Aller au contenu

Recherche · TUM Spin-off

demi Research : une IA qui en sait assez pour être utile et reste dans ses droits.

demi réunit toutes les données d'une entreprise dans un seul graphe typé, tenu à jour, avec des mathématiques qui pèsent la valeur à croire et des droits qui suivent l'entreprise, y compris pour ce que l'IA calcule. Par-dessus, l'IA trouve ce que vous demandez et calcule la réponse au lieu de la deviner. Cette page présente la recherche qui se cache derrière : deux piliers de recherche, cinq domaines de recherche et douze études.

  • Systèmes distribués
  • Intelligence artificielle
  • Systèmes d'information
  • Théorie de l'information

Le problème

L'IA en sait trop peu pour être utile, ou peut trop pour être sûre.

Les deux extrêmes sont mesurés par la recherche récente. Les deux sont là où l'IA d'entreprise casse aujourd'hui.

  • 5,1 %

    Trop peu pour être utile

    Dans un benchmark de 2025 sur la recherche d'information à large spectre, le meilleur système a obtenu le tableau entier juste dans 5,1 % des tâches. Le comptage sur des tableurs a atteint en moyenne 41,7 % de précision, contre 89,1 % pour de simples recherches. Les questions portant sur des ensembles exigent chaque membre, une seule fois, dans la bonne unité et à jour.

  • 88,6 %

    Trop pour être sûr

    Lorsque des agents d'IA combinent les résultats de plusieurs outils, le taux moyen de fuite de six agents a été de 88,6 %, pour 98,0 % de tâches menées à bien. L'IA peut aussi assembler des faits autorisés en un fait qu'une personne ne doit pas voir : l'effet mosaïque. Une protection complète contre ce que révèlent les sommes et les comptages est hors de portée du calcul, et chaque refus à tort bloque du vrai travail.

Piliers de recherche

Deux questions de recherche au cœur de demi.

Le pilier A demande si l'IA peut répondre à partir du jumeau numérique d'une entreprise de façon plus complète, plus juste et plus efficace. Le pilier B demande si des droits sur les résultats de l'IA, et une validation selon l'impact, maintiennent les fuites basses sans bloquer le travail. Chaque pilier a des hypothèses qui peuvent se révéler fausses.

Pilier A · Data Layer

Des réponses cadrées et vérifiables

Question de recherche

Une étape structurée en amont de la recherche rend-elle les réponses sur les systèmes d'une entreprise plus complètes, plus justes et plus efficaces ?

Pourquoi c'est difficile

Une question comme « quelles commandes ouvertes de plus de 10 kW, par client ? » exige chaque membre, une seule fois, dans la bonne unité et à jour. La recherche trouve des passages, pas des ensembles complets, et les modèles de langage comptent de façon peu fiable. De plus, la recherche faiblit à mesure que l'index grandit.

Hypothèses

Nous testons si le chemin combiné :

  • H1répond plus complètement et plus justement aux questions sur des ensembles ;
  • H2réduit le coût et le temps par réponse exploitable ;
  • H3conserve son gain quand les sources et les données augmentent ;
  • H4ne fait pas moins bien sur les autres questions (non-infériorité).

Ce que nous mesurons

Part de résultats exploitables dans le budget, justesse, exhaustivité (F1 par élément, comptages exacts), chiffres et unités corrects, coût et temps par réponse exploitable, traçabilité, et passage à l'échelle quand les sources et les données augmentent.

Pilier B · Permission Layer

Des droits sur les résultats

Question de recherche

Des droits sur les résultats de l'IA, et la validation d'une personne seulement pour les actions à fort impact, peuvent-ils maintenir les fuites basses sans bloquer le travail ?

Pourquoi c'est difficile

Les droits sont répartis entre l'ERP, le stockage de fichiers, le CRM et l'organigramme. L'IA peut combiner des données autorisées en un fait qu'une personne ne doit pas voir, comme la marge moyenne derrière des factures qu'un stagiaire peut ouvrir une à une. Même un refus peut révéler quelque chose. Si l'on bloque trop, le travail s'arrête ; si l'on demande trop souvent une validation, les gens cessent de lire.

Hypothèses

Nous testons si :

  • H5listes, comptages, agrégats, faits protégés et ce que lit le modèle restent dans les droits de la personne qui demande, le tout mesuré avec les refus à tort ;
  • H6une politique d'impact hors du modèle garde les validations assez rares pour que les gens les lisent encore, et lie chaque action importante à sa validation ;
  • H7la décision, la validation, l'action et le résultat peuvent être reconstitués ;
  • et si l'IA reconnaît les actions hors du périmètre d'un rôle (périmètre intelligent).

