L’intelligence collective, la confidentialité de chacun. Plusieurs organisations veulent un modèle commun, aucune ne peut déposer ses données : le projet s’arrête avant d’avoir commencé. Mesh le fait démarrer. Une IA entraînée par le collectif, sans qu’aucune donnée ne sorte : seul le modèle circule, chiffré de bout en bout.
L’entraînement tourne chez vous. Les relevés bruts ne quittent jamais votre infrastructure.
Sur nos jeux publics réels, le modèle collectif gagne de 6 à 8 points d'AUC sur la moyenne de ce que les acteurs obtiennent seuls, sans qu'aucune donnée ne soit rassemblée.
Que perd-on à garder les données chez soi plutôt qu'à les réunir ? Rien de mesurable. L'écart au modèle qui aurait tout rassemblé est de 0,3 point d'AUC au plus, pour une incertitude de mesure au moins six fois plus grande.
Chiffrement de bout en bout (enclaves Secrecy en option, technologie française), aucune base centrale, hébergement européen possible. La donnée ne bouge pas : vous gardez la main sur le lieu et le droit qui s'y appliquent.
L’entraînement s’exécute localement, dans votre enceinte.
Les poids partent chiffrés de bout en bout. Le coordinateur agrège sans jamais voir vos données.
Chacun récupère un modèle meilleur que le sien, et peut l’affiner en privé.
Que vous ayez de la donnée à valoriser, de la donnée à faire travailler avec celle de vos pairs sans la confier, ou juste un moteur à récupérer, il y a une porte pour vous. Dans les trois cas, vos données ne quittent jamais votre infrastructure.
Vos données rapportent. Personne ne les voit.
Vous êtes payé pour la contribution de vos données à l’entraînement du modèle collectif. Elles ne sont ni copiées, ni exposées, ni transférées : seul le modèle voyage, chiffré.
Entraînez ensemble sans rien exposer. Repartez plus fort.
Vous rejoignez un consortium où chacun contribue en privé, sans jamais partager ses données en clair. En échange, vous repartez avec un moteur IA entraîné par le groupe, meilleur que celui que vous auriez seul.
Le moteur du collectif, sans donner une seule ligne.
Vous ne contribuez aucune donnée : vous achetez l’accès au moteur déjà entraîné par le collectif. Vous l’embarquez, le faites tourner chez vous, et l’affinez en privé sur vos propres données.
Si vos données sont sensibles, réglementées et fragmentées entre acteurs qui ne peuvent pas se les échanger, Mesh s’applique. Le moteur est le même : seul le cas d’usage change.
Quelques scénarios que nous avons déjà construits, la liste n’est pas fermée :
Une démonstration interactive est disponible sur demande, nous vous en donnons l’accès.
Voir la démonstration sur données réelles →
C'est une méthode où plusieurs organisations entraînent ensemble un même modèle d'IA sans centraliser ni partager leurs données brutes. Chaque acteur entraîne le modèle localement, sur ses propres données ; seuls les paramètres du modèle circulent, chiffrés de bout en bout. Aucune donnée ne quitte l'infrastructure de son propriétaire. C'est la spécialité de Mesh : une IA entraînée par le collectif, sans qu'aucune donnée ne sorte.
Avec Mesh, l'entraînement s'exécute chez chaque participant, sur ses propres données. Seules les mises à jour du modèle (les poids) sont envoyées, chiffrées, à un coordinateur qui les agrège. Chacun récupère un modèle commun meilleur que le sien, puis peut l'affiner en privé. À aucun moment vos données ne sont copiées, transférées ou rendues lisibles.
Il facilite la conformité RGPD, sans la garantir automatiquement. Comme les données brutes ne sont ni copiées ni transférées (elles restent chez leur détenteur), l'exposition des données personnelles est fortement réduite, ce qui applique nativement le principe de minimisation. La conformité finale dépend toutefois de la mise en œuvre et de la gouvernance de chaque projet, et se prononce au cas par cas avec un juriste.
Le confidential computing chiffre le calcul dans une enclave matérielle (TEE) sur un serveur central : les données y sont rassemblées, mais protégées. L'apprentissage fédéré, lui, ne centralise pas les données du tout : le calcul reste local chez chaque acteur, et seuls les paramètres du modèle circulent. Mesh relève de l'apprentissage fédéré : les données ne sont jamais rassemblées.
Non. C'est le point le plus important : vos données ne sont jamais mises en commun, ni copiées, ni fusionnées. Elles restent chez vous, en clair, sous votre seul contrôle. Ce qui est mis en commun, c'est l'apprentissage, pas la matière première. On dit que le modèle est entraîné par le collectif, pas sur des données partagées.
Dans la démonstration, le moteur Mesh est un classifieur : il prend en entrée les caractéristiques d'un cas (par exemple les mesures d'une machine, d'une transaction ou d'une session) et renvoie une probabilité, par exemple « ce cas a 84 % de risque d'être une panne ». Sa valeur opérationnelle est de trier vos cas du plus au moins risqué, pour concentrer l'attention là où elle compte. C'est vous qui fixez le seuil d'alerte, selon votre métier. Le produit livré est adapté à votre cas. (Les scénarios sectoriels tournent sur des données synthétiques ; la démonstration sur AI4I, Tox21 et EDP tourne sur des données publiques réelles. Dans les deux cas, les chiffres illustrent un mécanisme et ne préjugent pas d'un résultat sur vos données.)
Trois portes d'entrée selon votre situation : Le Collectif (vous rejoignez un consortium et repartez avec le moteur commun), Rente de Données (vous êtes payé pour la contribution de vos données, sans les exposer), ou Moteur Clé en Main (vous récupérez un moteur déjà entraîné). Le Collectif prend toute sa valeur à partir de trois acteurs, c'est le point de départ.