Nova Forge SDK : une solution simple pour personnaliser les modèles Nova pour l'IA en entreprise

Lancez vos expériences de personnalisation Nova avec le SDK Nova Forge

Amazon franchit une nouvelle étape dans la démocratisation de la personnalisation des grands modèles de langage avec le lancement du Nova Forge SDK, un outil conçu pour simplifier radicalement le fine-tuning des modèles Amazon Nova. Fini les configurations laborieuses de dépendances, de sélection d'images ou de recettes d'entraînement, le SDK centralise l'ensemble du pipeline de personnalisation en une interface unifiée, accessible même aux équipes sans expertise infrastructure poussée. L'enjeu est considérable : la personnalisation des LLM reste aujourd'hui un frein majeur à leur adoption en entreprise. En intégrant nativement Amazon SageMaker AI, le Nova Forge SDK couvre l'intégralité du spectre de personnalisation, du fine-tuning supervisé classique jusqu'aux techniques avancées de renforcement (Reinforcement Fine-Tuning, ou RFT), sans rupture de plateforme. C'est un changement de paradigme pour les équipes data qui cherchent à adapter des modèles fondation à des cas d'usage métier précis. Pour illustrer les capacités du SDK, Amazon a conduit une étude de cas sur la classification automatique de questions Stack Overflow en trois catégories de qualité : HQ (haute qualité), LQEDIT (basse qualité, éditée) et LQCLOSE (basse qualité, fermée). Le jeu de données utilisé contient 60 000 questions collectées entre 2016 et 2020, dont 4 700 ont été échantillonnées : 3 500 pour le fine-tuning supervisé, 500 pour l'évaluation, et 700 supplémentaires pour le RFT, augmentés des 3 500 exemples SFT pour éviter l'oubli catastrophique. Le processus suit quatre étapes séquentielles : évaluation de référence, SFT, RFT sur checkpoint SFT, puis déploiement sur un endpoint d'inférence SageMaker AI. Le positionnement d'Amazon est clair : traiter la personnalisation comme un continuum sur l'échelle de scaling, et non comme une étape isolée. Avec des améliorations mesurables à chaque phase d'entraînement, le Nova Forge SDK s'adresse directement aux équipes cherchant à industrialiser leurs workflows de fine-tuning sans sacrifier la flexibilité technique, une réponse directe à la pression concurrentielle d'OpenAI, Google et Mistral sur le marché de la personnalisation LLM.

Les entreprises peuvent entraîner des modèles d'IA personnalisés depuis leurs workflows de production, sans équipe ML

Empromptu AI, une startup basée à San Francisco, a lancé jeudi une plateforme baptisée Alchemy Models, conçue pour transformer automatiquement les workflows de production d'entreprise en données d'entraînement pour des modèles d'IA personnalisés. Le principe est simple : chaque requête traitée par une application IA, chaque correction apportée par un expert métier à ses résultats, constitue un signal d'apprentissage. Jusqu'ici, ces données disparaissaient dans le vide. Alchemy les capte en continu via une infrastructure appelée Golden Data Pipelines, soumet les sorties de l'application à des experts internes pour validation, puis utilise ces données vérifiées pour lancer des cycles de fine-tuning successifs. Les modèles résultants, que la société appelle Expert Nano Models, sont de petits modèles spécialisés sur une tâche précise plutôt que sur le raisonnement général. L'entreprise est dirigée par Shanea Leven, qui a présenté la plateforme en exclusivité à VentureBeat. Les clients conservent la propriété intégrale des poids du modèle, qui sont portables et exportables moyennant frais. La plateforme est compatible avec Llama, Qwen et d'autres modèles de base. L'enjeu commercial est direct pour les entreprises qui s'appuient aujourd'hui sur des API de modèles fondamentaux : les coûts d'inférence augmentent avec l'usage, les données qui entraînent ces modèles profitent aux fournisseurs et non aux clients, et la personnalisation pour des tâches métier spécifiques reste limitée. Alchemy propose une sortie de cette dépendance en faisant de l'application elle-même la source de données d'entraînement, sans équipe ML ni étape séparée de collecte et d'étiquetage. Comme le résume Leven : "L'application IA que les clients construisent déjà nettoie les données." La gouvernance, les garde-fous et les contrôles de conformité sont intégrés au même pipeline, ce qui signifie que la traçabilité suit le processus d'entraînement. La contrainte principale reste le volume : les premiers déploiements tournent sur le modèle de base le temps que l'application accumule suffisamment de données de production pour déclencher un cycle de fine-tuning utile. Sur le marché du fine-tuning entreprise, Empromptu se positionne face à des acteurs établis comme OpenAI avec son API de fine-tuning et Amazon Web Services avec Bedrock Custom Models. Ces deux solutions imposent aux organisations d'apporter leurs propres jeux de données préparés séparément et de gérer le processus en dehors de leur stack applicatif, ce qui nécessite une équipe ML dédiée. La différenciation d'Alchemy repose sur l'intégration : le workflow applicatif est le pipeline d'entraînement, et non un projet distinct. La question de la soutenabilité économique et du délai avant le premier cycle de fine-tuning efficace reste ouverte, Leven elle-même reconnaissant sans détour que "l'entraînement du modèle prendra du temps". La startup s'adresse à un moment charnière où de nombreuses entreprises cherchent à protéger leur avantage compétitif face à la généralisation rapide des outils IA.