Ce que nous mesurons

Fuites de contexte, de réponses et d'existence ; refus à tort ; tâches menées à bien ; violations du lien sous sondes adverses ; charge de validation ; exhaustivité de la trace.

Notre approche

Une approche combinée, pas un outil de plus.

demi n'est pas un modèle d'IA de plus. C'est la couche sur laquelle travaillent les modèles d'IA, en trois parties qui dépendent les unes des autres. Les parties sont connues en recherche et en pratique. La recherche, c'est leur combinaison, sur les propres systèmes d'une entreprise, sous les droits de chaque personne.

  • Data Layer : toutes les données dans un graphe typé, tenu à jour

    Personnes, clients, produits, commandes, machines et documents deviennent des nœuds, leurs relations des arêtes, à partir des systèmes qu'une entreprise utilise déjà. Chaque valeur porte son unité, sa source et ses dates, si bien que demi sait quel âge elle a. Les mathématiques pèsent la valeur à croire : qui l'a dite, quand, comment elle a été lue et quelles sources indépendantes concordent. Quand une source change, tout ce qui en dépend est vérifié à nouveau.

  • Permission Layer : des droits qui suivent l'entreprise

    Les droits viennent des systèmes que vous connectez et de votre organisation elle-même : son organigramme, ses processus, qui peut signer quoi. Ils s'appliquent à ce que l'IA lit et à ce qu'elle calcule : listes, comptages et chiffres. La décision se prend hors du modèle, qui ne peut donc pas la contourner par la parole.

  • Intelligence Layer : trouve l'aiguille, calcule la réponse

    La recherche et le modèle trouvent ce que vous demandez, un programme calcule les chiffres, et chaque réponse dit sur quoi elle repose. Même plan, mêmes données : même nombre.

QuestionRéponse avec ce sur quoi elle repose
  1. Intelligence Layer

    trouve l'aiguille, calcule la réponse

    Ce comptage peut-il se tromper de combien ?

  2. Permission Layer

    des droits qui suivent l'entreprise

    Que révèle une réponse ?

  3. Data Layer

    toutes les données dans un graphe typé, tenu à jour

    Jusqu'où peut-on se fier à cette valeur maintenant ?

Les systèmes que vous utilisez déjà restent en place.

Trois couches, un chemin : la question descend, chaque réponse remonte avec ses preuves.

Là où les couches dépendent les unes des autres

  • L'exactitude dépend de l'identité et de l'âge.

    Un seul membre en double ou périmé change un comptage, une liste ou une somme.

  • La preuve dépend des droits.

    Les sources qu'une réponse nomme restent, elles aussi, dans les droits de la personne qui a posé la question.

Des parties connues, une combinaison nouvelle

Chaque domaine sur lequel demi s'appuie résout son problème sous une hypothèse qu'un industriel met en défaut, et une autre couche de demi est conçue pour apporter ce qui manque.

  • Réponse aux questions sur des bases de données

    Il suppose
    un schéma propre avec les droits d'un seul système
    Chez un industriel
    le savoir se trouve dans des fiches techniques, des exports ERP, des messageries et des enregistrements en double
    Ce qu'apporte demi
    des valeurs typées avec unité, source et identité, construites à partir de ces entrées
  • Recherche et recherche sur graphe

    Il suppose
    le modèle compose la réponse à partir de ce qu'il lit
    Chez un industriel
    les questions sur des ensembles exigent chaque membre, bien compté
    Ce qu'apporte demi
    un programme calcule sur les ensembles ; la recherche travaille dans le périmètre
  • Contrôles de politique pour agents d'IA

    Il suppose
    une carte correcte et à jour de l'organisation
    Chez un industriel
    les organigrammes et les pouvoirs de signature changent
    Ce qu'apporte demi
    l'organisation dans le même graphe, tenue à jour

À notre connaissance, aucune étude ne combine ces parties sur les systèmes hérités d'une entreprise sous les droits propres de chaque personne. C'est ce que teste la recherche de demi.

Nos fondations

Quatre domaines de recherche. Une plateforme.

demi s'appuie sur ces domaines. Chacun résout une partie de la tâche : amener l'IA sur les vraies données d'une entreprise.

