Les neurones topologiques : la nouvelle architecture d’IA qui veut comprendre le monde humain (🎤 Hugo Micheron et Antoine Jardin, Arlequin AI)

Antoine Jardin: [0:00] Les systèmes qu'on construit, ce sont des systèmes qui permettent automatiquement d'accomplir ces tâches de connexion, de mise en relation de structures de données complexes, profondes, qu'on ne pourrait pas deviner avec un cerveau et un travail humain, et donc de rendre transparentes ces grandes structures de données pour des usages qui vont des enjeux de sécurité, détection de fraude, jusqu'à des thématiques comme par exemple la surveillance de l'intégrité de l'information ou de la qualité du débat démocratique par l'aspect système médiatique. Jérôme Colombain: [0:34] Une nouvelle forme d'intelligence artificielle après les LLM, après les World Models, voici les neurones topologiques. Une intelligence artificielle qui examine les connexions entre les données pour bâtir des raisonnements artificiels. Et c'est une entreprise française qui est pionnière dans ce domaine, la société Harlequin AI. Je suis ravi de recevoir ses cofondateurs. Hugo Micheron, Antoine Jardin, bonjour messieurs. Hugo Micheron: [0:58] Bonjour. Jérôme Colombain: [1:00] Hugo Micheron, vous êtes chercheur en sciences politiques spécialisée sur le Moyen-Orient. Antoine Jardin, vous êtes ingénieur de recherche au CNRS et tous les deux, vous êtes surtout cofondateur, respectivement CEO et CTO, de la société Arlequin AI, qui est une startup de deep tech spécialisée dans le traitement massif des données. Alors vous allez nous expliquer tout ça. Arlequin vient de lever 28 millions d'euros, notamment pour développer un concept très ambitieux de modèle d'IA fondé sur les neurones topologiques. Là aussi, on a besoin d'explications. Mais avant tout, comment est-ce qu'on peut présenter un peu l'activité d'Arlequin qui est finalement assez vaste ? Hugo Micheron: [1:40] Oui, absolument. Déjà, Arlequin, c'est, comme vous l'avez rappelé, une boîte de deep tech, c'est-à-dire qu'on innove et on fait de la recherche en IA. Ça, c'est le premier pied d'Arlequin. Le deuxième pied, c'est qu'on a une plateforme d'analyse de la donnée. Hugo Micheron: [1:52] Qui est faite pour pouvoir traiter des données en très grande quantité et pour, extraire tous les éléments d'information, tous les liens de causalité, de trouver et de pondérer tous les signaux sans inférer de biais. Donc, c'est dit comme ça. On pourrait peut-être faire un parallèle, si vous voulez, avec l'imagerie médicale. Vous voyez les scans d'imagerie médicale qui permettent de scanner une zone du corps, par exemple, le cerveau pour voir à travers et ensuite pouvoir qualifier ça médicalement parlant. Et bien, si vous voulez, la plateforme d'Arlequin, c'est la même chose appliquée, à l'information. Donc, on va apporter des jeux de données qu'on va placer dans la plateforme sans poser de questions. Et on va faire un scan informationnel qui va nous permettre de voir toute la structure d'informations. Quelles sont les informations ? Quels sont les liens de causalité ? Qu'est-ce qui pondère les signaux entre les uns et les autres ? Et donc, il va permettre ensuite de spécifier ça. Et c'est pour ça qu'on travaille sur des secteurs qu'on appelle usage stratégique de l'information, qui va de la sécurité et défense jusqu'au secteur bancaire, là où on n'a pas le droit de se tromper. Et ça repose sur une architecture qu'on a développée nous-mêmes, qui va plus loin que les modèles d'IA aujourd'hui, qui reposent beaucoup sur les modèles de langage, comme les Mistral, les ChatGPT, etc., et qui sont des modèles probabilistes. Nous, on travaille sur des sujets où la probabilité ne suffit pas. Il faut pouvoir démontrer, prouver, et donc il faut aller un cran plus loin, et c'est ce que font nos systèmes. Jérôme Colombain: [3:16] Alors, l'un des aspects, c'est notamment l'application qui peut être faite pour analyser l'information dans les médias, etc. D'ailleurs, il faut dire, Hugo Micheron, que vous êtes une tête connue sur les plateaux de télé, puisque vous intervenez souvent en tant que spécialiste du Moyen-Orient. Donc, c'est très complémentaire, cette activité entrepreneuriale sur la data, sur l'IA. Voilà. Quand on parle de deep