L’IA brise les règles de la conception automobile…

47

1VentureBeat AI

Intuit a réduit des mois de travail fiscal à quelques heures, avec un workflow adaptable aux secteurs réglementés

Lorsque le projet de loi fiscal américain "One Big Beautiful Bill" a été adopté, l'équipe de TurboTax chez Intuit s'est retrouvée face à un document de plus de 900 pages non structurées, sans formulaires officiels de l'IRS disponibles et avec une date de livraison impossible à repousser. Plutôt que de suivre la procédure habituelle qui prenait plusieurs mois, l'équipe a construit un pipeline de travail combinant des modèles de langage commerciaux, un langage de programmation propriétaire et un framework de tests unitaires sur mesure. Joy Shaw, directrice fiscale chez Intuit depuis plus de 30 ans, a supervisé le processus : les équipes ont utilisé ChatGPT pour résumer successivement les versions de la Chambre et du Sénat, réconcilier les différences de formulation entre les deux textes, puis filtrer uniquement les dispositions impactant les clients de TurboTax. Des tâches qui prenaient auparavant plusieurs semaines ont été réduites à quelques heures. La prouesse va bien au-delà d'un simple gain de productivité. TurboTax repose sur un langage de programmation propriétaire développé en interne chez Intuit, et non sur un langage standard comme Python ou Java. Aucun modèle de langage n'a été entraîné sur cette syntaxe, ce qui rend la génération de code particulièrement délicate. C'est Claude, le modèle d'Anthropic, qui a été utilisé pour traduire le texte juridique en code fonctionnel et cartographier les dépendances entre les nouvelles dispositions et les décennies de code existant. Deux outils propriétaires ont également été développés pendant ce cycle : le premier génère automatiquement les écrans produit de TurboTax à partir des changements législatifs, une tâche auparavant réalisée manuellement pour chaque disposition ; le second produit des cas de test unitaires directement à partir du texte de loi, permettant de vérifier la conformité avec un seuil d'erreur proche de zéro, indispensable dans un domaine où la moindre imprécision engage la responsabilité légale d'Intuit. Ce workflow a été forgé sous contrainte, mais il dessine un modèle applicable bien au-delà de la fiscalité. Lors de la précédente grande réforme fiscale américaine, le Tax Cuts and Jobs Act de 2017, les mêmes équipes avaient traversé le même processus sans assistance de l'IA, en plusieurs mois de travail manuel. La comparaison illustre l'ampleur du changement. Des secteurs entiers soumis à des corpus réglementaires complexes, comme la santé, la finance ou le droit, font face aux mêmes défis : documents non structurés, délais serrés, exigence de conformité absolue. Intuit a montré qu'il est possible de combiner des LLM généralistes pour l'analyse et des modèles plus spécialisés pour la génération de code, tout en conservant des humains en bout de chaîne pour la validation. La question n'est plus de savoir si l'IA peut s'intégrer dans ces pipelines réglementaires, mais à quelle vitesse les autres acteurs vont adapter cette approche à leurs propres contraintes de domaine.

UELa méthodologie illustre une approche reproductible pour les entreprises européennes des secteurs réglementés (santé, finance, droit) confrontées à des corpus documentaires complexes et des délais de conformité serrés.

OutilsOutil

1 source

Modélisation de capteurs virtuels avec l'IA et la conception basée sur les modèles

40

2IEEE Spectrum AI

Modélisation de capteurs virtuels avec l'IA et la conception basée sur les modèles

