OutilsAWS ML Blog · 3 août 2026, 21:24· 2 min de lecture

La F1 utilise l'IA agentique sur AWS pour accélérer ses opérations de données, de plusieurs semaines à quelques minutes

F1 fait face à un défi opérationnel majeur avec sa plateforme MarTech Customer 360, qui capte les interactions de plus de 800 millions de fans à travers les diffusions TV, les réseaux sociaux, la billetterie et les produits dérivés. Selon Chris Roberts, directeur informatique de Formula 1, chaque nouvelle source de données nécessitait de 6 à 8 semaines d'ingénierie manuelle, générant un arriéré de 18 mois pour intégrer seulement 12 sources. Face à ce constat, Matt Kemp, responsable des opérations data chez F1, a lancé un projet avec AWS pour améliorer l'efficacité et la qualité des données. Début 2026, F1 et AWS ont conçu ensemble le Data Accelerator, un outil d'intelligence artificielle agentique fonctionnant sur Amazon Bedrock AgentCore, capable de transformer la plateforme MarTech de F1 en un système autogéré, observable et unifié. Résultat concret : le temps d'intégration d'une nouvelle source de données est passé de 8 semaines à environ 40 minutes de génération de code, suivies de quelques heures de déploiement.

Cette accélération change la donne pour une organisation dont les courses ont lieu toutes les deux semaines et où chaque décision commerciale doit suivre le rythme de la piste. En réduisant drastiquement les délais d'intégration, F1 peut désormais exploiter plus rapidement les flux issus des partenaires de billetterie, des diffuseurs, des sponsors et des réseaux sociaux pour affiner sa personnalisation et sa segmentation marketing. Le système a aussi permis d'identifier et de corriger automatiquement des anomalies de données en production. Surtout, l'équipe dispose désormais d'une visibilité de bout en bout sur l'ensemble de la plateforme, avec traçabilité des données et analyse des causes profondes, remplaçant des tableaux de bord saturés d'alertes par une vue unique et exploitable.

Cette transformation répond à trois sources de friction identifiées par les équipes. D'abord, l'intégration manuelle de chaque source impliquait l'écriture de correspondances de schémas, de pipelines d'ingestion, de contrôles qualité et de règles de conformité RGPD, une à une. Ensuite, les flux fournisseurs évoluaient sans préavis, changeant de noms de colonnes ou de structures, souvent au pire moment, comme en plein week-end de course ou lors du lancement d'une campagne critique. Enfin, les journaux étaient dispersés entre Amazon S3, Amazon Redshift, Airflow et DBT, obligeant les ingénieurs à passer des heures à retracer manuellement l'origine d'un problème. Le Data Accelerator répond à ces trois enjeux via cinq chantiers menés en parallèle : intégration agentique des sources via Bedrock AgentCore, détection et correction automatique des évolutions de schéma, accès unifié aux données grâce à Amazon SageMaker Unified Studio, observabilité complète avec analyse des causes racines, et correction automatisée des anomalies détectées lorsque celles-ci peuvent être résolues par du code.

Dans nos dossiers

AWS Agents IA AI Act & Régulation UE

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1NVIDIA AI Blog

NVIDIA lance un kit d'outils BioNeMo Agent pour accélérer l'IA des chercheurs en sciences de la vie sur Claude Science

