Document de travail – Usage interne Adservio uniquement. ❌ Ne pas diffuser.

✨ Priorités R&D 2025–2026- 🚧 contenu à discuter

Appropriation et déploiement de techniques d’IA souveraines dans des environnements réglementés
(énergie, transport, santé, sécurité, industrie).
Objectif : démontrer faisabilité, conformité et performance de solutions IA locales, explicables et auditables.

🗂️ Outil RAG interne pour les Appels d’Offres (AO)

RAG (Retrieval-Augmented Generation) = moteur de recherche contextuel + LLM souverain.
But : automatiser la veille et l’amorçage de réponse aux AO.

Étape	Objectif	Outils	Horizon
1️⃣ Collecte & filtrage	Identifier les AO pertinents	Scraping, embeddings, indexation	S+2
2️⃣ Résumé & rédaction	Ébauches de réponse	RAG + LLM souverain	S+6

🕵️ Agent d’anonymisation locale

Suppression des données sensibles avant tout envoi externe :

Identifiants, coûts, données clients, métadonnées internes
Produit internalisable/commercialisable après validation RGPD

⚙️ IA & agents souverains (architecture raisonnée)

Réduire le coût d’inférence, garantir traçabilité et conformité.

🧩 Schéma « agents contractifs »

Principe : le dialogue itératif f ↔ g réduit l’écart sémantique jusqu’à convergence. Bénéfices : coûts ↓, détection d’hallucinations, mesure de suffisance de connaissance (Knowledge Sufficiency Score), arrêt automatique selon la valeur d’information attendue.

📈 Séries temporelles & détection d’anomalies

Cibles : cybersécurité, supervision, maintenance prédictive.

Fenêtrage multi-échelles : court (1–5 s), moyen (1–5 min), long (30–120 min)
Indicateurs : robustes (IQR, MAD), spectraux (PSD, ARIMA), informationnels (entropie, KL/JS), graphiques (centralité, motifs), scalables (Count-Min, HyperLogLog)

✅ Complété par une CPC — Contrastive Predictive Coding (détection de dérives sans supervision) :

Étant donnée une sous-séquence passée (X{t}) et une sous-séquence future (Y{t+\Delta}), on maximise l’information mutuelle :
$\begin{matrix} (1) & L * InfoNCE = - E [\log \frac{\exp (sim (ϕ (X * t), ψ (Y_{t + Δ})) / τ)}{\sum_{Y^{'} \in N} \exp (sim (ϕ (X_{t}), ψ (Y^{'})) / τ)}] \end{matrix}$
$\mathrm{sim}$ $\tau$ température $\mathcal{N}$ les négatifs in-batch $(X_t, Y_{t+\Delta})$ et éloigne les paires non corrélées.

🧭 Trend Radar & Revue vivante

Objectif : éclairer la feuille de route par une vision tech + marché actionnable.

Radar trimestriel (maturité / impact / risques / coût de possession)
Dossiers de fond (4–6 pages) sur 2 thèmes par trimestre
Cartes “build/buy/partner” par brique Livrables : radar (SVG/PNG), brief de 4 pages, meeting de lecture (30 min).

🤝 Programme de mentoring (pilote)

Objectif : accélérer l’autonomie des équipes en IA souveraine, MLOps, SécOps.

Cohortes (6–8 personnes, 8 semaines) : 1 mentor, 1 projet tutoré
Rituels : 1 stand-up hebdo (15 min), 1 clinique de code (45 min)
Évaluation : mini-capstone / démonstrateur + checklist de bonnes pratiques KPIs : complétion, adoption de patterns, impact sur projet (temps, qualité).