répétitives, leur permettant de se concentrer davantage sur la pédagogie et les élèves qui connaissent le plus de difficultés.
Christian Bruyen et Bernard Fialaire soulignent également son potentiel prometteur pour un apprentissage plus inclusif : les élèves en situation de handicap, grâce à des fonctionnalités comme les sous-titres, les traducteurs en langue des signes ou les lecteurs d’écran, peuvent poser des questions et communiquer comme les autres apprenants. Ils évoquent notamment les applications développées afin d’aider les enfants atteints de troubles du spectre autistique (TSA) à communiquer plus aisément et à favoriser leur concentration.
Leur rapport salue l’engagement de la France en matière d’IA dans l’éducation, via le programme France 2030 et des initiatives comme OpenLLM France, lauréat de l’AAP “Communs Numériques pour IA Générative”, dont l’objectif est de développer un LLM totalement ouvert dédié à l’éducation. Cependant, ils rappellent les questions éthiques soulevées par des technologies plus controversées, comme celles analysant la participation et la concentration des élèves via des capteurs physiologiques.
Outre des craintes pour l’avenir de leur profession, le rapport met en évidence le manque de confiance des enseignants vis à vis des outils d’IA:
“Nombre d’acteurs soulignent le manque de preuves scientifiques sur les apports pédagogiques de l’IA et l’efficacité des outils disponibles pour faire progresser les élèves et les accompagner vers la réussite”.
Les deux sénateurs proposent donc de mieux accompagner les enseignants, de structurer l’intégration de l’IA dans les programmes scolaires et d’assurer une évaluation indépendante des outils IA.
En juin dernier, ABBYY, une multinationale spécialisée dans le traitement intelligent des documents et l’automatisation, a mené, en partenariat avec l’institut Opinium, une enquête auprès de 1 200 décideurs informatiques en France, au Royaume-Uni, aux États-Unis, en Allemagne, en Australie et à Singapour. Elle dévoile dans son rapport “ABBYY State of Intelligent Automation : AI Trust Barometer 2024”, les motivations et les inquiétudes des industriels français face à l’adoption de l’IA.
Selon les chiffres d’ABBYY, l’investissement moyen dans l’IA au cours des 12 derniers mois en France a été supérieur à celui des pays étudiés : 811 000 euros alors que la moyenne se situe à 600 000 euros. L’étude révèle que l’innovation technologique et la peur de l’obsolescence sont les principaux moteurs de l’intégration de l’IA.
Le “AI Trust Barometer 2024″ identifie également les principaux domaines d’application de l’IA dans l’industrie française : le marketing et les opérations (40 %), les ventes (39 %), et la conformité (27 %) sont en tête des départements ayant intégré des outils IA, avec des solutions d’automatisation qui transforment progressivement les processus internes et la relation client.
Alors que la technologie évolue à une vitesse inédite, 63 % des industriels français expriment leur crainte de se voir dépassés s’ils ne s’adaptent pas à l’IA. Ce chiffre souligne la pression constante qui pèse sur les entreprises pour maintenir leur compétitivité. Selon ABBYY, l’IA est devenue un élément clé pour garantir l’efficacité : 52 % des répondants, indiquent l’amélioration des performances et du service client comme des objectifs prioritaires. La pression exercée par les clients s’avère également significative, 38 % des répondants affirmant que les attentes de leurs consommateurs les poussent à investir dans l’IA.
Une large majorité des leaders informatiques du secteur industriel français (77 %) déclare faire confiance à l’IA pour apporter des avantages à leur entreprise.
Ils accordent une confiance élevée aux grands modèles de langage (LLM), plébiscités par 84 % des répondants pour leur fiabilité et leur efficacité. Les petits modèles de langage (SLM) bénéficient eux aussi d’une confiance notable (80 %), en partie en raison de leur capacité à répondre à des besoins spécifiques tout en limitant certains risques associés aux LLM.
Les outils basés sur l’IA générative, tels que les chatbots et assistants numériques, sont parmi les plus utilisés, reflétant un engouement croissant pour des solutions capables d’automatiser et de personnaliser les interactions avec les clients. Si 82% des répondants français déclarent utiliser ChatGPT, plus de la moitié utilise des outils d’IA spécifiques, tels que le traitement intelligent des documents (IDP).
Malgré cette forte adoption, l’étude met en lumière plusieurs inquiétudes. Le risque d’utilisation abusive de l’IA est cité comme l’une des principales préoccupations (38 %). Le manque de talents et de compétences (34 %), les complexités techniques (29 %) et les enjeux de conformité juridique (31 %) sont d’autres freins majeurs. De plus, 49 % des décideurs s’inquiètent des menaces pour la cybersécurité et la protection des données, tandis que 40 % expriment des doutes quant à la fiabilité des informations fournies par l’IA.