AWS et Superblocks s’associent pour simplifier l’intégration multi-modèles dans les apps d’entreprise

L'alliance a été annoncée le 3 août 2026 par AWS et la startup Superblocks, dans le cadre d'un partenariat pluriannuel visant à intégrer la plateforme de développement de Superblocks aux environnements cloud des entreprises clientes d'AWS. Concrètement, l'intégration s'appuie sur Amazon Bedrock et donne accès, via une API centralisée, à un catalogue de modèles incluant Claude d'Anthropic, Llama de Meta et Titan d'Amazon. Le cœur du dispositif est un « Smart Router » qui analyse en temps réel la complexité de chaque requête pour l'orienter automatiquement vers un modèle open-source économique pour les tâches simples, ou vers un modèle de pointe pour les raisonnements complexes, ce qui permettrait de réduire jusqu'à 30 % les coûts liés aux jetons d'inférence. L'architecture repose aussi sur Amazon Aurora avec bascule à zéro pour les bases de données, ainsi que sur Amazon S3 et les bases de connaissances Bedrock pour faciliter le RAG (retrieval-augmented génération). Un nouveau modèle de déploiement baptisé AWS Cloud-Prem permet à l'ensemble de la plateforme de s'exécuter entièrement au sein du VPC de l'entreprise cliente, garantissant qu'aucun prompt, code ou donnée métier ne transite par des serveurs tiers. Pour les directions des systèmes d'information, ce partenariat répond à un problème concret : la multiplication des modèles de langage complique l'architecture des systèmes existants et oblige à réécrire du code à chaque changement de fournisseur. En mutualisant l'accès aux modèles derrière une couche d'abstraction unique, AWS et Superblocks limitent le risque de dépendance à un seul fournisseur tout en laissant les équipes métiers construire des applications sur mesure sans multiplier les intégrations techniques. La promesse de réduction de 30 % des coûts d'inférence est significative pour des organisations qui déploient l'IA générative à grande échelle, où la facture de jetons peut vite devenir un poste de dépense majeur. Sur le plan sécurité, l'isolation complète dans le VPC de l'entreprise et l'héritage des contrôles IAM, du chiffrement et de la journalisation d'audit d'AWS offrent aux responsables de la sécurité des systèmes d'information une visibilité qu'ils n'ont pas toujours avec des outils d'IA grand public. Cette alliance s'inscrit dans la montée en puissance du « vibe coding », ce développement d'applications assisté par IA que des salariés non-développeurs utilisent de plus en plus au sein des directions opérationnelles, souvent en dehors du contrôle de la DSI. Cette pratique alimente le phénomène de Shadow AI, où des données sensibles peuvent transiter par des outils non validés par l'entreprise. En intégrant sa plateforme dans l'écosystème géré d'AWS plutôt que de rester une solution SaaS externe, Superblocks cherche à convaincre les grandes entreprises que gouvernance et rapidité de développement ne sont pas incompatibles. AWS, de son côté, renforce sa stratégie autour de Bedrock face à la concurrence de Microsoft Azure et Google Cloud sur le marché de l'IA d'entreprise, en misant sur le choix des modèles et la conformité réglementaire comme arguments différenciants plutôt que sur un modèle propriétaire unique.

