Faraday de Inherent : l'agent IA qui surpasse les LLM génératifs dans la réplication scientifique

Inherent, un laboratoire britannique fondé par d'anciens membres de DeepMind, vient de bouleverser le paysage de l'IA scientifique avec la sortie de Faraday. Contrairement aux modèles génératifs classiques comme ceux d'OpenAI ou d'Anthropic, cet agent IA ne se contente pas de prédire du texte : il exécute un processus de raisonnement actif pour reproduire fidèlement les résultats d'articles de recherche, marquant une étape cruciale vers l'automatisation de la validation scientifique.

En bref

• Inherent est une startup britannique fondée par des anciens de DeepMind, spécialisée dans l'IA pour la recherche fondamentale.
• Leur agent Faraday a démontré une supériorité notable sur les grands modèles de langage (LLM) de pointe dans la tâche de réplication expérimentale de papiers scientifiques.
• Faraday opère comme un "collègue de travail" autonome, capable de formuler des hypothèses, de planifier des expériences et d'analyser les résultats sans intervention humaine constante.
• Cette approche se distingue des LLM génératifs qui excelles dans la synthèse textuelle mais peinent sur la logique causale et l'exécution procédurale complexe.
• Pour les consultants IT, cette évolution signale le début d'une intégration d'agents IA spécialisés dans les pipelines de données scientifiques et de R&D, nécessitant de nouvelles compétences en orchestration d'agents.

Le contexte : au-delà de la génération de texte

L'intelligence artificielle a longtemps été perçue, dans le domaine de la recherche, comme un outil d'assistance à la rédaction ou de synthèse littéraire. Les modèles de langage de grande taille (LLM) sont excellents pour résumer un article, générer une bibliographie ou proposer des pistes de lecture. Cependant, la recherche scientifique repose sur une capacité fondamentale : la réplication. C'est le processus par lequel une équipe de chercheurs refait une expérience pour vérifier si les résultats sont reproductibles, ce qui constitue le fondement de la méthode scientifique.

C'est ici que les LLM traditionnels montrent leurs limites. Ils fonctionnent par prédictions probabilistes de tokens. Ils peuvent "deviner" un résultat plausible, mais ils ne "comprennent" pas la mécanique sous-jacente de l'expérience. Ils ne peuvent pas vérifier si un paramètre physique a été correctement appliqué ou si une erreur de mesure a faussé les données.

Inherent a identifié ce gouffre. Leur thèse est que pour automatiser la recherche, il ne faut pas un modèle qui "parle" de science, mais un agent qui "pratique" la science. Faraday est conçu non pas comme un chatbot, mais comme un agent autonome capable d'interagir avec des environnements de simulation, des bases de données expérimentales et des outils de calcul.

L'architecture de Faraday : un agent, pas un modèle

Contrairement à un simple appel à une API de LLM, Faraday intègre une boucle de raisonnement-action-observation (ReAct) sophistiquée. L'agent décompose l'article scientifique en une série de tâches exécutables.

1. Décomposition sémantique : Faraday analyse le papier pour extraire les variables d'entrée, les protocoles expérimentaux et les métriques de sortie attendues.
2. Planification procédurale : Il génère un plan d'action étape par étape, identifiant les dépendances entre les étapes (par exemple, "la calibration du détecteur doit précéder la collecte des données").
3. Exécution et Feedback : L'agent exécute les tâches dans un environnement sandbox ou connecté à des instruments virtuels. S'il détecte une anomalie (un résultat hors plage), il ne "hallucine" pas une explication, mais déclenche une diagnostic ou une nouvelle itération de l'expérience.

Cette capacité à itérer et à corriger en temps réel est ce qui distingue Faraday des approches basées sur un simple prompt engineering. Dans les tests comparatifs mentionnés par les fondateurs, Faraday a su identifier des incohérences dans les protocoles décrits dans les papiers, là où les LLM d'OpenAI ou d'Anthropic, questionnés de la même manière, tendaient à fournir des réponses génériques ou à manquer les subtilités causales.

Implications pour les consultants IT et les architectures d'entreprise

Pour un consultant en administration système, réseau ou sécurité, la montée en puissance d'agents comme Faraday n'est pas qu'une curiosité académique. Elle impacte directement les environnements d'infrastructure et de data engineering.