En dépit de ces défis, 87 % des décideurs informatiques prévoient de renforcer leurs budgets IA pour l’année à venir, 22 % d’entre eux comptent d’ailleurs augmenter leurs investissements de 21 à 30 %. Ces prévisions reflètent la confiance croissante en l’IA, soutenue par des résultats concrets que 80 % des entreprises affirment déjà observer.
Un autre aspect de cette adoption de l’IA est la dimension éthique. Si 81 % des industriels français se disent convaincus de respecter les réglementations en vigueur, seulement 43 % des entreprises ont mis en place des politiques internes claires pour encadrer l’usage de l’IA par leurs équipes de production et de conformité. ABBYY souligne que ce besoin de formaliser des lignes directrices internes devient crucial pour gagner la confiance des utilisateurs et des clients.
Maxime Vermeir, Senior Director of AI Strategy chez ABBYY, commente :
“Il est révélateur que les responsables informatiques de l’industrie préfèrent les petits modèles de langage, probablement en raison des informations erronées associées à l’IA générative. Cela indique une maturation du marché, avec une intégration croissante d’outils spécialisés comme le traitement intelligent des documents (IDP) dans les stratégies d’IA. Les industriels peuvent ainsi combiner l’IA spécialisée avec des solutions basées sur des grands modèles de langage (LLM) pour répondre à des besoins spécifiques, renforçant la confiance. Cependant, le manque d’expertise en mise en œuvre de l’IA demeure une préoccupation, risquant de freiner leur progression. Pour y remédier, ils devraient former leurs employés et recruter des spécialistes en IA, afin de maximiser les avantages de cette technologie”.
Lors de l’événement annuel TechXchange d’IBM, la société a annoncé la sortie de Granite 3.0, la dernière version de sa famille de modèles de langage (LLM) open source, adaptés aux besoins des entreprises. Granite 3.0 se distingue par son équilibre entre performance, sécurité et rentabilité, répondant aux défis de l’utilisation de LLMs dans des environnements professionnels.
La suite de modèles Granite 3.0 comprend :
Granite 3.0 8B et 2B ont été entraînés à partir de 12 000 milliards de jetons de données, provenant de 12 langages naturels et de 116 langages de programmation différents. Les entreprises peuvent les personnaliser avec leurs propres données grâce à la méthode d’alignement InstructLab, introduite par IBM et Red Hat en mai dernier. Elle permet aux entreprises de personnaliser les modèles en utilisant des données synthétiques et des protocoles de formation adaptés à leurs besoins, réduisant ainsi les coûts de trois à vingt-trois fois, et les délais de mise en œuvre.
Les modèles de la famille Granite 3.0 sont adaptés à différentes applications d’IA. Les modèles de base Granite 3.0 8B et 2B, qualifiés de “bourreaux de travail” par IBM, sont conçus pour des tâches variées comme la génération augmentée de récupération (RAG), la classification et la synthèse de données. Ils peuvent être facilement personnalisés avec des données d’entreprise, permettant ainsi aux organisations d’optimiser leurs performances à moindre coût.
Le modèle phare de cette version, Granite 3.0 8B Instruct, un modèle dense optimisé pour les instructions, est destiné à servir de bloc de construction principal pour les flux de travail sophistiqués et les cas d’utilisation basés sur des outils.
En matière de benchmarks académiques et professionnels, Granite 3.0 8B Instruct rivalise avec des modèles concurrents open source de taille similaire, comme Llama 3.1-8B de Meta et Mistral-7B de Mistral AI, tout en se distinguant par ses performances sur des tâches spécifiques à l’entreprise, notamment en cybersécurité. Il a ainsi dominé les évaluations sur RAGBench, un benchmark évaluant la génération augmentée par récupération (RAG) dans des contextes industriels tels que les manuels techniques.
Outre ses modèles polyvalents, IBM introduit les modèles Granite 3.0 Guardian, spécialement conçus pour répondre aux besoins critiques de sécurité et de conformité des entreprises. Granite Guardian 3.0 8B et 2B sont des modèles renforcés avec des mécanismes de sécurité intégrés pour minimiser les risques liés aux biais et à l’exploitation malveillante des systèmes d’IA. Grâce à une série de mécanismes de contrôle et de supervision, ces modèles assurent une protection contre les fuites de données sensibles et les réponses inappropriées. Ils peuvent être utilisés pour mettre en œuvre des garde-fous avec n’importe quel modèle d’IA ouvert ou propriétaire.