tech, on comprend bien qu'on est vraiment au cœur d'une technologie très nouvelle, très disruptive. Antoine Jardin, vous êtes le CTO. Est-ce que le coma des mortels peut comprendre un petit peu tout ce qui se cache derrière ça ? Antoine Jardin: [3:55] Oui, tout à fait. C'est compréhensible. L'approche qu'on poursuit, c'est une approche dans laquelle, comme l'a évoqué Hugo, où on veut pouvoir tracer les relations entre les données et on peut comprendre des formes qui sont entre différents blocs de données. C'est ce que vous faites dans votre travail quotidien en tant que journaliste. Vous voyez des faits, des éléments, des personnes. Vous les reliez entre elles pour pouvoir rendre compte de ce qui se passe d'une façon qui est vérifiable, auditable et qui fait que vos lecteurs peuvent avoir confiance dans les résultats que vous leur présentez. Ce besoin-là, on le retrouve dans énormément de métiers et traditionnellement, on est obligé de le faire à la main. Donc, c'est possible de le faire sur des petits volumes mais c'est très difficile de le faire sur des grands volumes de données. Mais les systèmes qu'on construit, ce sont des systèmes qui permettent automatiquement d'accomplir ces tâches de connexion, de mise en relation de structures de données complexes, profondes, qu'on ne pourrait pas deviner avec un cerveau et un travail humain, et donc de rendre transparentes ces grandes structures de données pour des usages qui vont des enjeux de sécurité, détection de fraude, jusqu'à des thématiques comme, par exemple, la surveillance de l'intégrité de l'information ou de la qualité du débat démocratique par le système médiatique. Jérôme Colombain: [4:56] D'accord. Quelles sont les applications concrètes ? Alors, vous en avez évoqué quelques-unes. Quels sont vos clients, les utilisateurs, etc. Hugo Micheron: [5:05] ? Alors déjà, il y a beaucoup de cas d'usage qui sont ceux où il y a énormément de données, donc des très gros volumes de données très complexes. Comme l'a dit Antoine, à petite échelle, un cerveau humain peut très bien le faire. La difficulté, c'est comment on arrive à appliquer le raisonnement scientifique et donc qui repose sur la démonstration et l'administration de la preuve. Mais à l'échelle non seulement d'énormes jeux de données, mais aussi, de données extrêmement hétérogènes. Donc nous, on travaille aussi bien sur la donnée textuelle que de la vidéo, de l'audio, des images, tout ça en même temps, tout ça dans différents fichiers. Donc il y a tout ce travail de structuration de la donnée qui prend souvent énormément de temps aux entreprises. Nous, on a des systèmes qui sont très puissants pour pouvoir traiter tout ça ensemble. C'est le premier élément. Sur les cas d'usage, c'est tous les cas d'usage où on a besoin d'extraire cette information première. Dans les secteurs dans lesquels on intervient, donc nous, chez Harlequin, pour l'instant, on a une trentaine de clients. Hugo Micheron: [6:01] On opère dans quatre pays européens, 50% du côté du privé, 50% du côté des administrations publiques. Ça va du secteur bancaire, toutes les logiques de fraude qu'évoquait Antoine, où typiquement, il y a énormément de données très massives et il faut sortir l'aguille dans la botte de foin. C'est également tout le secteur du cyber. En fait, il y a toute la question des logs, des attaques. On le voit bien de plus en plus, en plus, facilitées par l'IA, qui nécessitent de recomposer très rapidement les données d'attaques et de comprendre la dynamique derrière. Ça, c'est la dynamique de connectivité. C'est là où on est très bon. Et puis après, des applications qui vont auprès de clients dans les domaines des infrastructures, de la due diligence légale où on a besoin d'administration de la preuve, y compris légale. Et puis côté public, les autorités régulatrices qui aussi ont besoin de faire face à des volumes considérables de données et à pouvoir objectifier les dynamiques et ce qui s'y produisent. Et puis, les métiers de l'investigation public, privé, où là aussi, il y a toute cette logique qui, d'ailleurs, est propre. On parle des métiers de l'investigation, mais le métier de la recherche, d'où je viens, c'est la même chose. Et le métier du journalisme, c'est aussi tout à fait ça. Ça