Contexte et ambition
Noetive, startup spécialisée dans l’intelligence artificielle industrielle, a annoncé aujourd’hui une levée de fonds seed de 41 millions de dollars. L’objectif déclaré est de combler le retard de l’IA dans l’économie physique, estimée à 30 trillions de dollars, en proposant une solution capable d’apprendre et de s’ajuster en continu sur les sites de production et les réseaux logistiques.
Architecture du système
Au cœur du produit se trouve un modèle d’IA qualifié de « brain », décrit comme self‑improving. Ce modèle est entraîné à partir de deux sources de données distinctes : les flux numériques existants (ERP, SCADA, systèmes de gestion des stocks) et les données captées en temps réel par un pod de capteurs multimodaux développé en interne. Le pod agrège des mesures physiques (température, vibration, flux de matières) et les combine avec les informations logicielles, créant ainsi un jeu de données hétérogène que le brain exploite pour affiner ses prédictions.
Des agents logiciels, construits sur le brain, s’exécutent au-dessus des outils déjà déployés chez le client (cloud privé, bases de données, systèmes de contrôle). Chaque itération de déploiement enrichit le modèle, ce qui implique un cycle de rétro‑action continu : plus le système est utilisé, plus il devient performant.
Première mise en œuvre concrète
Steuben Foods, fabricant de produits alimentaires, figure parmi les premiers partenaires. Selon le PDG Menachem Katz, la planification de la production, auparavant réalisée une fois par mois et nécessitant une semaine de travail, se fait désormais quotidiennement en quelques minutes. Cette amélioration provient de la capacité du système à détecter instantanément les variations de la chaîne d’approvisionnement et à recalculer les besoins en matières premières et en main‑d’œuvre.
Le modèle intègre également les contraintes de fournisseurs et les capacités machines, ce qui permet d’optimiser les calendriers de production sans intervention manuelle exhaustive.
Implications, risques et limites
Le financement, mené par Eclipse Ventures et soutenu par des acteurs tels que Craft Ventures, The Westly Group, ainsi que des investisseurs individuels comme le CTO de Meta, Andrew Bosworth, finance la recherche sur l’auto‑amélioration du modèle et l’extension du réseau de partenaires. Cependant, plusieurs défis subsistent : la dépendance à des données provenant de systèmes souvent siloés, la nécessité de garantir la sécurité des flux de données industriels, et la complexité d’intégrer le pod multimodal dans des environnements où les normes de connectivité varient fortement.
En outre, l’efficacité du brain repose sur la qualité des données d’entrée ; des capteurs mal calibrés ou des erreurs de synchronisation peuvent introduire des biais qui se propagent à l’ensemble du système. Enfin, l’auto‑amélioration continue soulève des questions de gouvernance : chaque mise à jour du modèle doit être validée pour éviter des comportements inattendus dans des processus critiques.
