Nouvelles capacités conversationnelles

Avec iOS 17.5, Siri exploite le modèle « Apple Intelligence » pour accepter des requêtes en plusieurs tours. L’assistant conserve le contexte d’une interaction, ce qui permet de préciser une demande sans répéter les informations initiales. Ainsi, un utilisateur peut demander « Quel est le meilleur restaurant italien ? », puis préciser « Réserve une table pour deux ce soir » et Siri exécutera la seconde action en s’appuyant sur la première.

Le système génère également des résumés d’e‑mails, rédige des réponses et propose des extraits de code en Swift ou Python, démontrant une compréhension syntaxique comparable à celle des modèles de grande taille disponibles sur le cloud.

Architecture hybride et confidentialité

Apple combine un petit modèle local, exécuté sur le Neural Engine, pour la reconnaissance vocale et le déclencheur « Hey Siri », avec un serveur distant hébergeant le LLM. Les requêtes sont chiffrées end‑to‑end et les réponses sont filtrées avant d’être renvoyées à l’appareil. Apple indique que les données d’entraînement sont anonymisées via la différential privacy, limitant l’exposition d’informations personnelles.

Le traitement partiel sur l’appareil réduit la latence : les tâches simples (définir une alarme, lire la météo) restent locales, tandis que les réponses génératives nécessitent le serveur distant. Cette répartition optimise l’utilisation du GPU du Neural Engine, qui peut atteindre 11 TOPS pour les opérations de matrice du modèle.

Intégration d’applications tierces

SiriKit a été étendu pour accepter des « function calls » dynamiques. Les développeurs déclarent des intents dans un fichier 

IntentDefinition.intentdefinition
et le système mappe automatiquement les réponses du LLM aux actions natives de l’application. Exemple : un service de réservation de taxis peut recevoir la phrase « Prends‑moi un Uber à 18 h », le LLM identifie l’intent BookRideIntent et transmet les paramètres au SDK.

Cette approche évite la création de phrases rigides et permet aux applications de profiter de la compréhension contextuelle sans implémenter leur propre modèle de langage.

Limites et perspectives

Malgré ces avancées, le modèle reste dépendant d’une connexion Internet pour les réponses complexes, ce qui introduit une variabilité de latence selon la charge du serveur. De plus, Apple n’a pas publié la taille exacte du LLM, rendant difficile l’évaluation de son empreinte carbone comparée aux alternatives open‑source.

Les prochains iOS devront probablement renforcer le traitement on‑device afin de réduire la dépendance réseau et d’étendre la personnalisation via la fonction « Personal Voice », déjà disponible pour la synthèse vocale mais encore limitée à la lecture de texte pré‑défini.