Dans cet épisode de discussion en français, les animateurs analysent Neuralk (également appelé Nuralc ou Neural AI), une startup spécialisée dans l’intelligence artificielle pour les données tabulaires. En s’appuyant sur la fiche produit de Chain.ai, ainsi que sur des sources comme Tech Funding News, Vestbee, le site de Neuralk et des vidéos YouTube, ils décrivent la proposition de valeur de l’entreprise : des Tabular Foundation Models entraînés spécifiquement pour comprendre les tables (catalogues produits, historiques de transactions, données clients). Les intervenants expliquent les technologies sous‑jacentes – réseaux de neurones graphiques (GNN) et transformeurs adaptés – qui permettent de transformer les lignes de tableau en vecteurs d’embedding riches. Ils détaillent l’architecture agentique de la plateforme, où plusieurs agents spécialisés (prévision de la demande, optimisation des stocks, détection d’anomalies, résolution d’exceptions) interagissent via un « Planner Copilot » conversationnel capable d’expliquer ses recommandations. L’intégration aux ERP/WMS est présentée comme cruciale pour automatiser les flux de décision. Les bénéfices attendus sont la réduction du travail manuel, une précision accrue des prévisions et une plateforme unifiée. Les animateurs soulignent les prérequis d’une bonne qualité de données et d’une maturité organisationnelle, ainsi que le besoin d’un changement de processus. Ils citent les fondateurs (Antoine Moissonneau, Alexandre Paschiou), le financement de 4 M $, des clients comme E.Leclerc, Auchan et Miracle, et positionnent Neuralk face à des concurrents tels qu’O9 Solutions, Blue Yonder et Anaplan. Enfin, ils ouvrent la réflexion sur l’applicabilité de ces modèles de fondation tabulaire à d’autres secteurs (finance, assurance, santé).
Chapters
Bonjour et bienvenue à toutes et à tous. Aujourd'hui, on va se pencher sur un outil d'IA assez spécifique: Nuralc AI. Il est listé sur Chain.ai, vous savez, le répertoire d'outils IA pour la supply chain, les achats, la logistique, une initiative du Global Supply Chain Council, le GCC. Notre base, ce sera la fiche de Nuralc sur Chain.ai, mais on va aussi regarder ce qu'en disent Tech Funding News, Vestbee, le site de Nuralc lui-même et même une discussion sur YouTube. Le but? Essayer de comprendre ce qui fait la spécificité de Neuralink. On parle beaucoup de leur focus sur les données tabulaires et d'une approche par agent IA pour la planification. C'est ce que Chen.ai met en avant. Alors creusons ça ensemble.
Oui, bonjour. C'est une excellente idée parce que souvent quand on pense IA, on pense texte, image. Mais il y a tout ce pan des données structurées, les tableaux Excel, les bases de données, qui sont absolument critiques dans plein de secteurs, surtout le retail, la logistique. Et c'est vrai que c'est un domaine où les IA généralistes sont parfois moins performantes. Un potentiel un peu sous-exploité, quoi.
Et c'est là que Neural AI entre en jeu. Si je suis bien leur présentation sur ChainAI, ils s'attaquent frontalement à ces données tabulaires.
Exactement, c'est leur créneau. Ils développent ce qu'ils appellent des Tabular Foundation Models. Alors l'idée, c'est d'avoir des modèles d'IA qui sont entraînés spécifiquement dès le départ pour comprendre la logique de ces données-là. Pensez aux catalogues produits, aux historiques de transactions, aux informations clients, des tables quoi.
Des modèles spécialisés donc. Pour faire quoi de mieux concrètement?
L'objectif affiché, c'est d'obtenir une précision bien meilleure que les modèles d'IA plus généralistes sur des tâches très précises liées à ces données. Ça peut être la prévision des ventes, le nettoyage d'une base de données produits, la personnalisation d'offres. D'ailleurs, les fondateurs Antoine Moissonneau et Alexandre Paschiou, ils ont réussi à lever 4 millions de dollars assez récemment. Ça montre qu'il y a un intérêt pour cette approche très ciblée.
Oui, 4 millions, ce n'est pas rien, ça valide l'approche. Mais alors, techniquement, comment ça marche? Comment ils font pour que l'IA comprenne un tableau? Chain.ai et d'autres sources parlent de GNN, de transformers, ça peut paraître un peu abstrait pour nos auditeurs.
