Système de recommandation explicable de produits bancaires sur AWS

Resolve AI veut corriger les dégâts causés par le boom du code IA sur les systèmes en production

Resolve AI, la startup spécialisée dans la gestion des incidents de production, a annoncé une refonte majeure de sa plateforme. Soutenue par les fonds Greylock et Lightspeed Venture Partners, la société déploie désormais un système d'enquête multi-agents développé par son laboratoire de recherche interne. Concrètement, au lieu d'envoyer un seul agent IA diagnostiquer une panne en production, la plateforme mobilise maintenant une équipe d'agents spécialisés qui explorent plusieurs hypothèses en parallèle, vérifient mutuellement leurs conclusions et reconstituent la chaîne causale complète, de la cause racine jusqu'aux symptômes visibles. Selon Spiros Xanthos, PDG et co-fondateur, ce changement architectural a permis de doubler la précision dans l'identification des causes racines sur les benchmarks internes de l'entreprise. Ces évaluations, construites à partir de centaines de cas complexes inspirés d'incidents réels rencontrés chez des clients comme Coinbase, Salesforce, DoorDash et Zscaler, sont conçues pour refléter la difficulté des pannes en environnement de production à grande échelle. L'annonce intervient quelques mois après la levée de série A de 125 millions de dollars qui avait valorisé Resolve AI à 1 milliard de dollars en début d'année. L'enjeu opérationnel est considérable. Les agents de Resolve AI jouent désormais le rôle de premiers répondants pour chaque alerte d'astreinte, effectuant un premier tri en moins de cinq minutes, avant même qu'un ingénieur humain n'ait ouvert son ordinateur. Xanthos rappelle que le délai de résolution moyen va habituellement de plusieurs dizaines de minutes à plusieurs heures selon la gravité de l'incident. DoorDash affirme avoir réduit ce délai jusqu'à 87 % grâce à la plateforme, soit une accélération de quatre à cinq fois par rapport à la situation antérieure. Un gain concret et direct pour les équipes d'ingénierie, qui subissent une pression croissante depuis que la génération de code assistée par IA leur permet de livrer beaucoup plus de logiciels qu'il y a deux ans. C'est précisément ce paradoxe que Resolve AI cherche à résoudre. L'adoption des outils de génération de code IA a explosé, mais la face opérationnelle du cycle de vie logiciel, le débogage, la surveillance post-déploiement, l'audit de santé des systèmes, reste largement manuelle. La startup fait le pari que ce côté de l'équation constitue le prochain grand terrain d'investissement pour l'IA. Un défi technique de taille subsiste néanmoins : les grands modèles de langage peuvent produire des diagnostics plausibles mais erronés, risquant d'envoyer une équipe corriger la mauvaise cause pendant qu'une panne persiste. Pour y répondre, Resolve AI mise précisément sur la vérification croisée entre agents, chaque conclusion devant être confirmée indépendamment avant d'être soumise aux ingénieurs humains.

« Lancement d'une interface pour les recommandations d'inférence en IA générative sur Amazon SageMaker AI »

Amazon vient d'ajouter une interface graphique dans Amazon SageMaker AI Studio pour ses recommandations d'inférence dédiées à l'intelligence artificielle générative, un outil sans code qui s'appuie sur une API lancée en avril 2026. Cette fonctionnalité, accessible depuis le menu Jobs puis Inference optimization, guide les équipes à travers un parcours complet : configuration de la charge de travail, optimisation, sélection du modèle et déploiement. Quatre profils prédéfinis couvrent les cas d'usage courants : Interact pour les échanges de type conversationnel avec des entrées courtes, Generate pour la génération de contenu long, Summarize pour le résumé de documents avec un fort ratio entrée/sortie, et un profil Custom pour importer son propre jeu de données. Les utilisateurs choisissent aussi un objectif d'optimisation parmi trois options : minimiser la latence pour les applications interactives, maximiser le débit de tokens par seconde pour les traitements par lots, ou minimiser le coût pour les charges de production à grande échelle. Les modèles peuvent provenir du catalogue SageMaker JumpStart, d'un fichier stocké sur Amazon S3, d'un registre de modèles existant ou d'un déploiement antérieur. Cette évolution s'attaque à un problème concret pour les équipes qui mettent des modèles génératifs en production : trouver la bonne combinaison entre type d'instance, conteneur de service et stratégie d'optimisation exigeait jusqu'ici un long cycle d'essais et de benchmarks manuels, souvent réservé à des ingénieurs spécialisés en infrastructure. Avec cette interface, ce processus se réduit à quelques minutes pour les charges de travail courantes et à quelques heures pour les configurations sur mesure. Les ingénieurs en machine learning peuvent désormais valider un déploiement sans écrire une ligne de code, tandis que les responsables techniques disposent d'une vue comparative directe des compromis entre coût et performance, ce qui accélère la prise de décision côté produit comme côté infrastructure. L'API sous-jacente, lancée quelques mois plus tôt, offrait déjà un accès programmatique à ces recommandations, mais elle supposait que l'utilisateur sache quels paramètres régler et comment interpréter des résultats de benchmark bruts. L'interface graphique supprime cette barrière technique en s'appuyant sur des profils d'usage préconfigurés et des comparaisons visuelles des résultats, ouvrant l'accès à des équipes moins expertes en infrastructure cloud. Les utilisateurs avancés conservent la possibilité de passer par l'API pour des réglages fins. Ce choix s'inscrit dans une tendance plus large chez les fournisseurs de cloud à simplifier le déploiement de modèles d'IA générative, à mesure que la demande d'infrastructures optimisées en coût et en performance s'intensifie face à la multiplication des modèles disponibles.

