Contexte et création

Lola Vision Systems a été fondée en 2024 par Tayo Adesanya, ancien conseiller technique pour de grands fabricants de micro‑chips. Son expérience de plus d’une décennie dans la sélection de processeurs AI a révélé un goulet d’étranglement majeur : le paramétrage manuel d’un modèle IA sur un nouveau matériel peut nécessiter environ 200 heures avant même les premiers tests. Cette contrainte a motivé la création d’une société d’infrastructure AI capable d’automatiser la chaîne de compilation.

Chaîne de compilation propriétaire

Le produit phare de Lola Vision est une toolchain de compilation qui traduit les modèles IA – qu’ils soient propriétaires ou issus de l’open source – en instructions exécutables sur une puce cible. En pratique, le client soumet son code source et le modèle, puis le logiciel génère un binaire optimisé pour le micro‑contrôleur ou le ASIC choisi. Selon le fondateur, cette étape réduit le temps de mise en service de plusieurs dizaines de fois, passant de centaines d’heures à quelques heures, ce qui accélère les cycles de validation pour les secteurs aérospatial et autres applications critiques.

Développement de puces et modèle de licence

En parallèle du logiciel, Lola Vision conçoit ses propres puces afin d’intégrer plus profondément le compilateur dans le flux matériel. Le lancement des siliciums est prévu après la phase de validation logicielle, mais la société a déjà annoncé une stratégie de licence du logiciel sur du matériel existant. Cette approche permet aux clients d’utiliser les outils de Lola Vision sur des plateformes comme les modules Nvidia Jetson, tout en différant l’achat de nouveaux ASIC jusqu’à ce que la production soit mature.

Adoption, financement et perspectives

À ce jour, l’entreprise compte une dizaine de lettres d’intention de grandes entreprises et un client signé qui utilise déjà la toolchain. Le financement total s’élève à un peu plus d’un million de dollars, levé depuis la création. Lola Vision a également conclu un partenariat avec le programme de formation micro‑électronique SCALE, afin d’accéder à des laboratoires de fabrication. Le positionnement face à Nvidia Jetson repose sur deux axes : réduction du temps d’intégration et optimisation de la consommation énergétique, deux critères souvent cités comme bloquants pour le calcul en périphérie.