L'IA de la chaîne logistique d'Articul8 atteint une précision de 92 %, surpassant les modèles conventionnels

Alors que les entreprises s'empressent d'intégrer l'IA dans leurs opérations, beaucoup constatent que les modèles polyvalents sont souvent insuffisants pour traiter des tâches industrielles spécialisées qui nécessitent une expertise approfondie du domaine et un raisonnement séquentiel.

Si des techniques telles que le réglage fin et la génération augmentée par récupération (RAG) apportent certaines améliorations, elles s'avèrent souvent insuffisantes pour des scénarios complexes tels que la gestion de la chaîne d'approvisionnement. C'est précisément le défi que la start-up Articul8 entend relever. La société a récemment lancé A8-SupplyChain, une suite de modèles d'IA spécifiques à un domaine, adaptés aux chaînes d'approvisionnement manufacturières. Ces modèles sont pris en charge par ModelMesh d'Articul8, une couche d'orchestration dynamique alimentée par l'IA qui prend des décisions en temps réel sur les modèles d'IA à déployer pour des tâches spécifiques.

Articul8 indique que ses modèles atteignent une précision de 92 % dans les flux de travail industriels, surpassant les modèles d'IA à usage général dans les tâches complexes de raisonnement séquentiel.

À l'origine une équipe interne chez Intel, Articul8 est devenue une société indépendante en 2024. La technologie a évolué à partir du développement par Intel de modèles d'IA multimodaux pour des clients tels que Boston Consulting Group, avant même le lancement de ChatGPT.

La philosophie fondamentale de l'entreprise contraste avec les stratégies d'IA d'entreprise qui prévalent actuellement.

« Nous partons du principe qu'aucun modèle unique ne peut fournir des résultats au niveau de l'entreprise ; il faut vraiment une combinaison de modèles », a déclaré Arun Subramaniyan, PDG et fondateur d'Articul8, en exclusivité à VentureBeat. « Les modèles spécifiques à un domaine sont essentiels pour traiter des applications complexes dans des secteurs réglementés tels que l'aérospatiale, la défense, la fabrication, les semi-conducteurs et la chaîne d'approvisionnement. »

Le défi de l'IA dans la chaîne d'approvisionnement : comment la séquence et le contexte dictent les résultats

Les chaînes d'approvisionnement industrielles et manufacturières posent des défis particuliers en matière d'IA que les modèles polyvalents ne parviennent souvent pas à relever. Ces environnements impliquent des processus complexes en plusieurs étapes où l'ordre des opérations, la logique de branchement et les interdépendances sont essentiels à la réussite.

« Dans la gestion de la chaîne d'approvisionnement, le principe fondamental est que tout se compose d'étapes interconnectées », a expliqué M. Subramaniyan. « Ces étapes sont interdépendantes, parfois liées de manière séquentielle, et impliquent parfois des boucles récursives. »

Par exemple, l'assemblage d'un moteur à réaction nécessite généralement de consulter plusieurs manuels, chacun contenant des centaines, voire des milliers d'étapes qui doivent être exécutées dans un ordre précis. Ces documents représentent plus que des informations statiques : ils contiennent des données chronologiques décrivant des processus qui exigent un respect scrupuleux. M. Subramaniyan a fait remarquer que les modèles d'IA généraux, même lorsqu'ils sont améliorés par des méthodes de récupération, passent souvent à côté de ces relations temporelles.

Cette forme de raisonnement complexe, qui consiste à remonter les procédures pour identifier les sources d'erreur, pose un défi fondamental que les modèles généraux ne sont pas conçus pour relever.

ModelMesh : une couche d'intelligence dynamique au-delà de l'orchestration conventionnelle

Au cœur de la technologie d'Articul8 se trouve ModelMesh, qui transcende les cadres d'orchestration de modèles standard pour créer ce que l'entreprise appelle un « agent des agents » pour les applications industrielles.