💬 Reste à voir qui va vraiment configurer ces quatre profils correctement, parce qu'un mauvais choix entre Interact et Generate te fait payer le prix fort sans t'en rendre compte. Sur le papier c'est malin : AWS transforme un benchmark qui demandait un ingénieur infra en un menu déroulant de trois minutes. Mais l'histoire se répète, chaque cloud simplifie sa couche d'inférence dès que la concurrence sur les coûts devient trop visible, et Amazon arrive après Azure et GCP sur ce terrain-là.

Postgres pour agents de production : votre base relationnelle pour l'IA en entreprise

Article de synthèse pour Le Fil IA : Gwen Shapira, figure reconnue de l'écosystème des bases de données, a présenté une conférence détaillant comment PostgreSQL s'impose comme fondation relationnelle pour les applications d'IA en production. Elle y explique comment les équipes exploitent les capacités multi-modales de Postgres, notamment le parsing JSONB et l'indexation vectorielle HNSW à haut rappel, pour fournir aux grands modèles de langage à la fois du contexte déterministe et sémantique. Shapira aborde également la quantification vectorielle, une technique permettant d'accélérer les requêtes jusqu'à 4 fois, ainsi que des stratégies concrètes pour gérer la mémoire des agents IA. Cette présentation répond à un enjeu central pour les entreprises qui déploient des agents IA en production : disposer d'une infrastructure de données robuste, capable de combiner recherche vectorielle et requêtes structurées classiques sans multiplier les systèmes. En évitant de dupliquer les données entre une base relationnelle et une base vectorielle dédiée, les équipes techniques réduisent la complexité opérationnelle et les coûts de maintenance. La quantification vectorielle promet par ailleurs des gains de performance significatifs, un facteur critique quand les agents doivent interroger de larges volumes de mémoire contextuelle en temps réel. Cette évolution s'inscrit dans une tendance de fond où PostgreSQL, longtemps cantonné aux usages transactionnels classiques, gagne du terrain face aux bases de données vectorielles spécialisées comme Pinecone ou Weaviate. Grâce à des extensions comme pgvector, la base open source devient une alternative crédible pour les architectures d'agents IA d'entreprise, qui doivent gérer simultanément mémoire agentique, données métier et recherche sémantique. La question de la gestion de la mémoire des agents, encore peu standardisée dans l'industrie, reste un terrain d'expérimentation actif où les approches de Shapira apportent des pistes concrètes pour les équipes en production.

💬 Bon, sur le papier c'est logique : pourquoi tu irais payer Pinecone et gérer deux bases si Postgres avec pgvector fait le boulot ? La quantification vectorielle qui accélère de 4x, ça c'est du concret, pas juste une promesse marketing. Reste que la mémoire des agents, personne n'a encore de standard qui tienne, alors les spécialistes vont continuer à vendre leur base dédiée un moment.

Solara : Microsoft lance son propre système d’exploitation pour l’IA

Le 2 juin 2026, lors de sa conférence Build, Microsoft a dévoilé Solara, une nouvelle plateforme logicielle conçue spécifiquement pour alimenter une catégorie émergente d'appareils centrés sur l'intelligence artificielle. Contrairement à ce que l'on pourrait attendre du géant de Redmond, Solara ne repose pas sur Windows mais sur Android, choix délibéré pour s'adapter aux contraintes matérielles des appareils compacts et peu énergivores. Pour illustrer le concept, Microsoft a présenté deux prototypes : un écran connecté comparable à un Amazon Echo Show, équipé de reconnaissance faciale pour accéder à différents agents IA, et un badge portable intégrant caméra, lecteur d'empreintes et transcription en temps réel, activable d'une simple pression pour donner à l'agent la capacité de voir, d'entendre et de comprendre l'utilisateur. Ces deux dispositifs ne seront pas commercialisés directement par Microsoft, mais serviront de modèles de référence pour les fabricants tiers. L'enjeu de Solara dépasse la simple annonce produit : Microsoft tente de définir les règles d'une nouvelle catégorie d'appareils, celle des gadgets IA autonomes, dont l'industrie technologique parle depuis des années sans avoir trouvé de formule viable. En positionnant Solara comme une plateforme pensée "dès le départ" pour des agents intelligents, l'entreprise cherche à répliquer ce que Google a accompli avec Android dans le mobile : imposer un socle commun que les fabricants adoptent massivement. Des partenaires comme AccuWeather, Best Buy, CVS Healthcare et Target participent déjà à des programmes pilotes, ce qui suggère un intérêt réel du côté des entreprises prêtes à intégrer ces interfaces dans leurs environnements professionnels et commerciaux. Le choix d'Android révèle une inflexion culturelle significative chez Microsoft, qui reconnaît implicitement que Windows n'est plus la réponse universelle à tous les usages. Depuis l'explosion des grands modèles de langage en 2022-2023, l'industrie cherche le facteur de forme idéal pour les agents IA : ni smartphone, ni ordinateur classique, mais un objet intermédiaire, permanent et contextuel. Microsoft, qui a massivement investi dans OpenAI et intégré Copilot dans l'ensemble de sa suite logicielle, cherche maintenant à étendre son influence jusqu'à la couche matérielle. Solara reste toutefois à un stade précoce de développement, et le succès du projet dépendra de la capacité des fabricants partenaires à produire des appareils convaincants, accessibles et suffisamment utiles pour justifier une adoption à grande échelle.