MathWorks propose un webinaire gratuit centré sur l'intégration de l'intelligence artificielle dans les workflows de conception basée sur les modèles (Model-Based Design), avec pour cas d'usage principal la modélisation de capteurs virtuels. La session couvre l'ensemble du cycle de vie d'un modèle d'IA : conception et entraînement sous MATLAB, validation et vérification formelle, compression pour optimisation mémoire, génération de code C sans bibliothèques tierces, et déploiement sur processeurs embarqués. Des tests PIL (Processor-in-the-Loop) sont également au programme pour évaluer les performances réelles du code généré. L'intérêt concret de cette approche réside dans la capacité à intégrer des réseaux de neurones directement dans Simulink pour des simulations au niveau système, sans sortir de l'environnement de développement. La vérification formelle du comportement des réseaux de neurones, une étape rarement outillée dans les pipelines d'IA industrielle, représente un apport notable pour les secteurs où la sûreté est critique, comme l'automobile, l'aérospatiale ou l'industrie manufacturière. La compression des modèles pour réduire l'empreinte mémoire et accélérer l'exécution est particulièrement pertinente pour les contraintes des systèmes embarqués. Ce webinaire s'inscrit dans une tendance de fond : rapprocher les outils d'IA des environnements d'ingénierie système traditionnels. MathWorks, avec MATLAB et Simulink, occupe une position historiquement forte dans les industries à forte contrainte de certification. En proposant un flux bout-en-bout pour les capteurs virtuels, l'entreprise répond à un besoin croissant de remplacement ou de complément aux capteurs physiques coûteux par des modèles appris, tout en conservant les exigences de traçabilité et de vérification propres aux systèmes critiques.

UELes secteurs européens de l'aérospatiale et de l'automobile, soumis à des normes de certification strictes (DO-178C, ISO 26262), pourraient bénéficier de ces workflows de vérification formelle pour accélérer l'intégration de l'IA dans les systèmes embarqués critiques.

OutilsOutil

1 source

Santé fondée sur l'IA : 100 millions de consultations, 10 à 20 heures gagnées, autorisations médicales en quelques minutes (Abridge)

41

3Latent Space

Santé fondée sur l'IA : 100 millions de consultations, 10 à 20 heures gagnées, autorisations médicales en quelques minutes (Abridge)

Abridge n'est pas une startup née dans la fièvre de ChatGPT. Fondée en 2018, quatre ans avant le lancement public de l'outil d'OpenAI, l'entreprise s'est construite sur un pari précis : améliorer la documentation clinique, ce travail invisible que les médecins effectuent après chaque consultation, souvent le soir chez eux. Son système écoute les échanges entre patients et soignants, génère automatiquement les notes médicales et réduit ainsi la charge administrative. Aujourd'hui, Abridge annonce qu'elle traitera plus de 80 millions de conversations patient-médecin en 2025, auprès de 250 grands systèmes de santé américains, dans 28 langues et pour plus de 50 spécialités médicales. En juin 2025, elle a bouclé une levée de fonds de 300 millions de dollars à une valorisation de 5,3 milliards, après un premier tour de 250 millions de dollars plus tôt dans l'année. Ses dirigeants, Janie Lee et Chaitanya Asawa, revendiquent un gain de 10 à 20 heures par semaine pour les cliniciens, et des autorisations préalables de remboursement, processus normalement long de plusieurs semaines, traitées en quelques minutes pendant que le patient est encore dans la salle. L'enjeu dépasse la simple productivité administrative. Le système de santé américain souffre d'un épuisement massif de ses soignants, aggravé par des tâches bureaucratiques chronophages. En automatisant la prise de notes et en intégrant directement les données dans les dossiers médicaux électroniques, Abridge libère du temps clinique réel. L'exemple des autorisations préalables illustre l'ampleur du changement : un médecin qui prescrit une IRM peut désormais recevoir en temps réel une alerte sur les critères requis par l'assureur, avant que le patient ne quitte le cabinet, évitant un refus de remboursement des semaines plus tard. Ce type d'intervention préventive représente une transformation concrète des flux de travail hospitaliers, avec des implications financières directes pour les établissements de santé. Abridge se positionne désormais comme une couche d'intelligence clinique plus large, au-delà du simple scribe ambiant. L'entreprise ambitionne d'intégrer des données de politiques d'assurance, de littérature médicale et de protocoles hospitaliers spécifiques pour construire un avantage concurrentiel durable. Elle développe des agents capables d'agir avant, pendant et après la consultation, dans un environnement où la moindre erreur peut avoir des conséquences graves. La question des modèles propriétaires versus les modèles frontières, la gestion de la vie privée, la désidentification des données et l'évaluation de la qualité en temps réel constituent les défis techniques centraux. Dans un secteur aussi réglementé et à forts enjeux, Abridge fait le pari que résoudre les problèmes d'IA les plus difficiles passera d'abord par la santé.