1. L'orchestration d'agents devient une compétence clé

Les entreprises qui intègrent des agents IA pour l'analyse de données ou la R&D auront besoin d'infrastructures capables de gérer des flux de travail asynchrones et complexes. Les consultants devront maîtriser les frameworks d'orchestration (comme LangChain, LlamaIndex ou des solutions propriétaires) pour garantir que les agents comme Faraday disposent des permissions adéquates, des ressources de calcul nécessaires et d'un environnement de test isolé.

2. Sécurité et gouvernance des agents

Un agent capable d'exécuter des commandes ou d'accéder à des bases de données scientifiques présente des risques de sécurité spécifiques. Contrairement à un utilisateur humain, un agent peut agir à grande vitesse et à grande échelle.

• Isolation des ressources : Les environnements d'exécution des agents doivent être strictement conteneurisés.
• Audit des actions : Chaque action d'un agent (lecture de fichier, requête API, écriture dans une base de données) doit être journalisée de manière immuable.
• Gestion des identités : Les agents doivent posséder des identités distinctes (service accounts) avec des principes de moindre privilège, évitant l'usage de comptes administrateurs globaux.

3. Intégration avec les pipelines de données

Dans les entreprises pharmaceutiques, financières ou de haute technologie, les données de recherche sont souvent stockées dans des data lakes complexes. Faraday et des agents similaires nécessitent des interfaces API robustes et des schémas de données bien définis. Les consultants en data engineering devront revoir leurs architectures pour s'assurer que les données sont structurées de manière à être exploitables par des agents de raisonnement, et non seulement par des requêtes SQL standard.

Bonnes pratiques pour consultants IT

Si vous êtes amené à conseiller des entreprises sur l'intégration de ces technologies d'agents IA spécialisés, voici les points de vigilance :

• Séparez le raisonnement de l'exécution : Ne laissez jamais un agent LLM exécuter directement des commandes shell ou des scripts SQL critiques sans une couche de validation intermédiaire (un "guardrail" technique). Faraday excelle parce qu'il est conçu pour raisonner sur l'action, pas pour actionner aveuglément.
• Validez la reproductibilité : Avant de déployer un agent pour automatiser des processus R&D, testez sa capacité à reproduire des cas de contrôle simples. Si l'agent échoue à reproduire un résultat connu, il n'est pas fiable pour des tâches nouvelles.
• Surveillez la consommation de ressources : Les agents autonomes peuvent entrer dans des boucles d'itération coûteuses en calcul. Mettez en place des limites de budget (token limits, CPU time) pour éviter les surcoûts infrastructurels.
• Formez les équipes à la "science des agents" : Les développeurs et les admins doivent comprendre que l'IA n'est plus un simple moteur de recherche. Ils doivent savoir lire les logs de raisonnement de l'agent pour diagnostiquer pourquoi une tâche a échoué.

Points clés

1. Inherent et Faraday représentent un pas vers l'IA "agentic" appliquée à la recherche, dépassant les limites des LLM génératifs dans la logique causale et la réplication expérimentale.
2. La valeur de Faraday réside dans sa capacité à exécuter, vérifier et corriger, et non simplement à générer du texte.
3. Pour les consultants IT, cela implique une refonte des architectures de sécurité et d'orchestration pour gérer des entités autonomes qui interagissent avec les systèmes d'information.
4. La gouvernance des agents devient un enjeu critique : identités, permissions, audit et isolation des environnements de test sont indispensables.
5. Cette technologie pourrait transformer les départements de R&D en automatisant les tâches de validation et de recherche de littérature, libérant les chercheurs pour des tâches à plus haute valeur ajoutée.

L'émergence de Faraday marque le début d'une ère où l'IA ne se contente plus d'assister le chercheur, mais devient un collaborateur capable de conduire des expériences virtuelles ou de valider des données. Pour les professionnels de l'IT, c'est un signal clair : les compétences en administration de systèmes doivent désormais inclure la gestion de l'autonomie logicielle et la sécurité des agents intelligents.

Source : TechCrunch