repose sur des investigations, c'est-à-dire des faits qu'on arrive à connecter entre eux pour arriver à démontrer la matérialité des faits et ce qui s'est passé. Et ça, c'est vraiment ce raisonnement scientifique qui est au cœur de nos modèles qui nous permet de partir d'énormes bases de données qui sont. Hugo Micheron: [7:30] Oppressantes et sous-valorisées et d'en extraire non seulement l'intégralité de l'information, mais surtout ensuite de pouvoir naviguer là-dedans et en tirer l'essentiel envers les métiers. Jérôme Colombain: [7:43] Encore une fois, pour qu'on comprenne bien et qu'on réalise, par exemple, quel type de données je peux prendre à l'entrée, le mettre dans votre machine et qu'est-ce que je récupère à la sortie ? Hugo Micheron: [7:54] Prenons un des premiers exemples que je vous ai donné, la fraude bancaire, par exemple. Si vous prenez, imaginez un fichier de transaction. Vous êtes une banque, vous avez des transactions bancaires sur des centaines de milliers de lignes, des millions de lignes. Donc ça, aujourd'hui, les méthodes un peu poussées utilisent des modèles de langage pour aller chercher les infractions là-dedans. Ça marche plus ou moins bien. Il faut souvent beaucoup de contexte. Ce sont des modèles probabilistes qui ratent beaucoup de choses. Hugo Micheron: [8:19] Nous, la capacité, c'est de comprendre déjà la connexion. C'est-à-dire qu'en fait, typiquement, une dynamique de blanchiment d'argent, si vous voulez, vous allez avoir dans les versions sophistiquées. Hugo Micheron: [8:32] Les transactions sont légales. C'est A qui donne 100 000 euros à B, qui donne 100 000 euros à C, qui donne 100 000 euros à D, qui donne 100 000 euros à A. Hugo Micheron: [8:38] Et en fait, toutes ces transactions peuvent être légales, mais là, on le voit bien dans le schéma que je viens de vous décrire, c'est le schéma qui est illégal. C'est A qui donne un A via un réseau de proxy. Ça, les modèles sur lesquels on travaille, ce sont les modèles de connectivité, ils les détectent automatiquement. Plutôt que d'avoir à réfléchir sur qu'est-ce qui est le problème dans ce réseau qui n'est pas du tout évident puisque les transactions sont légales, limite des technologies actuelles, nous, nos systèmes, vont tout de suite comprendre, qu'il y a une circularité dans la connectivité, donc un problème de connectivité, donc c'est préqualifié. Et donc, c'est un gain de temps considérable, un gain de précision considérable et la capacité à aller tout de suite vers l'information. C'est un cas d'usage assez spécifique. On peut appliquer ça partout, la donnée massive. Vous voyez, on n'en a pas parlé parce que ce n'est pas le cœur de notre marché, mais usage stratégique de l'information, par exemple, sur de la donnée sportive. Aujourd'hui, il y a tous les clubs de foot d'Europe qui croulent sous la data et tout leur boulot, c'est d'aller extraire justement le petit élément qui va leur permettre d'anticiper une blessure, qui va leur permettre de trouver une erreur tactique dans l'équipe d'emphase. Bon voilà, ça c'est plutôt en test en ce moment chez Harlequin, mais c'est pour vous dire que dès qu'il y a énormément de données, de, l'ingérence étrangère à travers des campagnes de désinformation en ligne par exemple, sujet qui intéresse beaucoup en ce moment en période de campagne électorale, jusqu'à la donnée sportive si vous voulez, ce sont des terrains qui ont tous en commun d'avoir énormément de data, de l'information croisée qui est très dure à extraire, et en même temps d'une énorme valeur, et c'est là où nos modèles interviennent. Jérôme Colombain: [10:06] Alors ça, c'est le quoi, on va dire. Après, il y a le comment. Donc, pour faire tout ça, comment faites-vous ? C'est là où vraiment vous avez développé de nouveaux outils d'intelligence artificielle. Antoine Jardin: [10:17] Oui, tout à fait. Traditionnellement, ces tâches-là, traditionnellement, étaient faites par des entreprises qui étaient spécialisées dans l'infrastructure des données et donc qui créaient des routines qui étaient tout le temps les mêmes et qui avaient peu de flexibilité. Notre approche, c'est de remplacer ces routines-là par des réseaux de neurones d'un nouveau genre, qu'on appelle les réseaux de neurones topologiques, qui