NVIDIA et Anthropic ont annoncé cette semaine l'intégration du BioNeMo Agent Toolkit de NVIDIA à Claude Science, le nouvel environnement de travail conçu par Anthropic pour la recherche scientifique. Claude Science permet aux chercheurs de dialoguer en langage naturel avec des agents capables de piloter leurs travaux de bout en bout, sans configurer manuellement modèles, points d'accès ou environnements logiciels. Grâce à cette intégration, ces agents peuvent désormais s'appuyer sur les modèles accélérés de NVIDIA, ses bibliothèques et ses microservices NIM, dont des outils spécialisés comme Evo 2, Boltz-2 et OpenFold3, pour analyser des séquences génomiques, prédire des structures de protéines ou concevoir des molécules candidates. NVIDIA précise que 18 des 20 plus grandes entreprises pharmaceutiques mondiales utilisent déjà BioNeMo, signe de l'ancrage de la plateforme dans l'industrie. Le toolkit fonctionne en transformant les capacités accélérées de NVIDIA en compétences activables par les agents, qui sélectionnent l'outil adapté, préparent les données d'entrée et exécutent le flux de travail, tout en se connectant aux ressources de calcul NVIDIA où qu'elles soient déployées. Cette avancée s'inscrit dans la transition vers une recherche scientifique pilotée par des agents autonomes, capables de raisonner, planifier et orchestrer des workflows complexes sans intervention humaine constante. Concrètement, un chercheur peut désormais demander à Claude de concevoir de multiples inhibiteurs potentiels à partir d'une mutation antigénique connue associée à un cancer, l'agent se chargeant alors d'enchaîner prédiction, optimisation et validation à haut débit grâce aux microservices NIM. L'enjeu est de taille pour l'industrie pharmaceutique et les laboratoires de recherche, où la vitesse d'itération conditionne directement le rythme des découvertes en génomique, protéomique, conception moléculaire et ingénierie des protéines. En intégrant le calcul accéléré directement dans l'environnement où s'effectue le raisonnement scientifique, NVIDIA et Anthropic cherchent à supprimer les frictions techniques qui ralentissent habituellement le passage de l'hypothèse à l'expérimentation. Cette intégration répond à un constat de fond : un agent scientifique autonome ne raisonne jamais isolément, il doit enchaîner des tâches très diverses, du criblage de bibliothèques de composés à l'analyse de contexte génomique, en passant par la génération de conformères ou la comparaison de réponses à des perturbations cellulaires, avant de recommander la prochaine expérience. La rapidité de chaque étape dépend directement de la performance des outils sous-jacents. C'est pourquoi NVIDIA met en avant des gains de vitesse concrets au sein du BioNeMo Agent Toolkit, comme Parabricks, qui réduit l'analyse génomique de plusieurs heures à quelques minutes, ou RAPIDS-singlecell, développé par le collectif scverse, qui ramène un flux de prétraitement et de clustering portant sur 1,3 million de cellules de 52 minutes à seulement 25 secondes.

OutilsActu

1 source

2Meta Engineering ML

Meta utilise l'IA pour cartographier les connaissances tacites dans ses pipelines de données

Meta a développé un système original pour rendre ses agents IA capables de travailler efficacement sur une base de code massive : un pipeline de données couvrant quatre dépôts, trois langages de programmation et plus de 4 100 fichiers. Face à l'inefficacité des assistants IA classiques sur ce terrain, incapables de produire des modifications utiles rapidement, les ingénieurs ont conçu un moteur de pré-calcul composé de plus de 50 agents IA spécialisés. Ces agents ont systématiquement parcouru l'ensemble du code pour produire 59 fichiers de contexte condensés, encodant ce que les développeurs appellent le « tribal knowledge » : les règles implicites et les conventions qui n'existent que dans la tête des ingénieurs. Résultat : la couverture structurée du code est passée de 5 % à 100 % des modules, soit les 4 100 fichiers des trois dépôts. Plus de 50 patterns « non-évidents » ont été documentés pour la première fois, et les tests préliminaires montrent une réduction de 40 % des appels d'outils par les agents IA pour chaque tâche. L'enjeu n'est pas anodin. Sans cette cartographie, les agents IA se comportaient comme des développeurs juniors largués sur un projet inconnu : ils compilaient du code fonctionnel en apparence, mais subtilement incorrect. Par exemple, deux modes de configuration utilisent des noms de champs différents pour la même opération, les inverser produit une erreur silencieuse. Ou encore, des dizaines de valeurs d'énumération marquées « deprecated » ne peuvent jamais être supprimées, car la compatibilité de sérialisation en dépend. Aucune de ces règles n'était écrite nulle part. En les formalisant, Meta permet désormais à des modèles IA variés de naviguer le codebase de manière fiable, le système de connaissance étant indépendant du modèle utilisé. L'infrastructure se maintient aussi elle-même : toutes les quelques semaines, des jobs automatisés valident les chemins de fichiers, détectent les lacunes de couverture et corrigent les références obsolètes. Ce projet s'inscrit dans une tendance plus large où les grandes entreprises tech cherchent à industrialiser l'usage des agents IA sur des codebases de production réels, bien au-delà des démos. Meta avait déjà déployé des systèmes IA pour des tâches opérationnelles, surveillance de dashboards, reconnaissance de patterns incidents, suggestions de corrections, mais l'extension aux tâches de développement butait sur ce problème fondamental d'absence de contexte. La solution choisie, baptisée « compass, not encyclopedia », repose sur des fichiers ultra-compacts de 25 à 35 lignes environ 1 000 tokens chacun, organisés en quatre sections : commandes clés, fichiers essentiels, patterns non-évidents, et références croisées. Les 59 fichiers réunis pèsent moins d'un contexte de modèle standard. C'est cette sobriété délibérée, chaque ligne justifie sa présence, qui permet au système de rester maintenable et scalable à mesure que le codebase évolue.

