Que l’on adopte une architecture Cloud, Edge ou hybride, la qualité des données et des méta-données conditionne toujours la pertinence des IA multi-agents, où plusieurs agents d’intelligence artificielle travaillent ensemble pour résoudre un problème.
C’est l’un des principaux enseignements du forum des solutions IA.Cloud qui s’est tenu en mars dernier à Paris, révélé durant la session « Cloud vs Edge : quelle approche pour transformer ses processus métiers, valoriser et protéger ses données ? »
« La startup parisienne Norma, experte de la data et de l’IA, a développé pour son client canadien DashQ une plateforme multi-agents afin de rendre la gestion locative aussi facile que la location d’une chambre d’hôtel. Cette plateforme SaaS est retenue outre-Atlantique et dans le reste du monde ; elle s’appuie sur des ressources cloud Ionos et Azure. L’IA dans le cloud retient des LLM open source et d’autres modèles tournant sur des serveurs de GPU dédiés. Dans 90% des cas que je rencontre, ce modèle cloud IA est pertinent. En revanche, l’edge IA permet de faire tourner une IA avec moins de paramètres et plus de confidentialité, en local, dans une usine ou même sur un browser Web, » compare Gabrielle Balleyguier, Senior Account Manager d’Ionos France.
Ionos est un opérateur cloud européen, non soumis aux lois extra-territoriales américaines. Il accompagne ses clients dans le cloud, avec des serveurs à base d’unités de calcul dédiées (GPU) et des grands modèles linguistiques prêts à l’usage, hébergés sur ses propres serveurs.
La confidentialité des données prime parfois
« L’IA dans le cloud et l’IA dans l’edge sont complémentaires plus qu’elles ne s’opposent, note Christophe Auberger , fondateur de Dianoia Conseil et enseignant en cybersécurité des IA à Bordeaux. Le système de reconnaissance faciale retient un modèle hybride : il est entraîné dans le cloud où la puissance de calcul est très importante. Puis, son algorithme s’applique ensuite sur nos smartphones, où l’on dispose d’une moindre puissance de calcul. Le véhicule autonome s’appuie également sur des modèles pré-entraînés. Dans l’industrie 4.0, on retrouve des outils de maintenance prédictive, des objets et même des roulements connectés, précieux pour limiter les arrêts de production. Pour leur part, les traitements edge tournent, en toute confidentialité, au plus près des utilisateurs et des données. Ils bénéficient de la latence plus faible de cette architecture. »
Il souligne des risques spécifiques aux IA par rapport aux autres traitements numériques : « Une IA responsable aborde les aspects éthiques, raison pour laquelle OpenAI a ouvert publiquement ses équipes red team afin de détecter les anomalies générées. »
Des IA hybrides déployées en plusieurs points, servent plusieurs usages, ajoute-t-il : « Avec les jumeaux numériques du fleuve à Bordeaux, des projets de simulation aident la prise de décision en urbanisme, gestion des eaux usées, pour la pêche et l’ostréiculture… Dans cet exemple, des systèmes experts sont combinés aux algorithmes de Machine Learning. »
Mutualiser les IA pour gagner en fiabilité
« L’IA entre au service du traitement massif de documents non structurés, pour les classer, les organiser, émuler un travail humain que personne ne veut faire, expose Noureddine LAMRIRI , SVP marketing d’Everteam et coordinateur de l’ISO. Dans de grandes entreprises, les besoins de souveraineté et de sécurité s’ajoutent à une volonté de fiabilité élevée : 10% d’erreurs dans un classement de documents d’entreprise du CAC 40, c’est inacceptable. Des IA de technologies distinctes évaluent donc la valeur des réponses apportées par l’IA, comme si l’on passait les données au tamis. »
La performance des grands sites de commerce électronique dépend de la pertinence d’une classification par catégorie de plusieurs milliers de produits, ajoute Christophe Auberger : « Dans ce contexte, l’entraînement quotidien, en local, sur des jeux de données limités évite le recours aux ressources cloud, réduit les phénomènes de confabulation et d’affabulation. Le système s’avère plus précis. »
Le modèle financier détermine la valeur finale
La maîtrise des coûts forme un paramètre important des projets d’IA d’entreprise, complète Noureddine LAMRIRI. « Dans notre secteur, nous pouvons implémenter de nombreux cas d’usage. Un sujet clé reste la recherche de documents fondée sur la propre base documentaire de l’organisation. C’est alors la problématique du client qui détermine l’architecture à implémenter. »
« On a choisi d’intégrer des modèles d’IA open source que l’on met à disposition des clients qui ne souhaitent pas investir dans des services. La question de souveraineté se pose surtout avec la génération RAG (Retrieval Augmented Generation) où les documents d’entreprise enrichissent les prompts. Quelques acteurs européens du cloud dont Aruba, Dynamo et Ionos, encouragent l’interopérabilité de solutions performantes et souveraines, au travers des APIs de l’initiative SECA (Sovereign European Cloud API), » conclut Gabrielle Balleyguier.