Oui, alors, sans rentrer dans une complexité folle, essayons de simplifier. Les GNN, Les réseaux de neurones graphiques, imaginez qu'ils sont très forts pour comprendre les relations entre les différentes lignes ou les différents éléments d'un tableau. Par exemple, comment tel produit est souvent acheté avec tel autre, ou comment des clients ayant acheté X sont similaires à ceux ayant acheté Y. C'est la structure relationnelle, tu vois.
D'accord, les liens entre les données. Et les transformers, on les connaît plus pour le langage, non?
Tout à fait, ils viennent de là initialement. Mais l'idée ici, c'est de les adapter pour analyser les interactions à l'intérieur d'une même ligne de données. Comprendre comment les différentes colonnes d'une table, le prix, la catégorie, la description, la date, etc., interagissent pour définir cet élément spécifique. C'est un peu comme comprendre le contexte d'un mot dans une phrase, mais appliqué aux colonnes d'un tableau.
je vois. Le but final de tout ça, c'est de créer une représentation plus riche de la donnée tabulaire?
C'est exactement ça! Ces technologies transforment les données brutes du tableau en ce qu'on appelle des embedding vectors. En gros, des représentations numériques, des sortes de coordonnées dans un espace mathématique, qui capturent l'essence et les relations de la donnée. Et une fois que vous avez ces embeddings, l'IA peut travailler dessus de manière beaucoup plus fine et efficace.
Pour faire quoi par exemple?
Ben, pour faire des prédictions plus justes, pour identifier des anomalies qu'on n'aurait pas vues autrement, pour nettoyer automatiquement des incohérences dans un catalogue, ou même pour générer des descriptions de produits, pour suggérer des offres très ciblées, La promesse, c'est vraiment un saut qualitatif par rapport aux méthodes plus classiques sur ce type de données.
Qui nous intéresse particulièrement aujourd'hui, la supply chain. La fiche sur chain.ai, la plateforme du GSCC, insiste beaucoup sur une approche d'IA agentique. Qu'est-ce que ça signifie concrètement pour quelqu'un qui travaille dans la planification logistique?
Alors, l'approche agentique, c'est une idée assez puissante. Il ne s'agit plus seulement d'avoir un gros modèle qui fait tout, mais plutôt de déployer plusieurs agents d'IA. Chacun de ces agents est un peu comme un expert spécialisé dans une tâche très précise de la chaîne d'approvisionnement.
Des exemples de tâches que c'est Chain.ai?
Oui, la fiche est assez explicite là-dessus. On parle par exemple d'un agent pour la prévision de la demande, un autre pour l'optimisation des niveaux de stock, un troisième pour la détection d'anomalies en temps réel. On peut même imaginer un agent chargé de résoudre automatiquement certaines exceptions logistiques simples ou du moins de proposer des solutions.
Donc on n'est plus juste dans l'analyse de données, mais dans l'automatisation et l'aide à la décision très active.
Exactement. C'est une IA qui devient plus un copilote qu'un simple tableau de bord. Et d'ailleurs, Chen.ai met en avant l'interface conversationnelle, le Planner Copilot. L'idée, c'est que les planificateurs humains peuvent dialoguer avec ces agents IA.
Ah oui? Comment ça?
Ils peuvent poser des questions, demander des clarifications sur une suggestion, Et surtout, l'IA est conçue pour expliquer ses raisonnements. Pourquoi cette agence suggère d'augmenter le stock de ce produit? Sur quelles données se base cette prévision? Cette explicabilité, c'est vraiment fondamental pour que les équipes aient confiance et adoptent l'outil. C'est pas juste une boîte noire qui donne des ordres.
La transparence est clé, oui. Et l'intégration? Chen AI mentionne l'intégration aux ERP.
Oui, c'est un point essentiel. Pour que ça fonctionne, il Il faut que ces agents puissent lire les données des systèmes existants, ERP, WMS, etc., et potentiellement y réinjecter des informations ou des décisions. L'objectif, c'est d'avoir une plateforme unifiée où l'IA travaille en synergie avec les outils que les entreprises utilisent déjà.
Très bien. Alors, si on regarde les bénéfices mis en avant sur Chain.ai, pour une entreprise qui adopterait Neuralk, quels sont les principaux arguments?
La plateforme du GCC, Chain.ai, résume ça assez bien. Premièrement, une réduction significative de la charge de travail manuel. Beaucoup de tâches répétitives de planification pourraient être automatisées ou semi-automatisées. Deuxièmement, une amélioration de la précision, notamment des prévisions, parce que les modèles apprennent continuellement à partir des données spécifiques de l'entreprise. Et troisièmement, l'avantage d'une plateforme unique qui centralise l'analyse, les alertes, la planification, l'automatisation. Ça évite d'avoir à jongler entre 10 outils différents.
Ça semble prometteur, mais comme toujours, il doit y avoir des prérequis, des limites peut-être. Qu'est-ce qu'il faut avoir en tête?
Absolument, et c'est important de le souligner: la qualité des données, c'est le nerf de la guerre. Pour que ces tableurs foundation models fonctionnent bien, il faut disposer de données historiques qui soient structurées, propres et en quantité suffisante. Si les données d'entrée sont de mauvaise qualité, les résultats de l'IA le seront aussi.
Le fameux garbage in, garbage out.
C'est exactement ça. Ensuite, il faut être conscient que déployer des agents IA comme cela, ça peut demander une certaine adaptation des processus internes. Il faut que les équipes apprennent à travailler avec l'IA, à lui faire confiance, à comprendre ses recommandations. Ce n'est pas juste un changement d'outil, c'est potentiellement un changement dans la façon de planifier.
Donc, c'est plutôt pour des entreprises déjà assez matures sur le plan data et prêtes à intégrer l'IA de manière proactive.
Je pense, oui. C'est idéal pour des équipes qui veulent vraiment passer à une planification augmentée par l'IA, qui sont prêtes à investir du temps dans la configuration et l'adoption. D'ailleurs, Chain.ai fait bien de lister aussi des alternatives, d'autres grands noms de la planification supply chain assistée par l'IA, comme O9 Solutions, Blue Yonder, Anaplan. Ça permet de comparer les approches.
Et Neural cite des clients ou partenaires?
Oui, sur leur site ou dans la presse, on voit apparaître des noms comme E.Leclerc, Auchan ou la marketplace Miracle. Ce sont des acteurs importants du retail et de l'e-commerce, ce qui correspond bien à leur cible initiale.
D'accord. Bon, si on essaie de synthétiser un peu tout ça, en se basant principalement sur la présentation de ChainAI, complétée par nos autres sources, Neural AI se positionne vraiment comme un spécialiste des données tabulaires avec ses modèles de fondation dédiés. C'est son grand différenciateur technologique. Et son application phare, notamment pour la supply chain, passe par cette approche d'agents IA spécialisés, interactifs et surtout explicables via leur Planner Copilot.
C'est une très bonne synthèse. La spécialisation sur le tabulaire et l'approche agentique pour la supply chain, voilà les deux piliers. Et ce qui est intéressant, c'est de voir comment ils capitalisent sur ce qui est souvent vu comme le parent pauvre des données pour l'IA, alors que c'est le cœur de l'activité de tant d'entreprises.
Tout à fait.
Et peut-être pour ouvrir un peu la discussion en guise de conclusion, Aujourd'hui, Noralk cible clairement le retail, l'e-commerce, la supply chain. C'est logique, vu la nature des données. Mais leur ambition affichée, avec ces tabular foundation models, c'est potentiellement d'aller plus loin. On pourrait se poser la question: quels autres secteurs critiques reposent massivement sur des données tabulaires complexes? Je pense à la finance, l'assurance, peut-être certains domaines de la santé publique ou de la recherche.
Intéressant. Est-ce que cette approche d'IA ultra spécialisée sur les tableaux pourrait transformer aussi l'analyse dans ces domaines-là?
C'est une piste de réflexion, oui. Est-ce que l'avenir de l'IA pour les données structurées passe par ces modèles de fondation spécialisés, plutôt que par des modèles généralistes qu'on essaie d'adapter? C'est une question ouverte, mais l'existence d'acteurs comme Neural Oracle montre que cette voie est explorée sérieusement. Ça pourrait redéfinir pas mal de choses dans la manière dont on exploite les données en entreprise. Bien au-delà de la seule supply chain.
Une perspective à suivre de près donc. Merci beaucoup pour cet éclairage très complet sur Neural AI et son approche spécifique des données tabulaires, bien mise en valeur sur ChainAI.
Merci à vous, c'était passionnant de décortiquer leurs propositions.
