IA générative hybride pour les processus critiques
Le programme FOR répond aux exigences de la filière Aéronautique et Spatiale en s’appropriant l’IA générative pour les processus critiques
2024
Lancé en
+ de 90M€
Investissements à mobiliser
+ de 20
partenaires déjà engagés
4 piliers pour guider le programme de recherche FOR
Pilier 1 - Spécialisation embeddings
Une réponse correcte et fiable reposant sur le fait de donner à une IA une compréhension correcte d’un contexte multimodal et spécifique au domaine.
Un bon contexte permet une bonne réponse et réduit les erreurs.
Pilier 2 - Rose LLM
La valeur d'un LLM ne réside pas dans sa connaissance factuelle, mais dans sa capacité à corréler et à transformer les informations textuelles.
Contrôler les connaissances stockées par le modèle est essentiel pour la frugalité et la souveraineté.
Pilier 3 - Hybridation pour LAM
Déléguer des tâches complètes planifiées par l'IA est l'objectif final, mais cela nécessite un niveau élevé de raisonnement logique et de modélisation de la connaissance.
Intégrer à l'IA des outils hybrides de gestion des connaissances.
Pilier 4 - Benchmark LAM explicable et robuste
Les benchmarks de référence pour les LAM se concentrent sur les résultats des tâches et non sur le processus de réflexion.
Les erreurs dans les LAM auront des conséquences critiques, il faut les évaluer selon une méthodologie rigoureuse.
Les enjeux de l’IA générative
De la gestion de la donnée à la gestion de la connaissance
Une approche collaborative pour faire contrepoids à la position de force des grands acteurs actuels de l’IA générative.
Créer un effet de levier grâce aux synergies possibles entre divers secteurs stratégiques tels que le nucléaire, l’automobile, l’aérospatial et la santé
Des approches d’IA hybride, combinant l’IA basé données et l’IA basé connaissances pour chercher plusieurs ordres de grandeur en terme de frugalité et robustesse,
Des cas d’usage mettant l’accent sur la formalisation et le partage de connaissances comme vecteur de compétitivité, permettant de replacer l’humain au cœur de la productivité.
Objectifs du programme FOR
Le programme FOR a pour objectif d’identifier des verrous scientifiques et technologiques en lien avec la gestion de la connaissance dans les processus critiques, puis de proposer des solutions allant au-delà des approches basées purement sur des données (les grands modèles de langage) et garantissant robustesse, répétabilité, explicabilité, frugalité et souveraineté.
Le programme s’inscrit au cœur des processus liés à l’ingénierie, au développement et aux opérations des systèmes complexes et critiques Aéronautique, Spatiaux et de défense, et plus largement dans le domaine du transport.
Programme scientifique co-construit et maintenu à jour par la communauté académique et industrielle
9 projets au total :
- IRMA
- RAKEL
- Better Embeddings
- RAG
- Rose LLM
- LAM Benchmark
- LAM Hybridization
- LAM Explainability
- Embeddings Domain Adaptation
Parmi eux, 3 projets sont déjà lancés :
- Better Embeddings : 5 M€ et 9 ETP
- IRMA : 3.5 M€
- RAKEL : 3.5 M€, 5 ETP
- + 3 PhDs
2 livrables au service des entreprises
RAG est tout ce dont nous avons besoin
Toutes les industries déploient actuellement des solutions RAG (recherche documentaire par LLM), avec des succès mitigés.
Des solutions RAG mieux adaptées, moins coûteuses et plus efficaces apporteront des bénéfices immédiats à tous les secteurs d'activité.
Création de dataset open qui « ressemblent » aux données entreprise
Modèles d'actions larges de confiance
Les agents LLM et LAM représenteront la prochaine révolution des entreprises (après les modèles multimodaux). Mais ils ne fonctionnent pas encore.
Ils auront besoin de données d'entraînement spécifiques et de benchmarks spécifiques.
Il est essentiel de créer des normes pour les LAM et les agents LLM afin de permettre leur déploiement dans des domaines critiques.
Les partenaires français du programme FOR
Opérateurs du programme
Grands groupes
Startup / PME
Agences
Centres de recherche et universités
Cadre de financement et pilotage
90M€ FRANCE 2030 non-structurelle
Un volet au Québec cofinancé par un consortium comprenant a minima des industriels, IVADO et ses membres académiques et le CRIAQ.
Les premiers projets sont créés en France sous mécanisme IRT (France 2030 structurel) et co-financé par des industriels et par ANITI.
L’objectif est d’évoluer vers du France 2030 non structurel et d’autres financements type DGA
60M€ France et 30M€ Quebec
84% IRT Saint Exupéry
16% Collaborations
Répartition de la part Française
34% Financement privé
33% France 2030 Non Structurel
17% DGA, FED
8% Clusters IA
8% Horizon Europe
Contactez nous
Prenez contact avec notre équipe Business Development