IBM affirme que Granite Guardian excelle dans les environnements réglementés, où la conformité aux normes de sécurité et de confidentialité est primordiale. Ces modèles sont capables de détecter les anomalies dans les interactions utilisateur et les manipulations malveillantes, ce qui les rend particulièrement adaptés à des secteurs comme la finance, la santé et la défense. Selon ses tests internes, Granite Guardian a surpassé des modèles similaires, comme LLamaGuard de Meta, en matière de détection des risques.
La version 3.0 introduit les modèles “Mixture-of-Experts” (MoE), tels que Granite 3.0 3B-A800M Instruct et 1B-A400M Instruct, qui adoptent une approche modulable, où seuls certains experts (sous-modèles spécialisés) sont activés en fonction de la tâche demandée, ce qui les rend très intéressants pour les environnements où les ressources de calcul peuvent être limitées ou coûteuses.
Entraînés sur plus de 10 000 milliards de jetons de données, ces nouveaux modèles MoE Granite sont particulièrement adaptés pour des applications sur l’appareil, des serveurs CPU et des situations nécessitant une latence extrêmement faible.
IBM a également annoncé une mise à jour de ses modèles Granite Time Series pré-entraînés, dont les premières versions ont été publiées au début de l’année. Ces nouveaux modèles, entraînés sur 3 fois plus de données, offrent de solides performances selon les 3 principaux benchmarks de type série temporelle (Time Series), surpassant des modèles 10 fois plus grands de Google, Alibaba et d’autres. Ces modèles mis à jour offrent également une plus grande flexibilité de modélisation grâce à la prise en charge de variables externes et de prévisions glissantes.
L’introduction de Granite 3.0 s’intègre parfaitement à l’écosystème plus large d’IBM, avec des intégrations optimisées pour certaines de ses plateformes. Watsonx.ai, le produit phare d’IBM dédié à l’IA, s’appuie désormais sur Granite 3.0 pour offrir des solutions avancées aux entreprises cherchant à automatiser leurs processus tout en maintenant un haut niveau de sécurité et de transparence.
IBM a également mis en avant la compatibilité de Granite 3.0 avec ses outils de gestion des modèles et des données, permettant aux entreprises de surveiller et d’ajuster en continu leurs modèles pour améliorer la précision et la pertinence. L’intégration avec des outils comme Watsonx.data et Watsonx.governance garantit que les données sont gérées et utilisées de manière responsable tout au long du cycle de vie des modèles.
IBM continue d’améliorer Granite avec des extensions prévues pour la fin 2024, comme l’augmentation de la fenêtre de contexte à 128 000 jetons et l’ajout de capacités multimodales. Tous les modèles Granite 3.0 sont entraînés sur l’infrastructure Blue Vela d’IBM, qui fonctionne à 100 % grâce à des sources d’énergie renouvelable. Ce choix s’inscrit dans l’engagement croissant d’IBM à intégrer des pratiques durables dans ses processus de développement technologique.
Les modèles Granite 3.0 et les modèles Time Series mis à jour sont distribués sous la licence Apache 2.0 et peuvent être téléchargés sur HuggingFace, renforçant l’engagement d’IBM envers l’open source et la transparence.
Les variantes d’instruction des nouveaux modèles de langage Granite 3.0 8B et 2B et les modèles Granite Guardian 3.0 8B et 2B sont disponibles dès aujourd’hui pour une utilisation commerciale sur la plateforme watsonx d’IBM. Une sélection des modèles Granite 3.0 sera également disponible en tant que microservices NVIDIA NIM et via les intégrations Vertex AI Model Garden de Google Cloud avec HuggingFace.
Pour faciliter le choix et l’utilisation des développeurs et soutenir les déploiements locaux et à la périphérie (edge), un ensemble organisé de modèles Granite 3.0 est également disponible sur Ollama et Replicate.
Les modèles sont également disponibles sur les plateformes de partenaires d’IBM, tels qu’AWS, Docker, Domo, Qualcomm Technologies, Salesforce ou SAP.
LightOn, une entreprise européenne spécialisée dans l’IA générative, a franchi une étape importante en obtenant l’approbation de l’Autorité des marchés financiers (AMF) pour son introduction en Bourse sur Euronext Growth Paris. Fondée en 2016 par Igor Carron et Laurent Daudet, LightOn s’est démarquée en développant des solutions d’IA générative adaptées aux besoins des entreprises, visant à améliorer leur productivité. Ses produits phares, Forge et Paradigm, sont utilisés par des entreprises en Europe, aux États-Unis et dans la région EMEA.
