Jev fait fureur : quelles actions américaines sont concernées ?

Ces derniers jours, un nouveau nom apparaît fréquemment dans les fils d'actualité des développeurs en IA : Jev.

Certains l'utilisent pour classer des articles, d'autres pour sélectionner les outils qu'un agent intelligent doit appeler, et d'autres encore l'intègrent dans des simulateurs de drones pour choisir les manœuvres d'évitement d'obstacles. Des plateformes comme OpenRouter et Cloudflare ont également intégré ce nouveau modèle, et les démonstrations d'applications autour de Jev se multiplient.

Si JEV rend les décisions de l'IA plus rapides et moins coûteuses, quelles entreprises américaines pourraient en bénéficier ?

Avant de comprendre la logique d'investissement, il faut d'abord clarifier ce qu'est exactement Jev.

Faire des choix

Jev est un modèle de décision lancé par TypeSafe AI le 15 septembre. L'entreprise classe ce modèle dans une catégorie appelée Système 1, c'est-à-dire « système 1 », empruntant le concept de jugement rapide issu de l'ouvrage fondateur de l'économie comportementale, Thinking, Fast and Slow. Il peut comprendre des descriptions textuelles et produit principalement des options, des scores et des probabilités, destinés à être traités par des logiciels.

Prenons un exemple. Une boutique en ligne reçoit un message : « J'ai acheté une tasse hier, il semble que j'ai été débité deux fois, pouvez-vous vérifier ? »

Le système doit résoudre plusieurs sous-problèmes : cette affaire relève-t-elle du service après-vente ou du service financier ? L'utilisateur demande-t-il une vérification de facture ou un remboursement ? Les enregistrements existants montrent-ils un double débit ?

Les développeurs peuvent définir à l'avance les options et laisser Jev répondre séparément. Ensuite, le programme vérifie les commandes et les enregistrements de paiement, puis suit le flux de traitement approprié ; lorsqu'il faut expliquer au client, on fait appel à un modèle doué pour l'expression.

C'est l'usage fondamental de Jev : lui donner une situation, définir des questions, et le laisser faire des choix.

Les modèles généralistes peuvent également accomplir ces tâches. L'attrait de Jev réside dans son optimisation spécifique pour la classification, la notation et la sélection, réduisant le temps et le coût nécessaires pour un petit jugement. Il transmet directement le résultat au programme, évitant ainsi de générer une explication.

En poussant plus loin, imaginez que vous recevez chaque jour des milliers de messages sectoriels, dont seuls quelques dizaines méritent vraiment une lecture approfondie. Vous pouvez d'abord laisser Jev déterminer si chaque message concerne les entreprises qui vous intéressent et s'il contient de nouvelles informations, puis laisser un modèle généraliste résumer le contenu filtré. Ainsi, le modèle généraliste ne traite que les parties dignes d'une lecture approfondie, tandis que les nombreux jugements simples sont confiés à Jev, moins coûteux.

Des tentatives similaires s'étendent déjà à des scénarios comme l'automatisation de navigateur, la recherche et les jeux. Le dossier Jev de 動察 Beating a classé ces projets par cas d'usage, expliquant quels jugements Jev y effectue, avec le code source et certains liens de démonstration. En examinant des cas concrets, il est plus facile de comprendre où cette capacité de « faire des choix » peut être appliquée.

Réduire les coûts au minimum

Selon les tarifs annoncés par TypeSafe, Jev facture 0,042 dollar par million de tokens d'entrée, la sortie étant gratuite.

L'importance de la baisse des coûts réside dans le fait que des tâches qui ne pouvaient être effectuées que par échantillonnage peuvent désormais être vérifiées une par une. Les enregistrements du service client peuvent être classés individuellement, les données récupérées peuvent être évaluées une par une pour leur pertinence, et les agents intelligents peuvent effectuer un filtrage supplémentaire avant chaque appel d'outil.

Par exemple, un programme d'analyse d'actualités qui ne sélectionnait auparavant que les articles les plus populaires pour les soumettre à l'IA peut désormais vérifier tous les articles, puis les classer par entreprise, produit, commande et changement de personnel. Les informations peu populaires mais directement liées à une entreprise importante ont ainsi une chance d'être repérées.

