Contexte et financement
Arlequin AI SAS, start‑up parisienne, a annoncé une levée de fonds de 28 M€ (environ 32 M$) en série A. Le tour, entièrement européen, a été co‑mené par Redalpine et OTB Ventures, avec le soutien du Defense Innovation Fund de Bpifrance. Les investisseurs existants Vsquared Ventures et 10x Founders ont renforcé leurs participations, tandis que Xavier Niel et Zebox ont rejoint le capital. Cette enveloppe financière doit accélérer le développement d’une architecture de modèle propriétaire basée sur les topological neural networks (TNN).
Architecture topologique des réseaux
Contrairement aux réseaux de neurones graphiques qui sous‑tendent la plupart des grands modèles de langage, les TNN de Arlequin exploitent la topologie des données pour capturer des interactions multi‑chemins. Le modèle apprend non seulement à partir de points de données isolés, mais aussi à partir de la façon dont ces points sont connectés dans un graphe de haute dimension. Cette approche permet d’ingérer des sources hétérogènes – documents, transactions, flux vidéo et informations opérationnelles – sans transformation préalable en vecteurs plats. Arlequin affirme disposer d’une plateforme « easy‑to‑deploy » capable de scaler ces analyses sur des volumes de données de l’ordre du milliard de points.
Applications et performances attendues
Le texte cite plusieurs cas d’usage : investigations antiterroristes, détection de fraudes, traçage de blanchiment d’argent, cybersécurité et audit de l’intégrité de l’information. Dans chaque scénario, le modèle doit identifier des liens entre personnes, lieux, communications et événements, puis remonter aux causes racines. Arlequin indique que l’architecture TNN consomme « significativement moins de compute », ce qui réduirait la dépendance aux GPU haut de gamme et aux coûts énergétiques associés. Aucun benchmark chiffré n’est fourni, la société se base sur des estimations internes.
Enjeux et limites
Le projet s’appuie sur des collaborations avec le CNRS, le Inria, le Max‑Planck‑Institute et plusieurs universités américaines (Oxford, Cornell, Princeton, UC Santa Barbara). Cette coopération académique vise à valider les propriétés topologiques du modèle, mais la publication de résultats peer‑reviewed reste à venir. L’absence de métriques publiques empêche d’évaluer objectivement la supériorité des TNN face aux architectures graphiques classiques. De plus, la capacité à généraliser sur des jeux de données non structurés n’est pas démontrée, ce qui constitue un risque pour les déploiements industriels à grande échelle.
