Peut-on vraiment piloter l’intelligence des robots sans réinventer la façon dont nous collectons et organisons leurs données ? La montée des machines autonomes — voitures, robots en usines, engins de chantier — ne cesse de soulever des défis inattendus à mesure que les entreprises accumulent des montagnes de vidéos pour entraîner leurs modèles d’IA. Mais qui se charge de trier tout ce contenu et surtout, comment ?
Alors que l’industrie récolte chaque jour des terabytes d’images issues de flottes d’automates, le tri manuel de ces vidéos s’avère rapidement intenable. Même en multipliant les visionnages en accéléré, le tri reste un gouffre de temps humain. Des pépites de données — les fameux “edge cases”, ces situations rares où l’IA s’égare le plus — restent ainsi noyées dans l’océan des archives. NomadicML, une jeune pousse fondée par deux anciens de Harvard, entend justement transformer ces gisements inexploités grâce à une plateforme hybridant vision par ordinateur et modèles de traitement du langage. Mais cette technologie peut-elle vraiment remplacer l’œil humain ?
La solution proposée par Nomadic promet de convertir l’anarchie des vidéos en une base structurée et directement interrogeable. Ce basculement ouvre-t-il la voie à une nouvelle génération d’IA capables d’apprendre vite, sur la base de jeux de données taillés sur mesure ? Leur récente levée de fonds de 8,4 millions de dollars, valorisant la société à 50 millions, témoigne de la confiance du secteur. Les premiers utilisateurs industriels – dont Mitsubishi Electric et Zendar – s’en disent satisfaits, évoquant un gain de temps significatif et un véritable atout concurrentiel.
Les start-ups qui domineront le marché demain sont celles qui sauront transformer des montagnes de données brutes en or pour l’IA.
Cependant, dans un écosystème où des géants comme Nvidia investissent aussi sur ces outils d’annotation, Nomadic est-elle vraiment en avance ? Son approche, basée sur ce que les fondateurs appellent le “raisonnement agentique”, veut dépasser la simple étiquette automatique : il s’agit de décrire précisément ce que l’on cherche, puis de laisser la plateforme “raisonner” et contextualiser l’action détectée. Faut-il y voir l’émergence d’un nouveau standard industriel, voire un changement de paradigme ?
Pour Schuster Tanger, investisseur principal, tenter de répliquer ce type de technologie en interne serait pure distraction pour les constructeurs de machines autonomes. Les entreprises doivent-elles donc déléguer l’accès et l’exploitation de leurs données les plus précieuses à des sociétés tierces, au risque de perdre la main sur leur cœur technologique ?
Reste que le défi technique, lui, continue de s’intensifier. Mustafa Bal, cofondateur, le reconnaît : jongler avec des téraoctets de vidéos et des modèles de plus de 100 milliards de paramètres pour extraire des insights précis, c’est “incroyablement difficile”. L’objectif, désormais, n’est-il pas d’aller plus loin en intégrant des données issues de capteurs non visuels, comme le lidar, et de mixer tous ces flux pour une compréhension globale ?
La vraie question serait alors : sommes-nous à l’aube d’un fonctionnement vraiment autonome des IA, ou ces outils vont-ils simplement déplacer la complexité du tri des données vers d’autres territoires technologiques ?
Source : Techcrunch