Le nom Jev vient de l'économiste Jevons, dont la contribution la plus célèbre est le « paradoxe de Jevons ». Les développeurs espèrent qu'une fois les jugements devenus bon marché, les logiciels les utiliseront plus fréquemment. Là où il n'était pas rentable d'appeler un grand modèle séparément, on peut désormais refaire le calcul des coûts.

Jev et les équipements physiques

Le développeur Roman Slack a réalisé un projet de drone : dans le simulateur physique MuJoCo, un drone quadrirotor suit une cible devant lui, en traversant des poteaux, des poutres et des obstacles mobiles.

Le programme organise d'abord les données de profondeur et de segmentation obtenues par la caméra, puis indique à Jev si l'avant est bloqué, de quel côté il y a un espace, et quelle est la hauteur des obstacles. Jev choisit ensuite parmi des actions telles que maintenir le cap, contourner par la gauche, contourner par la droite, monter ou freiner.

Par exemple, une poutre bloque tout le passage, impossible de contourner ni à gauche ni à droite, mais il y a de l'espace au-dessus. Jev peut choisir de monter, et le programme de contrôle convertit ce choix en commandes de mouvement pour le drone.

Pendant le vol, différents modules remplissent chacun leur rôle. Jev juge où aller, le programme de contrôle maintient l'équilibre, ajuste la poussée des moteurs et gère l'évitement d'urgence. La caméra fournit les informations sur l'environnement, le modèle de décision choisit l'action, et le contrôleur exécute l'action.

La même division des tâches peut être comprise avec un bras robotisé qui attrape une tasse. La caméra identifie la position de la tasse, les capteurs mesurent la distance et la force, le contrôleur ajuste les mouvements des doigts, et le modèle de décision participe au jugement sur quelle tasse prendre en premier et que faire en cas d'obstacle.

Si ces jugements deviennent bon marché et faciles à intégrer, le coût de développement d'équipements automatisés pourrait baisser. Les équipements autrefois non rentables en raison de coûts de développement logiciel trop élevés et de cas d'usage trop limités trouveront de nouvelles opportunités commerciales.

Cela relie Jev à certaines entreprises. Plus d'équipements entrant dans les usines, les entrepôts et les foyers signifie plus de besoins en perception, alimentation électrique, calcul et contrôle de mouvement.

Quels actifs pourraient en bénéficier

Dans cette optique, il convient de s'intéresser aux composants nécessaires aux équipements, de la perception de l'environnement à l'exécution des actions. Quel que soit le modèle logiciel choisi, un robot doit savoir où il se trouve, ce qui l'entoure, et convertir l'électricité en mouvements précis.

Texas Instruments (TXN), couvrant la perception et l'exécution

Les puces analogiques traitent les signaux variant continuellement comme la tension et le courant, et assurent également l'alimentation et le pilotage. Les produits robotiques de TXN couvrent l'acquisition de signaux, le contrôle des moteurs, l'alimentation et le traitement embarqué.

Lorsqu'un robot décide de lever le bras, la manière dont le courant est envoyé au moteur et dont la force est contrôlée dépend de ces composants. Si une automatisation moins coûteuse entraîne davantage de robots, de bras robotisés et d'appareils intelligents, TXN aura l'opportunité de vendre plus de puces complémentaires à ces équipements.

Analog Devices (ADI), pour une perception et un mouvement plus précis.

Les solutions robotiques d'ADI impliquent les capteurs inertiels, la connexion de caméras, la communication industrielle et les interfaces de contrôle de mouvement. Par exemple, un robot d'entrepôt entrant dans un couloir mal éclairé doit combiner les informations inertielles pour juger de son propre mouvement ; lorsque plusieurs caméras et capteurs fonctionnent simultanément, il faut également synchroniser les données vers le processeur.