  • 01

    Systèmes distribués

    Plusieurs systèmes, un état cohérent. Synchronisation, conflits et pannes, sans arrêter aucun système source.

  • 02

    Intelligence artificielle

    Les modèles comprennent la question et expliquent la réponse. Les agents agissent, mais seulement dans la limite de leurs droits.

  • 03

    Systèmes d'information

    L'informatique crée de la valeur quand les processus et l'organisation évoluent avec elle. Les droits suivent l'organisation : ses systèmes, son organigramme, qui peut signer quoi.

  • 04

    Théorie de l'information

    Que sait vraiment un enregistrement ? L'incertitude, la redondance et le bruit deviennent mesurables, tout comme ce que révèle une réponse.

Fondations

Cinq domaines de recherche sur lesquels reposent les piliers.

Chaque domaine apporte méthodes et mesures aux deux piliers : la question, pourquoi c'est difficile, notre approche, les questions de recherche ouvertes, et la place du domaine dans le programme.

  1. 01Qualité et confiance des données par la théorie de l'information
  2. 02Synchronisation distribuée : garder le jumeau numérique à jour
  3. 03Résolution d'entités et valeurs typées
  4. 04Des droits pour les personnes et les agents d'IA
  5. 05Agents quasi déterministes et évaluation
01 · Qualité des données · Piliers A et BDomaine de recherche

Qualité et confiance des données par la théorie de l'information

Que sait vraiment un enregistrement, et jusqu'à quand reste-t-il vrai ?

Pourquoi c'est difficile

La qualité se mesure d'ordinaire par une note unique. Mais un enregistrement peut être complet et pourtant périmé, ou dédoublé et pourtant contradictoire. Les sources divergent et les copies se font passer pour des témoins indépendants. Une réponse sur un ensemble vaut ce que vaut son membre le plus faible.

Notre approche

  • Chaque valeur est une affirmation, avec sa source, ses dates et la manière dont elle a été lue.
  • La confiance se calcule, elle ne se suppose pas : d'après la fiabilité démontrée d'une source, l'âge de la valeur et les sources indépendantes qui concordent. Les copies d'une même valeur comptent une seule fois.
  • Chaque fait a une demi-vie. demi apprend à quelle vitesse chaque type d'information se périme, d'après les changements qu'il observe, et revérifie la bonne source avant que de vieux faits n'induisent quiconque en erreur.
  • L'information comme incertitude réduite : là où les sources divergent, la dispersion des valeurs candidates montre quels conflits comptent le plus, et un comptage dit avec quelle certitude il est donné.

Questions de recherche

  • Quelle source se révèle fiable pour quel type de valeur ?
  • À quelle vitesse chaque type de valeur se périme-t-il, et l'estimation est-elle calibrée ?
  • Au-delà de quelle qualité d'entrée la réponse de l'IA cesse-t-elle de s'améliorer ?

Schéma

Probabilité que la valeur soit toujours juste

Temps depuis la dernière confirmation

  • Adresse
  • Interlocuteur
  • Prix
Représentation schématique, sans valeurs mesurées.

Dans le programme de recherche

Pilier A : valeurs et rapprochements vérifiés sur des échantillons à l'aveugle, réponses revérifiées avec une borne d'erreur échantillonnée, alertes à mesure que l'information vieillit. Études R3, R4, R5, R6.

02 · Data Layer · Piliers A et BDomaine de recherche

Synchronisation distribuée : garder le jumeau numérique à jour

Quelle est l'actualité d'une réponse au moment où elle est donnée, et combien coûte-t-il de la maintenir ainsi ?

Pourquoi c'est difficile

Les systèmes sources changent sans cesse, tombent en panne ou livrent en retard, et chaque éditeur limite la fréquence de lecture. Remplacer les systèmes centraux est coûteux et risqué : la plateforme tourne donc à côté d'eux, pas à leur place. Une réponse sur un ensemble est fausse si un seul membre est périmé, et tout lire en direct coûte du temps et du quota.

Notre approche

  • Lire avant d'écrire : les nouvelles connexions démarrent en lecture seule, par les interfaces officielles, dans le contexte de chaque utilisateur.
  • demi repère le changement, revérifie ce qui a probablement changé et compte pour les réponses, et lit en direct quand vous en avez besoin tout de suite, dans les limites de chaque système et du budget que vous fixez.
  • Chaque réponse montre l'actualité des valeurs sur lesquelles elle repose.
  • L'écriture se fait à part : sous forme de proposition, avec validation, réversible.

Questions de recherche

  • Quelle est l'actualité de chaque réponse quand elle est donnée, et combien coûte de la maintenir, dans les limites de chaque système et du budget fixé par un client ?
  • Quelle actualité et quelle justesse les réponses gardent-elles avec un index et des valeurs lues en direct, par rapport à une copie complète ?
  • Quand un processus de la plateforme correspond-il au système hérité, et comment le prouver lors d'une exécution en parallèle ?

Schéma

Lire avant d'écrire

  • ERP
  • CRM
  • Fichiers
Instantané horodatéData Layer

Écrire, seulement avec validation

  1. Proposition de changement
  2. Validation par une personne
  3. Réécriture
  4. Annulation en une étape
Les systèmes sources continuent de tourner. Rien n'est remplacé avant d'avoir fait ses preuves.

Dans le programme de recherche

Pilier A : l'actualité fait partie d'une réponse juste, et la maintenir coûte une part du coût par réponse exploitable. Études R1, R3, R6, R7, R8.

03 · Data Layer · Pilier ADomaine de recherche

Résolution d'entités et valeurs typées

Quand trois entrées dans trois systèmes sont-elles la même chose, et avec quelle certitude faut-il le savoir avant qu'un comptage en dépende ?

Pourquoi c'est difficile

La même pièce porte un nom dans l'ERP, un autre dans le PLM et un troisième dans la fiche technique. Les graphies, les révisions et les unités diffèrent. Fusionnez les mauvais enregistrements et tous les nombres suivants sont faux : un faux rapprochement n'a pas l'air désordonné, il change le comptage.

Notre approche

  • Chaque valeur porte son unité, une valeur SI normalisée, sa source et ses dates.
  • Les clés fortes, comme les numéros de registre et de série, ont la priorité. Les rapprochements fondés sur un score restent des propositions tant que des échantillons à l'aveugle n'ont pas montré qu'ils sont précis.
  • Un rapprochement est un lien avec sa preuve, jamais un écrasement : annulez-le, et chaque source est toujours là.
  • Les conflits entre sources restent visibles.

Questions de recherche

  • Avec quelle confiance un rapprochement automatique doit-il être établi avant qu'une personne doive le confirmer ?
  • Comment un stock de documents devient-il un graphe aux relations typées ?
  • Dans quelle mesure les erreurs d'identité modifient-elles les listes, les comptages et les sommes ?

Schéma

Trois systèmes

  • ERPRéf. 200-17 · Pompe P200
  • PLMPlan P-200, rév. C
  • Fiche technique (PDF)P 200 · 7,5 kW

Un enregistrement

Pompe P-200
Référence article
200-17ERP
Révision
CPLM
Puissance
7,5 kWFiche technique, p. 2
Exemple : trois entrées, un enregistrement, chaque donnée avec sa source.

Dans le programme de recherche

Pilier A : la précision des rapprochements et l'exactitude des unités sont mesurées comme sources d'erreur dans les réponses sur des ensembles, aussi quand sources et données augmentent. Études R4, R5, R7.

04 · Permission Layer · Pilier BDomaine de recherche

Des droits pour les personnes et les agents d'IA

Comment garantir qu'un agent ne puisse jamais faire plus que la personne pour laquelle il travaille ?

Pourquoi c'est difficile

Les droits sont répartis entre l'ERP, le stockage de fichiers et l'organigramme. Un agent qui tourne sur un compte de service voit vite plus que n'importe quel employé. Et l'IA peut combiner des faits autorisés en un fait qu'une personne ne doit pas voir.

Notre approche

  • Les droits viennent des systèmes que vous connectez et de votre organigramme, et demi ne les élargit jamais de lui-même.
  • Un agent travaille dans les droits de la personne pour laquelle il travaille, et le journal nomme les deux.
  • Les droits atteignent ce que l'IA calcule : listes, comptages et chiffres, pas seulement les fichiers qu'elle lit.
  • Chaque décision est prise par requête, hors du modèle d'IA, et journalisée.

Questions de recherche

  • Comment vérifier automatiquement que la plateforme n'affiche jamais plus que le système source ?
  • Comment expliquer clairement pourquoi quelqu'un voit quelque chose, ou ne le voit pas ?
  • Une personne peut-elle voir un chiffre que l'IA calcule à partir de valeurs qu'elle ne peut pas voir une à une ?

Schéma

  • Prix fournisseurs

    • Anna, achatsautorisé
    • L'agent peutautorisé
  • Commandes ouvertes

    • Anna, achatsautorisé
    • L'agent peutautorisé
  • Dossiers du personnel

    • Anna, achatsnon autorisé
    • L'agent peutnon autorisé

D'où viennent les droits

  1. 1Système source
  2. 2Organigramme
L'agent ne peut jamais faire plus qu'Anna.

Dans le programme de recherche

Pilier B : droits d'accès sur listes, comptages, agrégats et faits protégés, mesurés avec les refus à tort ; modes de validation tirés des propres règles de l'organisation. Études R6, R12.

05 · Intelligence Layer · Piliers A et BDomaine de recherche

Agents quasi déterministes et évaluation

Comment obtenir d'un modèle de langage des chiffres sur lesquels on peut compter ?

Pourquoi c'est difficile

Les modèles de langage rédigent bien mais ne calculent pas de façon fiable. La même question peut donner deux réponses différentes. Dans les offres, les commandes et les rapports, ce n'est pas acceptable.

Notre approche

  • Le modèle comprend votre question, un programme calcule le chiffre.
  • Même plan, mêmes données : même nombre, et vous voyez comment il a été calculé. La lecture de la question peut varier, et c'est ce que nous mesurons.
  • En arrière-plan, les réponses sont revérifiées auprès de leurs sources.
  • Les validations restent liées à l'action exacte, et la décision, la validation, l'action et le résultat forment un seul enregistrement.

Questions de recherche

  • Comment mesurer si l'IA a trouvé la bonne chose ? Un jeu de questions de référence par secteur.
  • À quelle fréquence les exécutions répétées concordent-elles, sur le plan, le chiffre et la réponse ?
  • À partir de quel niveau de risque une personne doit-elle valider, et quand la validation devient-elle une formalité ?

Schéma

Quel est le montant des commandes ouvertes du client 4711 ?

  1. 1Question
  2. 2Le modèle comprend
  3. 3Calcul exact
  4. 4Réponse avec sources

Contrôle

Même plan, mêmes données : même nombre. Tout autre résultat est un bug.

Le modèle rédige, le code calcule.

Dans le programme de recherche

Pilier A : chiffres calculés face à l'arithmétique du modèle, contrôles de réponses avec une borne d'erreur échantillonnée. Pilier B : validations sous sondes adverses, reconstitution de chaque exécution. Études R1, R2, R3, R10, R11.

Études

Douze études, cinq groupes.

Chaque étude teste une affirmation qui peut se révéler fausse. Ensemble, elles couvrent les deux piliers.

  • Réponses sur des ensembles

    • R1Le chemin de réponse sur le jumeau numérique donne des réponses plus complètes et plus justes aux questions sur des ensembles (H1) et ne fait pas moins bien sur les autres questions (H4) ; le coût et le temps par réponse exploitable sont mesurés (H2).
    • R2Les chiffres calculés par une requête ou un programme sur des valeurs typées sont justes plus souvent que l'arithmétique du modèle.
    • R7L'effet se maintient ou s'accroît avec davantage de sources et de données (H3).
  • Qualité et confiance des données

    • R3Un contrôle en arrière-plan détecte des erreurs, et une borne d'erreur échantillonnée tient sur des données réservées et décalées.
    • R4, R5Des valeurs typées aux unités normalisées peuvent être lues dans les fiches techniques ; le rapprochement d'une même entité entre les sources est assez précis pour ne pas fausser les comptages.
  • Droits sur les résultats

    • R6Listes, comptages, agrégats et contextes du modèle restent dans les droits de la personne qui demande (H5), y compris des droits contradictoires entre systèmes et des droits sur les résultats.
  • Validation et preuve

    • R10Les validations restent liées à l'action exacte sous sondes adverses, et les personnes relisent ce qu'elles valident (H6).
    • R11La décision, la validation, l'action et le résultat peuvent être reconstitués pour des exécutions échantillonnées, et une falsification injectée est détectée (H7).
    • R12Une politique d'impact hors du modèle fixe des modes de validation qui correspondent au jugement des personnes pour une charge acceptable (H6), et l'IA reconnaît les actions hors du périmètre d'un rôle.
  • Sur le terrain

    • R8Le chemin de réponse fonctionne en mode fantôme, sous des droits et une charge réels.
    • R9Les experts des clients acceptent plus souvent les réponses et atteignent plus vite un résultat exploitable qu'avec leur processus actuel.

Réseau

Relié à l'université, à l'écosystème des fondateurs et aux programmes de soutien.

demi est un TUM Spin-off et est soutenu par des programmes en Bavière, en Allemagne et en Europe.

demiMunich

Science

  • Université technique de MunichLes trois fondateurs ont étudié à la TUM.
  • TUM Venture LabsLà où demi est né.
  • Étudiants de la TUMProjets d'études, projets interdisciplinaires et mémoires sur nos questions de recherche.

Création et soutien

  • UnternehmerTUMMembre de l'écosystème, programme UnternehmerTUM Incubator.
  • EXIST-ForschungstransferProgramme du BMWE, cofinancé par l'Union européenne (FSE+).
  • Ministère fédéral de l'Économie et de l'ÉnergieFinance demi via le programme EXIST-Forschungstransfer.

Programmes

  • ESA BIC BavariaBusiness Incubation Centre de l'Agence spatiale européenne.
  • NVIDIA InceptionProgramme pour les start-up de l'IA.
  • AI5innovationAccélérateur Elevator Ignite de l'European Digital Innovation Hub cofinancé par l'UE.

Faire de la recherche avec nous

Votre mémoire sur une vraie question.

Nous encadrons des mémoires de master, des projets interdisciplinaires et des étudiants salariés. Chaque sujet est une vraie pièce de notre programme de recherche, avec une personne de contact dans l'équipe.

  • De l'arbre au graphe

    Dans quelle mesure les dossiers, les documents et les exports se transforment-ils en entités et en liens typés ? Proposez des relations typées entre documents, une personne les confirme, et la précision et le rappel sont mesurés par type de relation.

    Fait partie de

    Pilier A · Résolution d'entités et valeurs typées
    • Mémoire de master
    • IDP
  • L'IA a-t-elle trouvé la bonne chose ?

    Que chaque partie d'un chemin de réponse combiné apporte-t-elle ? Des questions de référence sur des ensembles, notées par un programme, mesurent ce qu'apportent le périmètre, la recherche, le graphe et le calcul.

    Fait partie de

    Pilier A · Agents quasi déterministes et évaluation
    • Mémoire de master
    • IDP
  • La demi-vie du savoir de l'entreprise

    Suivez dans le temps des affirmations issues de registres publics et estimez à quelle vitesse chaque type d'affirmation se périme. Testez si une estimation apprise de « toujours à jour » est calibrée.

    Fait partie de

    Pilier A · Qualité et confiance des données
    • Mémoire de master
  • Quelle qualité d'entrée faut-il ?

    Mesurez la qualité du signal des documents et des images (confiance d'extraction, conflits entre sources, propriétés attendues manquantes) et testez si elle prédit les erreurs de réponse, et au-delà de quel niveau les réponses cessent de s'améliorer.

    Fait partie de

    Pilier A · Qualité et confiance des données
    • IDP
    • Étudiant salarié
  • Sécurité de l'IA selon l'OWASP LLM Top 10

    Injection de prompt, mauvais usage d'outils, auto-validation, fuite de données : un cadre de red team réutilisable pour agents et serveurs MCP, qui alimente les familles de sondes du pilier B.

    Fait partie de

    Pilier B · Des droits pour les personnes et les agents d'IA
    • Mémoire de master
  • Prouver l'isolation entre clients

    Tests de propriétés et de fuzzing qui tentent de passer d'un locataire, ou du contexte de modèle d'une personne, à un autre.

    Fait partie de

    Pilier B · Des droits pour les personnes et les agents d'IA
    • Mémoire de master

L'encadrement académique est assuré par votre chaire dans votre université. Nous apportons le sujet, l'accès et un interlocuteur dans l'équipe.

Postes et sujets ouverts

Architecture de sécurité

Comment demi sécurise les agents IA

Pour qui un agent agit, ce qu'il a le droit de voir et de déclencher, comment les entreprises restent séparées et où tournent les données et les modèles : les principes, avec sources.

Vers l'architecture de sécurité

Une recherche qui arrive jusqu'à l'atelier.

En 20 minutes, nous vous montrons comment la couche de données, les droits et l'IA travaillent ensemble sur un cas comme le vôtre.

Votre configurateur

Aucun cas d'usage pour l'instant

Votre configurateur est encore vide

Ajoutez un cas d'usage depuis n'importe quelle carte ou page de cas et voyez ce qu'il rapporte par an, calcul à l'appui. Gratuit, sans inscription, sans engagement : essayez et modifiez chaque chiffre.

Voir les cas d'usage