sont dédiés à la connexion entre les points d'information et qui permettent d'être beaucoup plus flexibles et beaucoup plus efficients dans le traitement de ces données complexes. L'avantage que ça apporte, c'est de pouvoir être complètement auditable et traçable, tout en étant en même temps beaucoup plus efficients en calcul. Vous remplacez une caractéristique qui est dans les modèles d'IA majoritaires aujourd'hui, qui est le fait d'avoir énormément de données et énormément de calculs, deux choses qu'en réalité, beaucoup d'entreprises n'ont pas et que l'Europe, de façon générale, n'a pas sur les capacités de calcul. Et vous le remplacez par des meilleures abstractions mathématiques qui vous rendent plus précis. Vous allez regarder seulement là où c'est important, de manière à être véritablement efficace et traçable sur les caractéristiques essentielles. Donc c'est une autre manière de concevoir l'intelligence artificielle, une autre architecture de réseau de neurones, à partir des mêmes composants, qui sont les neurones artificiels, organisés différemment. Hugo Micheron: [11:24] Peut-être, de mon point de vue, loin de la tech, pour simplifier aussi les éléments pour ceux qui, comme moi, ne viennent pas du monde de la tech à l'origine. Aujourd'hui, quand on parle d'IA, la plupart des gens pensent en fait à grands modèles de langage. Chate-GPT, Mistral, Anthropik, etc. Donc, ça, c'est en fait une partie de l'IA. C'est ce qui a dominé, ce qui domine l'IA. C'est là-dedans que les milliards sont investis. Vous avez une nouvelle architecture d'IA qui a émergé dernièrement, notamment poussée autour des modèles qu'on appelle les world models ou les modèles monde, typiquement portés par Yann Lequin en France. Donc ça, c'est une autre architecture qui consiste à dire les modèles de langage n'ont pas été conçus pour comprendre le monde physique. Donc un verre d'eau qu'on lâcherait, qui tomberait sur le sol. Un modèle de langage, il faut l'entraîner sur des milliards de données pour qu'ils comprennent ça, alors qu'un modèle spécifiquement entraîné sur le monde physique le comprendrait tout de suite. Nous, on pousse un troisième réseau d'architecture en IA qui s'appelle les réseaux, de neurones topologiques. Jérôme Colombain: [12:29] Topologique, ça fait penser à des cartes, finalement. Hugo Micheron: [12:30] Oui, exactement. En fait, c'est la capacité à précisément cartographier le monde humain, le monde réel, donc le monde des données humaines, et à partir de là, de réussir à en comprendre la structure et les dynamiques. Et donc, typiquement, c'est là où ça se rapproche presque de la physique et le monde social par bien des aspects peut s'y apparenter, c'est l'idée qui peut paraître surprenante mais que des phénomènes sociaux ont des formes, ont des formes topologiques et donc en comprendre la forme topologique à travers la donnée permet d'en tirer un certain nombre, d'éléments et c'est pour ça que c'est très complémentaire avec l'approche des sciences sociales où moi j'ai été formé, c'est quelque chose de totalement nouveau mais on peut prendre un exemple, peut-être deux exemples pour nos auditeurs mais qui vont être tout à fait parlants. Vous voyez, là, ce qui est en train de se passer entre vous et nous et les auditeurs, Par exemple, c'est qu'il y a ce qu'on dit, ça c'est de l'ordre de la sémantique. Hugo Micheron: [13:28] Ce qu'on échange, tout ça, bon ça c'est la conversation, mais il y a ensuite tous les éléments que vous avez dans votre tête qui vous permettent de faire des liens, de, penser à la prochaine question, peut-être les éléments que vous avez préparés, nos auditeurs, eux, ils font eux-mêmes leurs liens, ils s'envoient peut-être un article en ce moment, bref, tout ça, c'est de la connectivité, ça ne se traduit pas par la sémantique, c'est pas des mots qu'on formule, c'est pas des mots qu'on est en train de décrire, c'est de la connectivité qui se fait naturellement dans nos cerveaux. Et ça, c'est exactement la version en IA que nous, on développe, c'est un niveau de profondeur qui est beaucoup plus abstrait, mais qui est en même temps beaucoup plus puissant que simplement les réseaux sémantiques. Et c'est pour ça que c'est avec plus d'abstraction, on arrive à faire beaucoup plus