UELa dynamique de l'IA de documentation clinique illustrée aux États-Unis pourrait accélérer des initiatives similaires dans les hôpitaux français et européens, mais aucun déploiement ni partenariat européen n'est annoncé.

OutilsOutil

1 source

Miro utilise Amazon Bedrock pour améliorer le routage des bugs logiciels et réduire le délai de résolution de plusieurs jours à quelques heures

38

4AWS ML Blog

Miro utilise Amazon Bedrock pour améliorer le routage des bugs logiciels et réduire le délai de résolution de plusieurs jours à quelques heures

Miro, la plateforme de collaboration visuelle utilisée par plus de 95 millions d'utilisateurs dans le monde, a développé un système d'intelligence artificielle baptisé BugManager pour automatiser le tri et l'affectation des rapports de bugs à ses équipes d'ingénierie. Avant cette solution, une part significative des bugs manquait les délais internes de résolution, principalement à cause d'erreurs d'affectation et de multiples réassignations entre équipes. L'entreprise estimait ces dysfonctionnements à 42 années cumulées de productivité perdue chaque année. BugManager a été développé en partenariat avec l'équipe AWS Prototyping and Cloud Engineering (PACE) et s'appuie sur Amazon Bedrock, Amazon Nova Pro et Claude Sonnet 4 d'Anthropic. Le résultat est saisissant : six fois moins de réassignations entre équipes, et un temps de résolution réduit de plusieurs jours à quelques heures. L'impact est d'abord opérationnel : les développeurs passent moins de temps à gérer des tickets mal orientés et peuvent se concentrer sur la résolution réelle des problèmes. Pour une organisation comptant près de 100 équipes, chacune responsable d'une portion spécifique du produit, un mauvais routage engendre des investigations redondantes, de la frustration, et des retards visibles pour les utilisateurs finaux. En passant d'une logique de classification traditionnelle à une approche basée sur la génération augmentée par récupération (RAG), Miro s'affranchit également de la nécessité de réentraîner ses modèles à chaque réorganisation interne, ce qui représente un gain stratégique considérable dans un environnement où les équipes fusionnent, se créent ou évoluent régulièrement. Les approches précédentes de Miro reposaient sur des modèles fine-tunés comme BERT ou GPT, qui se dégradaient rapidement dès que la structure organisationnelle changeait, faute de données d'entraînement suffisantes pour les nouvelles configurations. BugManager adopte une architecture radicalement différente : lorsqu'un bug est soumis, le système commence par analyser les éléments non textuels (captures d'écran, enregistrements vidéo) via les capacités multimodales d'Amazon Nova Pro, puis enrichit le rapport via des bases de connaissances contenant des tickets Jira déjà résolus, des pull requests GitHub, de la documentation Confluence et des fichiers README. Claude Sonnet 4, via Amazon Bedrock, synthétise ensuite ces informations pour affecter le bug à l'équipe la plus pertinente, sans nécessiter aucun réentraînement. Cette approche "zero-training" représente une tendance de fond dans l'industrie : déléguer la classification complexe à des grands modèles de langage enrichis de contexte métier, plutôt que de maintenir des pipelines d'entraînement coûteux et fragiles.

UELe modèle architectural RAG sans réentraînement décrit constitue une référence concrète applicable par les équipes d'ingénierie françaises et européennes cherchant à automatiser leur gestion de tickets sans pipeline ML coûteux.

OutilsOutil

1 source

L’IA brise les règles de la conception automobile : un travail de plusieurs mois se fait maintenant en quelques heures

À lire aussi

Intuit a réduit des mois de travail fiscal à quelques heures, avec un workflow adaptable aux secteurs réglementés

Modélisation de capteurs virtuels avec l'IA et la conception basée sur les modèles

Santé fondée sur l'IA : 100 millions de consultations, 10 à 20 heures gagnées, autorisations médicales en quelques minutes (Abridge)

Miro utilise Amazon Bedrock pour améliorer le routage des bugs logiciels et réduire le délai de résolution de plusieurs jours à quelques heures