OpenAI lance Privacy Filter, un modèle open source de suppression des données personnelles dans les jeux de données d'entreprise

OpenAI a publié Privacy Filter, un modèle open source spécialisé dans la détection et la suppression des informations personnelles identifiables (PII) avant qu'elles n'atteignent un serveur distant. Disponible sur Hugging Face sous licence Apache 2.0, cet outil repose sur 1,5 milliard de paramètres mais n'en active que 50 millions à chaque traitement, grâce à une architecture Sparse Mixture-of-Experts qui réduit considérablement la charge de calcul. Contrairement aux grands modèles de langage classiques qui lisent un texte de gauche à droite, Privacy Filter est un classificateur bidirectionnel de tokens : il analyse chaque phrase dans les deux sens simultanément, ce qui lui permet de mieux distinguer, par exemple, si le prénom "Alice" désigne une personne privée ou un personnage littéraire public. Le modèle gère une fenêtre de contexte de 128 000 tokens, suffisante pour traiter un document juridique entier en une seule passe, et s'appuie sur un décodeur de Viterbi contraint avec un schéma de balisage BIOES pour garantir la cohérence des entités redactées. Il détecte huit catégories de données sensibles : noms de personnes, coordonnées, identifiants numériques, URLs, numéros de compte, dates et identifiants secrets comme les clés API. L'enjeu concret est considérable pour les entreprises soumises au RGPD ou à la réglementation HIPAA dans le secteur de la santé. En déployant Privacy Filter directement sur leurs serveurs internes ou dans leur cloud privé, elles peuvent anonymiser les données localement avant de les envoyer vers un modèle plus puissant comme GPT-5 ou gpt-oss-120b, sans jamais exposer d'informations sensibles à l'extérieur. Ce modèle résout un problème structurel de l'adoption de l'IA en entreprise : le risque que des données confidentielles, médicales ou financières se retrouvent intégrées dans des pipelines d'inférence ou de fine-tuning hébergés dans le cloud. La possibilité de faire tourner le modèle sur un laptop standard ou directement dans un navigateur web abaisse encore davantage la barrière d'entrée. Cette publication s'inscrit dans un retour marqué d'OpenAI vers l'open source, après des années centrées sur des modèles propriétaires accessibles uniquement via ChatGPT et l'API. Début 2025, l'entreprise avait déjà lancé la famille gpt-oss, des modèles à poids ouverts orientés raisonnement, puis ouvert plusieurs outils d'orchestration agentique. Privacy Filter est un dérivé direct de cette famille gpt-oss, réentraîné pour la classification plutôt que la génération. Ce virage stratégique suggère qu'OpenAI cherche à consolider sa position dans l'écosystème développeur face à la concurrence de Meta (LLaMA), Mistral et Google, en proposant des briques d'infrastructure que les entreprises peuvent intégrer sans dépendance à ses services payants. La prochaine étape logique serait l'extension des catégories PII supportées et l'intégration native dans les frameworks agentiques déjà publiés.

💬 C'est exactement le verrou qui bloquait l'adoption en entreprise depuis deux ans. Un modèle léger, déployable en local, qui filtre les données personnelles avant d'envoyer vers le cloud : sur le papier, c'est le genre de brique qu'on attendait. Et distribuer ça sous Apache 2.0, c'est malin : si ton pipeline s'appuie sur leurs outils gratuits, tu vas finir par appeler leurs modèles payants derrière.