de choses. Le deuxième exemple qui est encore plus clair sur l'investigation, j'en parlais tout à l'heure, l'investigation journalistique ou de recherche ou dans les autres métiers d'audit, etc. C'est toujours la même chose. On peut penser à un film des années 80, une série comme Columbo. On a toujours ce personnage divin, cet enquêteur qui a une pression extraordinaire et qui met sur un tableau avec des photos, avec des épingles et puis qui relie comme ça avec des fils, un numéro de téléphone, avec un lieu, avec un titre de journal, etc. Hugo Micheron: [14:38] Et c'est en visualisant cette connectivité entre des éléments de preuve qui, finit par trouver le eureka, qui est le coupable, etc. Ça, c'est précisément visuellement de la connectivité, c'est exactement ce que font les réseaux de neurones topologiques, c'est qu'ils vont aller trouver les croisements entre les informations et donc en extraire du sens qu'on peut ensuite retracer à des éléments de preuve. Et donc, c'est pour ça que les usages qui s'ouvrent avec ça sont extrêmement intéressants, vastes et profonds. Et on est très heureux de faire partie des premiers à pousser ça comme étant quelque chose qui probablement fait partie de l'avenir de l'IA. Jérôme Colombain: [15:13] On a l'impression que c'est une troisième dimension de l'IA, en quelque sorte. Exactement. Les LLM, les World Models et les modèles topologiques. Tu es presque qualifié, Hugo Micheron: [15:26] Jérôme, finalement, de modèle du monde humain. Vous voyez, les World Models, c'est le monde physique, ça, c'est le monde humain. Et il a ses dynamiques et ses connectivités. Jérôme Colombain: [15:38] Oui, c'est ce qui aide au raisonnement. Finalement, si on met les trois en même temps, on peut avoir l'équivalent d'un cerveau humain. Antoine Jardin: [15:45] Et c'est complètement compatible, c'est notre logique de dire, l'Europe doit innover, elle doit créer des nouvelles architectures de modèles pour être pertinentes à l'échelle mondiale, parce qu'il y a des choses qui existent déjà dans d'autres directions, ce n'est pas la peine de refaire des systèmes qui sont déjà existants, il faut construire des nouvelles solutions, et c'est le composite des différents systèmes d'IA qui montrera le potentiel complet de ce domaine. Il n'y a pas une seule des approches qui doit être amenée à prendre le pas sur les autres. Hugo Micheron: [16:10] Ce qui est intéressant, c'est que c'est aussi des modèles qui sont très efficients. C'est-à-dire que là, les éléments dont on dispose montrent que finalement, avec beaucoup moins de puissance de calcul, on arrive à réaliser des choses, qui sont beaucoup plus efficaces, notamment aussi en matière de prédiction. Donc, c'est là où il y a aussi beaucoup d'applications avec un fort potentiel économique. Et donc, la logique, je suis d'accord avec vous, c'est que c'est un nouveau fond de l'IA qui s'ouvre avec aussi ces inconnus, mais avec, et c'est la force je pense d'Arlequin, cette plateforme qui nous permet de partir des cas concrets, des applicatifs. Et c'est ça aujourd'hui qui rend l'aventure d'Arlequin intéressante à vivre et à construire, c'est qu'on est parti de cas auxquels on ne trouvait pas de réponse technique, malgré la révolution des modèles de langage, malgré tout ce qui se passait, On voyait bien que ces modèles étaient, limités, j'ai envie de dire, par dessin ou par architecture. Et donc, on en est venu à cette dimension-là, mais en poussant probablement qu'on va pouvoir aussi comprendre des applications bien plus larges que celles, qu'on fait aujourd'hui. Jérôme Colombain: [17:18] Oui. Alors, si on se met un peu dans le monde réel, je dirais, si on sort de l'abstraction, l'entreprise Arlequin, vous en êtes où ? Comment est-ce que vous, comment se passe votre développement, justement, et où en est le développement de ces modèles ? Hugo Micheron: [17:36] Déjà, il y a deux ans et demi, Arlequin, c'était une idée, et c'était Antoine, et moi dont on pensait à faire ce projet. Et aujourd'hui, on annonce une série A qui fait partie des plus grandes en Europe, à notre stade. On est une cinquantaine de chercheurs et collaborateurs. Jérôme Colombain: [17:57] Donc 28 millions d'euros. Hugo Micheron: [17:59] C'est ça, avec des bureaux en