OutilsActu

1 source

3AWS 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

4AWS ML Blog

Verizon Connect : comment l'IA à base d'agents est passée de la surcharge de données à 100 000 utilisateurs

Verizon Connect, spécialiste mondial de la gestion de flottes de véhicules, a déployé une solution d'IA agentique servant désormais 100 000 utilisateurs quotidiens sur sa plateforme Reveal. Le défi était colossal : plus de 1,2 million de véhicules abonnés génèrent chaque jour plus de 500 millions de points de données répartis sur 80 000 indicateurs distincts. Les gestionnaires de flotte se retrouvaient noyés sous ces volumes, contraints de chercher manuellement des anomalies dans des fichiers papier fragmentés et des tableurs réactifs, une méthode incapable de détecter en amont les problèmes de sécurité, les besoins de maintenance ou les inefficacités opérationnelles avant qu'ils ne deviennent coûteux. Plutôt que d'ajouter un tableau de bord statique ou un système d'automatisation à règles fixes, qui ne capte que des schémas prédéfinis, l'entreprise a opté pour une architecture agentique capable d'investiguer dynamiquement des patterns inédits. Le pipeline repose sur une séparation claire des rôles : un modèle statistique sans serveur, construit avec AWS Step Functions et AWS Lambda, réalise d'abord le travail d'analyse numérique intensive pour identifier les anomalies et les consigner dans une table dédiée. Les agents IA prennent le relais en parallèle, chacun focalisé sur un client ou segment de données différent, interrogeant à la fois la table d'anomalies (le quoi) et les données brutes (le pourquoi), avant de synthétiser le tout via un grand modèle de langage en insights narratifs directement exploitables dans l'application. Cette architecture reflète une leçon clé de l'ingénierie IA à grande échelle : confier l'analyse numérique brute à un LLM est une erreur classique, car ces modèles peinent avec les structures tabulaires complexes à volume élevé. En déléguant ce traitement à du code spécialisé et en réservant le raisonnement au modèle de langage, Verizon Connect contourne les problèmes de précision et de coût qui plombent les solutions tout-en-LLM. Le projet, porté par une équipe de sept ingénieurs dont Matteo Simoncini et Luca Bravi, illustre une tendance de fond dans l'industrie : les grandes entreprises industrielles cherchent à transformer leurs gigantesques silos de données opérationnelles en intelligence actionnable, et l'IA agentique, avec sa capacité d'adaptation et d'enquête autonome, s'impose comme l'architecture de référence pour y parvenir à l'échelle.

OutilsOutil

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic