Présentation de la plateforme AI Data
Dell Technologies propose une AI Data Platform destinée aux institutions financières, conçue pour transformer des volumes massifs de données CRM, de flux transactionnels et de signaux de marché en informations exploitables. Le discours de l’entreprise insiste sur le fait que, dans ce secteur, la contrainte principale n’est plus le modèle d’IA mais la qualité et la disponibilité des données. La plateforme se veut donc un socle de curation, connexion et service des données d’entreprise, afin d’alimenter les modèles d’IA, notamment les agents dits agentic AI.
Architecture à quatre moteurs
Le cœur technique repose sur une architecture à quatre moteurs. Le Data Orchestration Engine utilise les derniers modèles de machine learning pour normaliser la documentation produit et orchestrer les requêtes de récupération. Le Data Processing Engine, basé sur Apache Spark, réalise le feature engineering, la segmentation client et l’entraînement de scores d’affinité. Le Data Search Engine s’appuie sur Elasticsearch et combine recherche vectorielle et mots‑clés afin d’interroger les bases de connaissances produit. Enfin, le Data Analytics Engine expose le lac de données Iceberg comme une surface SQL gouvernée, directement exploitable par les agents sans adaptation logicielle supplémentaire.
Couche sémantique unifiée et agentic AI
Une composante clé est la Unified Semantic Layer, qui attribue une signification métier cohérente aux informations structurées et non structurées. Cette couche exploite des modèles ouverts pour générer à grande échelle des entités, des définitions et des relations, tout en intégrant un processus human‑in‑the‑loop de validation. Selon le responsable produit, cela résout le problème le plus difficile des couches sémantiques : la création d’entités fiables à l’échelle. Le résultat est un environnement où les agents d’IA peuvent accéder à des données contextuelles précises, réduisant les risques d’interprétations erronées.
Implications pour le secteur financier
En pratique, la plateforme promet de raccourcir le chemin entre les données brutes et les réponses prêtes à l’IA, ce qui est crucial pour les services financiers où la rapidité de décision influence la compétitivité. L’utilisation d’Elasticsearch pour la recherche vectorielle permet d’intégrer des requêtes sémantiques, tandis que le lac Iceberg assure la gouvernance et la traçabilité des requêtes SQL. Cependant, la dépendance à des composants open‑source comme Spark et Elasticsearch implique une gestion rigoureuse des versions et des correctifs de sécurité, notamment dans un contexte de conformité réglementaire stricte. De plus, la couche sémantique, bien que validée par l’humain, reste sensible aux biais des modèles ouverts, ce qui nécessite des audits continus pour éviter des dérives décisionnelles.