Allemagne. On ouvre là à Londres et on lance un laboratoire de recherche en IA à San Francisco, dans la Silicon Valley. Donc ça, c'est ce qui est déjà le cas. Encore une fois, une trentaine de clients, une plateforme qui est déployée, qui est testée quotidiennement sur différents cas d'usage. Et puis, il y a tout le programme de recherche sous la direction d'Antoine et des équipes de recherche fondamentales. Et là, qui vont aller vers l'entraînement des premiers modèles de réseaux de neurones topologiques, avec le souci de trouver les bonnes applications pour en démontrer immédiatement la puissance. Jérôme Colombain: [18:39] Mais Hugo, ils existent déjà ces modèles aujourd'hui ou ils sont en gestation ? Hugo Micheron: [18:57] Pour pouvoir commencer à faire passer des petits modèles à l'étail intermédiaire, puis au premier gros modèle. Et c'est ça qui est sur notre route pour les 18 prochains mois. On a un premier objectif à 6 mois, et puis un prochain objectif à 12 mois, et un très bel objectif à 18 mois. Et c'est pour ça qu'on est plein gaz dans cette direction. Antoine Jardin: [19:17] Et c'est ça l'histoire de l'IA, c'est-à-dire que quand il y a des modèles qui sont conçus à une échelle de début, et c'est ce qu'on a déjà réalisé aujourd'hui, l'enjeu qui s'ouvre maintenant, c'est de pouvoir leur permettre de croître et de tirer toute la valeur que permet cette architecture lorsqu'elle passe à l'échelle. Et donc le passage à l'échelle, c'est ce qui a apporté l'efficacité dans les autres domaines de l'intelligence artificielle et on veut pouvoir être les premiers à créer à grande échelle des réseaux sur cette nouvelle architecture à l'échelle mondiale. Jérôme Colombain: [19:44] Alors, je vous dis, vous avez une cinquantaine d'employés, c'est ça ? Hugo Micheron: [19:46] Oui, c'est ça. Jérôme Colombain: [19:47] Et les profils, c'est quoi ? C'est tous des grosses têtes. Hugo Micheron: [19:52] Oui, c'est vrai qu'il y a certains, ils sont tous très impressionnants. On a deux tiers de chercheurs et d'ingénieurs, ce qui est un ratio plutôt de laboratoire d'IA, même si, encore une fois, nous, on a cette dimension de recherche, mais on a aussi la partie applicative. Et effectivement, c'est une équipe qui est déjà assez internationale. Des gens qui viennent d'à peu près des quatre coins du monde d'ailleurs et avec quand même un élément, au centre, c'est une forme de mission déjà on ne vient pas travailler sur les réseaux de neurones topologiques sans avoir, une forme de passion pour la science et puis quand même on est une entreprise française moi je suis rentré des Etats-Unis pour monter cette start-up auprès d'Antoine mais on a une dimension européenne très forte. Là, le tour de table, c'est fait uniquement avec des fonds européens. On développe nos bureaux en Allemagne et en Angleterre parce que justement, on a un vivier en Europe qui est plus éclaté que dans la Silicon Valley où tout est concentré entre Palo Alto et San Francisco. Pour faire simple, en Europe, on a Paris, Londres, Berlin et encore, même en Europe de l'Est, il y a d'autres hubs de talent. Et donc, du coup, nous, on a aussi la volonté de pouvoir aller puiser dans ces différents viviers. et donc la dimension internationale mais a fortiori aussi européenne est vraiment au coeur des équipes. Antoine Jardin: [21:14] Et un élément qui est très important dans l'histoire d'Arlequin, c'est cette transdisciplinarité. Hugo Micheron: [21:18] Dans la plupart d'entreprises de l'IA. Antoine Jardin: [21:19] Il n'y a que des gens qui ont fait des mathématiques, de l'informatique et de la physique. Chez Arlequin, il y a des gens qui viennent de différents horizons. Ça permet d'élargir le prisme du raisonnement, de penser d'une façon différente que l'IA, avec d'autres valeurs et même le parcours d'Hugo, son expertise dans les sciences sociales, est très important pour ça. Hugo Micheron: [21:36] Typiquement l'alliage avec Antoine, moi je suis encore une fois très éloigné au début du monde de la technologie mais j'y suis arrivé par nécessité parce que j'ai compris que les phénomènes que j'étudiais, il fallait que j'étais confronté à tel volume de données que j'allais être quelque part confronté à la limite du passage à l'échelle et pour ça il