Plus les tâches confiées aux équipements sont complexes, plus les exigences en matière de précision de perception, de stabilité de connexion et de contrôle de mouvement sont élevées. La logique de bénéfice pour ADI est de fournir ces composants dans un plus grand nombre d'appareils autonomes.

STMicroelectronics (STM), pour l'IA sur les appareils à faible consommation.

L'IA en périphérie consiste à traiter une partie des données localement sur l'appareil. Le microcontrôleur STM32N6 de STM intègre déjà un accélérateur pour les calculs de réseaux neuronaux, destiné aux applications de vision et de son sensibles au coût et à la consommation.

Par exemple, un petit appareil photo peut identifier des objets localement, et un équipement industriel peut juger si son fonctionnement est anormal à partir du son. Les discussions autour de Jev attirent l'attention des investisseurs sur ce type d'usage : de nombreuses tâches intelligentes simples et répétitives ont la possibilité d'entrer dans des appareils moins chers et plus petits. STM fournit précisément la capacité de traitement dont ces appareils ont besoin.

onsemi (ON), pour la vision et les composants de puissance.

Les produits qu'ON fournit pour la robotique comprennent des capteurs d'image, des capteurs de profondeur, ainsi que des transistors de puissance et des puces de commande de moteur. Les deux premiers collectent les données d'image et de distance, les deux derniers gèrent le courant nécessaire au contrôle des moteurs.

Prenons l'exemple d'un robot de manutention d'entrepôt : le capteur d'image de la caméra capture l'image des étagères devant lui, le capteur de profondeur mesure la distance aux obstacles, et la puce de commande de moteur, associée aux transistors de puissance, contrôle le courant pour faire tourner les roues. L'utilisation accrue de robots et de caméras intelligentes augmentera la demande pour ces capteurs et puces.

Outre ces quatre entreprises, trois autres peuvent être ajoutées à la liste de surveillance.

NXP Semiconductors (NXPI)

Activités concernées : processeurs i.MX, microcontrôleurs, produits de connectivité et de contrôle

Logique de bénéfice : fournir des capacités de calcul, de communication et de contrôle à davantage de robots et d'équipements industriels

Qualcomm (QCOM)

Activités concernées : plateforme Dragonwing pour la robotique, les drones et l'IA sur appareil

Logique de bénéfice : répondre à la demande de traitement local de la vision, du calcul et de la connectivité sur les appareils

Cloudflare (NET)

Activités concernées : fournir l'accès et l'appel au modèle tiers Jev

Logique de bénéfice : lorsque les développeurs utilisent Jev pour le routage du service client, le filtrage de données et l'orchestration d'agents, ils doivent encore déployer des applications, connecter des données et gérer les appels. L'opportunité pour Cloudflare est de faire fonctionner ces applications sur sa propre plateforme.

Encore à un stade précoce

Jev doit encore résoudre des problèmes, notamment la précision des jugements, la conception des questions et la capacité du service à soutenir des opérations à long terme.

Premièrement, la promotion de Jev comme « zéro hallucination » peut prêter à confusion. Le fait de le contraindre à choisir uniquement parmi A, B, C évite qu'il renvoie un D que le programme ne reconnaît pas, mais il peut toujours se tromper. Pour reprendre l'exemple du service client, le fait que le programme puisse lire correctement « transmettre à la finance » ne signifie pas que ce ticket doit réellement être traité par la finance.

Un développeur a testé Jev sur huit types de tâches et effectué 16 000 jugements ; il reconnaît les avantages de Jev en termes de vitesse et de coût, tout en constatant que les questions et les options doivent encore être ajustées pour couvrir les situations réelles. Il souhaite également attendre que le fournisseur accumule plus d'expérience opérationnelle et que des alternatives apparaissent sur le marché avant de l'intégrer dans des systèmes de production.

On ignore encore quelle charge de travail Jev peut assumer, mais une tendance se dessine : confier un grand nombre de jugements répétitifs à JEV et réserver les tâches complexes aux modèles généralistes.

Lorsque les coûts de développement et d'utilisation de l'automatisation baisseront, les puces analogiques, l'IA en périphérie et les appareils autonomes connaîtront-ils leur moment ChatGPT ?