« ModelMesh fonctionne comme une couche intelligente qui connecte, évalue et décide en continu à mesure que les processus se déroulent étape par étape », explique M. Subramaniyan. « Nous l'avons entièrement conçu à partir de zéro, car les outils existants ne répondaient pas à nos exigences, qui consistent à prendre des centaines, voire des milliers de décisions d'exécution. »

Contrairement aux cadres tels que LangChain ou LlamaIndex qui offrent des flux de travail prédéfinis, ModelMesh intègre des systèmes bayésiens à des modèles linguistiques spécialisés afin d'évaluer de manière dynamique la précision des résultats, de déterminer les actions suivantes et de maintenir la cohérence dans les flux de travail industriels complexes.

Cette architecture permet ce qu'Articul8 appelle l'IA agentique de niveau industriel, c'est-à-dire des systèmes capables non seulement de raisonner sur les processus industriels, mais aussi de les faire progresser activement.

Au-delà du RAG : construire l'intelligence industrielle à partir de zéro

Alors que de nombreuses solutions d'IA d'entreprise s'appuient sur la génération augmentée par la récupération (RAG) pour relier des modèles généraux aux données d'entreprise, Articul8 adopte une approche fondamentalement différente pour intégrer l'expertise du domaine.

« Nous décomposons les données sous-jacentes en leurs éléments constitutifs », explique M. Subramaniyan. « Un PDF est décomposé en texte, images et tableaux. Le contenu audio ou vidéo est décomposé de la même manière, et chaque élément est décrit à l'aide d'une combinaison de modèles spécialisés. »

L'entreprise utilise Llama 3.2 comme base, principalement en raison de sa licence permissive, mais le transforme ensuite grâce à un processus avancé en plusieurs étapes. Cette méthodologie en couches permet à leurs modèles de développer une compréhension beaucoup plus approfondie des processus industriels que la simple récupération de fragments de données.

Les modèles SupplyChain sont soumis à plusieurs étapes de raffinement spécialement conçues pour les contextes industriels. Le réglage supervisé permet de traiter des tâches bien définies, tandis que des boucles de rétroaction impliquant des experts du domaine évaluent et corrigent les réponses pour des scénarios plus complexes.

Applications d'entreprise d'Articul8

Bien que les nouveaux modèles en soient encore à leurs débuts, l'entreprise compte déjà plusieurs clients et partenaires, notamment iBase-t, Itochu Techno-Solutions Corporation, Accenture et Intel.

Comme de nombreuses organisations, Intel a commencé son parcours dans l'IA générative en évaluant des modèles polyvalents susceptibles de soutenir ses opérations de conception et de fabrication.

« Bien que ces modèles excellent dans les tâches ouvertes, nous avons rapidement pris conscience de leurs limites dans notre environnement hautement spécialisé des semi-conducteurs », a déclaré Srinivas Lingam, vice-président et directeur général du groupe Réseau, Périphérie et IA d'Intel, à VentureBeat. « Ils avaient du mal avec la terminologie spécifique aux semi-conducteurs, la compréhension contextuelle des journaux d'équipement et le raisonnement dans des situations complexes de temps d'arrêt à variables multiples. »

Intel met en œuvre la plateforme Articul8 pour développer ce que M. Lingam appelle un « assistant en cas d'incident de fabrication », un système intelligent basé sur le langage naturel qui aide les ingénieurs et les techniciens à diagnostiquer et à résoudre les temps d'arrêt des équipements dans les usines de fabrication d'Intel. La plateforme, qui utilise des modèles spécifiques au domaine, traite à la fois les données de fabrication historiques et en temps réel, y compris les journaux structurés, les articles wiki non structurés et les bases de connaissances internes. Elle aide les équipes d'Intel à analyser les causes profondes (RCA), recommande des mesures correctives et automatise même certaines parties de la génération des ordres de travail.

Implications pour la stratégie d'IA des entreprises

La méthodologie d'Articul8 remet en question l'hypothèse selon laquelle les modèles polyvalents avec RAG peuvent répondre à tous les besoins des entreprises en matière d'IA dans les contextes industriels et de fabrication. La disparité de performances entre les modèles spécialisés et généraux suggère que les responsables techniques devraient envisager des solutions spécifiques à un domaine pour les applications critiques où la précision est indispensable.

À mesure que l'IA passe de l'expérimentation à la production dans les environnements industriels, cette approche spécialisée peut offrir un retour sur investissement plus rapide pour les cas d'utilisation à forte valeur ajoutée, tandis que les modèles généraux continuent de répondre à des besoins plus larges et moins spécialisés.