Après avoir lancé en 2020 son tout premier co-processeur photonique, LightOn a entrepris de développer les premiers grands modèles de langage dédiés aux langues européennes, un défi dans le domaine encore naissant de l’IA générative.
Au départ, l’entraînement des grands modèles de langage faisait partie des applications possibles pour le processeur photonique de LightOn. Très vite, l’équipe se passionne pour cette nouvelle génération d’IA, encore méconnue en France, élabore et entraîne ses propres modèles. En 2020, elle met en accès libre son premier modèle français à travers une interface simple de génération de texte : PAGnol. En 2022, après une année et demi de travail intensif, elle a mis au point VLM-4, une suite de grands modèles de langage dans un premier temps en 5 langues européennes : anglais, allemand, espagnol, français et italien.
Avec une équipe de 41 collaborateurs, LightOn, plutôt que de se concentrer sur des applications grand public, cible le secteur professionnel avec une offre spécialisée. Les solutions développées par l’entreprise permettent d’automatiser des tâches complexes et d’optimiser les processus métier.
Une version avancée d’Alfred-40B-1023, la seconde itération d’Alfred-40B-0723, un modèle de langage open source basé sur Falcon-40B, alimente Paradigm, sa plateforme d’IA générative dédiée aux entreprises et aux services publics, qui peut être directement intégrée dans les infrastructures existantes, garantissant ainsi la sécurité des données des organisations utilisatrices. LightOn continue d’affiner cette solution, qui a été adoptée par des acteurs de divers secteurs, notamment le SEO, la défense, la santé et l’aéronautique, grâce à des mises à jour régulières. Elle collabore également étroitement avec des entreprises pour concevoir des cas d’usage personnalisés, en s’appuyant sur Forge, une autre solution logicielle qu’elle commercialise.
La stratégie de LightOn repose également sur des partenariats avec des entreprises telles qu’Orange Business et Hewlett Packard Enterprise, pour étendre son influence dans l’écosystème technologique européen. Des négociations avancées sont d’ailleurs en cours avec d’autres acteurs des secteurs des infrastructures, du matériel informatique, du cloud et des services IT et pourraient aboutir à de nouveaux partenariats dans les trimestres à venir.
L’augmentation de capital envisagée via l’introduction en Bourse, hors clauses d’extension et de surallocation le cas échéant, est d’environ 10 millions d’euros, LightOn a déjà reçu un engagement de souscription de la part d’Axon Partners Group pour un montant de 3 M€. Elle permettra de soutenir la croissance de l’entreprise, qui ambitionne d’atteindre un chiffre d’affaires de 40 millions d’euros et des revenus annuels récurrents de 35 millions d’euros d’ici 2027.
Le choix d’une entrée sur le marché boursier reflète une volonté de la société d’accélérer son expansion à l’international, avec une priorité pour l’Europe et le Moyen-Orient, tout en se maintenant à la pointe des dernières avancées technologiques dans son domaine.
Alors que la demande pour des solutions d’IA personnalisées continue de croître, notamment dans les secteurs des services publics et des entreprises, LightOn entend se positionner comme un acteur de référence sur ce marché. L’introduction en Bourse pourrait offrir à l’entreprise les moyens financiers de rester compétitive dans un secteur en pleine évolution.
Igor Carron et Laurent Daudet, co-PDG et co-fondateurs de LightOn, commentent :
“L’IA générative va transformer en profondeur les usages des entreprises. Les promesses de cette technologie révolutionnaire sont immenses et le marché mondial adressable est colossal. À la pointe de son secteur sur la technologie, LightOn est une entreprise commerciale avec des solutions déjà au cœur des grandes entreprises privées et publiques. Mais l’aventure ne fait que commencer. Le décollage de notre marché se confirme à un rythme qui dépasse nos attentes. Nos partenariats stratégiques avec Orange Business et Hewlett Packard Enterprise, vont nous permettre de démultiplier notre conquête commerciale et de prendre rapidement des parts de marché pour nous positionner comme un partenaire privilégié des entreprises en Europe et au-delà en matière d’IA générative”.
Concluant :
“Fort de la demande que nous enregistrons actuellement et de notre solide dynamique commerciale en cours, nous sommes aujourd’hui prêts à nous fixer des objectifs ambitieux : atteindre environ 40 M€ de chiffre d’affaires, associé à une marge d’EBITDA d’environ 40% du chiffre d’affaires et environ 35 M€ d’ARR d’ici 2027. C’est pour accompagner ce développement rapide et accroître nos positions que nous annonçons aujourd’hui le lancement de notre projet d’Introduction en Bourse”.
Connexion