fallait s'équiper d'outils et c'était le point de départ de la conversation. Mais du coup, dans la start-up, au sein même d'Arlequin, on retrouve des gens qui sont des purs chercheurs en sciences sociales et qui ont fait travailler sur des cas qui ont leur spécialité, mais qui désormais, équipés par, la plateforme d'Arlequin, nous permettent aussi d'améliorer en interne. De la même façon qu'on a un très gros programme de R&D en IA, on a un beaucoup plus petit programme de recherche en sciences sociales, mais qui va utiliser ces modèles-là, parce que c'est souvent en développant ses propres produits, en étant aussi confronté à la fois aux qualités et aux limites des produits qu'on développe qu'on trouve les idées. C'est d'ailleurs comme ça qu'est sorti ChatGPT pour avoir discuté avec Antoine avec l'équipe qui a lancé ChatGPT au grand public, ils ont expliqué qu'ils avaient l'outil qui tournait chez eux depuis plusieurs mois et qu'à un moment donné ils ont décidé d'en faire une API, de le sortir publiquement en se demandant ce que ça allait faire et ça a été la révolution de ChatGPT 3 et 3.5. Jérôme Colombain: [22:52] Oui, mais justement vous me tendez la perche là on est en pleine période d'angoisse existentielle face à l'intelligence artificielle. Ça vous inspire quoi ? Ils ont eu raison, finalement, de le mettre sur le marché à ce stade et d'ouvrir la boîte de Pandore comme ça ? Hugo Micheron: [23:08] Ce qui est sûr, ce qui est très intéressant, et merci pour votre question, c'est qu'en fait, en sortant ce modèle, qui est un modèle, généraliste, en fait, très générique, qui pouvait faire à peu près tout et n'importe quoi, ce monde-là, le monde des grands modèles de langage, aujourd'hui, se pose la question de comment ils déploient leurs modèles. Et on le voit bien, il y a tout le temps la question, maintenant, les entreprises d'IA embauchent des ingénieurs en masse pour pouvoir déployer leurs modèles dans les entreprises. C'est tout le principe des ingénieurs déployés. Et donc, c'est bien qu'en fait, à l'origine, ils n'avaient pas vraiment de cas d'usage. Nous, c'est exactement l'inverse. On part de cas d'usage auxquels, finalement, les modèles d'IA actuels sont insuffisants pour construire des modèles. Donc, en fait, l'applicatif, on l'a tout de suite. C'est pour ça qu'il y a un peu cette spécificité. Maintenant, sur le fond de votre question, que je ne veux pas du tout éluder, aujourd'hui, ce qui est sûr et certain, c'est qu'il y a une partie qu'on ne maîtrise pas du tout dans le monde de l'IA. Et ça, c'est l'objet, je pense, de peur qui sont fondés en Europe, aux États-Unis et à vrai dire partout dans le monde. Et ça nous fait dire quelque chose, c'est que s'il y a un nouveau pouvoir qui est un pouvoir de l'IA, qui est le pouvoir des algorithmes, eh bien, en fait, il va falloir à un moment donné pouvoir avoir des contre-pouvoirs. Et ces contre-pouvoirs, probablement, que ça va être d'autres algorithmes qui vont pouvoir encadrer les effets néfastes. Et c'est pour ça que de penser simplement qu'au développement d'une seule technologie en poussant toujours plus loin la puissance de calcul, l'entraînement et finalement. Hugo Micheron: [24:29] En n'ayant aucun moyen de contrôle des étapes qui sont franchies, on se met à risque. Et c'est pour ça que nous, on réfléchit aussi à comment, Les modèles qu'on est en train de développer pourraient s'appliquer dans ce qu'on appelle la AI safety, c'est-à-dire l'encadrement aussi des abus et des, dégénérescences des modèles d'IA. Je pense que ça, c'est vraiment quelque chose dans lequel l'Europe a sous-investi, qui devient une énorme conversation aux US. Et je pense que nous, il faut qu'on pousse un peu plus loin les cas d'usage dans cette direction parce que ça va devenir une priorité mondiale. Jérôme Colombain: [24:59] Il faut développer, selon vous, des contre-modèles. Antoine Jardin: [25:01] Oui, tout à fait, des modèles qui permettent de surveiller, d'étudier, de vérifier le comportement des modèles qui sont diffusés par les grands laboratoires en situation réelle. Parce que vous pouvez vérifier en laboratoire que le modèle a l'air d'être obéissant et fiable, mais lorsque vous le déployez à grande échelle, vous ne maîtrisez plus son comportement. C'est ce qu'on a vu dans l'attaque du site Hugging Face par des modèles issus d'OpenAI, et c'est ce qu'on voit de plus en plus dans les nouvelles générations de modèles. Et les caractéristiques de ces modèles-là, c'est qu'ils sont justement non observables. Ils sont capables de masquer les procédures qu'ils suivent. Et donc, c'est une caractéristique intrinsèque de l'architecture dominante aujourd'hui d'avoir ces problèmes de sécurité. Il y a des gens qui essayent de rajouter de la sécurité par-dessus, mais c'est un défaut, j'allais dire, de nature, de conception de ces outils-là. Les modèles que nous on développe, ils ont la caractéristique d'être complètement transparents, de ne pas avoir ces problématiques de comportement erratique, de comportement imprévisible. Et c'est pour ça qu'on considère qu'ils ont un avenir dans les domaines dans lesquels la sécurité est importante, l'auditabilité est importante et les enjeux sont importants. Et l'IA, pour nous, ne doit pas seulement chercher à reproduire le cerveau humain dans toutes ses compétences générales, elle doit permettre d'aller en profondeur plus loin que ce que savent faire les humains dans les besoins qui sont les plus importants et les plus critiques. Hugo Micheron: [26:11] Et on voit aussi que dans les tests des modèles d'IA actuels, la dimension de la composante humaine, et quasiment absente. Or, on vit aujourd'hui dans un monde, le monde dans lequel nous vivons tous, dans lesquels ces modèles-là sont utilisés quotidiennement. Donc, il y a une influence de l'humain. Si vous allez aujourd'hui sur X, pour ne citer qu'elle, vous pouvez accéder à Grock directement depuis l'application et échanger. Et ce qu'on voit, c'est que les gens posent des questions à Grock et en fait, changent de réponse eux-mêmes en fonction des réponses que leur apporte Grock. Donc, Grock influence leurs propos. Et de la même façon, les réponses et les relances qu'ils font à Grock peuvent influencer dans une direction les réponses futures de Grock. Donc, on est dans un monde social hybridé où l'IA influence l'homme et où l'homme influence l'IA. Et dans ce monde social hybridé, aller tester des modèles d'IA sans interaction humaine en amont, c'est vraiment s'exposer à des détournements considérables en arrière. Donc, je pense que cette logique aussi de pouvoir tester les modèles en interaction, etc., est quelque chose qui est très cher chez nous dans la compréhension de ce monde humain hybridé, on est au cœur potentiellement, d'un déploiement sain de l'IA. En tout cas, on ne peut pas faire l'économie de la réflexion. Jérôme Colombain: [27:25] Espérons-le, mais encore une question quand même. On sait que les LLM, par exemple, ont un gros talon d'Achille qui sont notamment les hallucinations. Vos modèles topologiques, ils ne sont pas soumis au même genre de problème. Ils sont toujours droits dans leur botte. On peut leur faire confiance à 100%. Hugo Micheron: [27:41] À petite échelle, pour l'instant, c'est très probant, mais c'est là où ce qui nous attend va nous permettre de préciser tout ça, c'est de voir comment les passages aux moyens puis aux gros modèles répondent notamment à cette question. Mais après, il y a aussi une question de design sur lequel Antoine... Antoine Jardin: [27:56] La nature des procédures mathématiques qui sont utilisées dans nos systèmes de modèles permet de vérifier le comportement, permet de le certifier. Donc, vous avez un contrôle beaucoup plus précis, alors que les modèles de langage, ils doivent deviner la réponse. Donc, ils vous donnent des réponses qui peuvent être variables. Et la même personne pose deux fois la même question va avoir deux réponses différentes donc ça montre bien que c'est beaucoup plus difficile à piloter et à contrôler Jérôme Colombain: [28:18] Très bien. Écoutez, c'est passionnant. On aurait pu y passer deux heures. C'est de la deep tech. C'est très compliqué, on va dire. Mais en même temps, on arrive à toucher du doigt, effectivement, la direction dans laquelle vous allez. Et on compte sur vous pour arriver à faire ces contre-modèles. Merci beaucoup, Hugo Micheron et Antoine Jardin, CEO et CTO de Harlequin et AER. Hugo Micheron: [28:43] Merci, merci beaucoup. Antoine Jardin: [28:44] Au revoir.