Nvidia publie une pile open source pour ancrer les agents IA d'entreprise dans le contexte

Nvidia a introduit Agent Knowledge Foundation, une nouvelle collection open source conçue pour aider les agents IA d'entreprise à donner un sens aux données internes complexes. Annoncé lors de la conférence GTC Berlin le 21 octobre 2026, cet ensemble vise à résoudre le problème de manque de contexte qui affecte souvent les grands modèles de langage lorsqu'ils interagissent avec des informations commerciales structurées. Cette initiative positionne Nvidia comme fournisseur de couches d'intelligence fondamentales plutôt que comme concurrent direct des plateformes de données existantes.

Ce qui s'est passé

Le défi principal pour les entreprises aujourd'hui ne réside pas seulement dans la connexion de l'IA aux sources de données, mais dans la garantie que l'IA comprenne les relations au sein de ces données. Alors que des fournisseurs comme Snowflake, Databricks et Palantir gèrent le stockage et les contrôles d'accès, ils n'offrent pas toujours la compréhension sémantique dont les agents ont besoin pour effectuer des tâches complexes. La nouvelle Agent Knowledge Foundation de Nvidia, ajoutée à son Agent Toolkit, regroupe plusieurs composants clés : les modèles Nemotron Retriever, une bibliothèque Auto-Ontology, la famille de modèles Kumo pour les données structurées et les bibliothèques de traitement de données CUDA-X. Cette approche permet aux entreprises de conserver leurs données sur place tout en améliorant la manière dont les agents les interprètent.

Adel El Hallak, vice-président produit chez Nvidia pour l'IA agentique, a souligné les limites des configurations actuelles. Il a noté que connecter simplement un agent à des systèmes comme Snowflake ou des échanges d'e-mails ne confère pas magiquement à l'IA une compréhension du contexte de l'entreprise. Les grands modèles de langage excellent à prédire les tokens suivants, mais peinent face à des requêtes spécifiques traversant des feuilles de calcul multi-onglets ou des bases de données disparates. La nouvelle fondation cherche à combler ce fossé en améliorant la précision de la récupération et en mappant les données brutes vers des concepts commerciaux significatifs.

Comment cela fonctionne

La fondation repose sur trois piliers technologiques principaux. Premièrement, le modèle d'embedding Nemotron Retriever améliore la pertinence de la recherche en privilégiant la précision par rapport à la vitesse pour les recherches individuelles. Nvidia affirme que cela réduit le nombre total d'étapes de recherche nécessaires, diminuant ainsi la latence globale. Lors de tests sur une configuration OpenSearch open source, le modèle a amélioré la pertinence de la recherche de 65 %. Des partenaires comme SAP et ServiceNow ont signalé des gains de performance significatifs, le reranker ajusté finement de SAP fonctionnant près de trois fois plus vite et ServiceNow atteignant une meilleure qualité avec 25 % de latence en moins.

Deuxièmement, la bibliothèque Auto-Ontology va au-delà de la génération augmentée par récupération (RAG) simple en construisant des graphes de connaissances. Ces graphes cartographient les relations entre les concepts, tels que le lien entre « tier » et « plan » dans les données d'un opérateur mobile, que les LLM confondent souvent. Cette bibliothèque a été renforcée par l'acquisition par Nvidia d'Illumex, une startup israélienne spécialisée dans les couches sémantiques automatisées, pour environ 75 millions de dollars en février. La bibliothèque expose une API REST et un serveur Model Context Protocol, permettant aux agents d'interroger directement ces relations structurées.

Troisièmement, la famille de modèles Kumo gère les prédictions sur les données relationnelles. Acquise par Nvidia en juin dans le cadre d'une transaction valorisée à plus de 400 millions de dollars, Kumo fournit des modèles fondamentaux pour les données tabulaires. Ces modèles remplacent les pipelines personnalisés précédemment construits pour des tâches spécifiques comme la prédiction du taux d'attrition ou l'analyse de sentiment. En harmonisant les données via des ontologies, les modèles Kumo peuvent piloter une analyse prédictive cohérente à travers différentes tables.

Détails clés

• Ensemble de composants : La Agent Knowledge Foundation inclut les modèles Nemotron Retriever, la bibliothèque Auto-Ontology, les modèles Kumo et les bibliothèques CUDA-X.
• Gains de performance : Nemotron Retriever a augmenté la pertinence de la recherche de 65 % lors des tests OpenSearch ; le reranker de SAP fonctionnait trois fois plus vite.
• Automatisation de l'ontologie : La bibliothèque Auto-Ontology construit des graphes de connaissances à partir des tableaux de l'entreprise, mappant les données brutes vers des concepts commerciaux comme les clients et les commandes.
• Acquisitions stratégiques : Nvidia a acquis Illumex pour ~75 millions de dollars en février et Kumo pour >400 millions de dollars en juin pour soutenir cette pile.
• Intégration partenaire : La pile s'intègre à Palantir Foundry, Databricks Genie Ontology et Snowflake Notebooks, laissant la gestion des contrôles d'accès aux partenaires.
• Distribution : Les modèles sont distribués via Hugging Face, suite à l'accord de 12,9 milliards de dollars de Nvidia pour acquérir la plateforme en septembre.

Pourquoi c'est important

Pour les ingénieurs logiciels et les responsables techniques, cette sortie signale un virage vers des composants modulaires et open source pour construire des workflows agentiques. Au lieu de dépendre de solutions monolithiques de fournisseurs pour chaque couche de la pile IA, les équipes peuvent désormais intégrer des modèles spécialisés pour la récupération, la cartographie sémantique et la prédiction. Cette modularité permet un contrôle plus fin sur la performance et le coût, particulièrement lors du traitement de volumes élevés de données d'entreprise où la latence et la précision sont des compromis critiques.

De plus, l'accent mis sur les ontologies répond à un point de douleur persistant dans les implémentations RAG : le manque de compréhension structurelle. En automatisant la création de couches sémantiques, Nvidia réduit l'effort manuel nécessaire pour aligner les schémas de base de données avec les requêtes en langage naturel. Cette harmonisation permet une analyse prédictive plus fiable et réduit les risques d'hallucination associés à la récupération de texte non structuré. Elle clarifie également la division du travail dans l'écosystème IA d'entreprise, Nvidia fournissant les couches d'intelligence tandis que des partenaires comme Snowflake gèrent la sécurité et la gouvernance des données.

Ce que vous pouvez faire

• Évaluez les modèles Nemotron Retriever sur votre infrastructure de recherche actuelle pour mesurer les améliorations potentielles de pertinence.
• Explorez la bibliothèque Auto-Ontology pour mapper vos tables de base de données existantes vers des concepts commerciaux en utilisant l'API REST fournie.
• Testez les modèles Kumo pour les tâches de données tabulaires telles que la prédiction du taux d'attrition ou la détection d'anomalies afin de remplacer les pipelines personnalisés.
• Examinez les options d'intégration avec votre plateforme de données actuelle, comme Snowflake Notebooks ou Databricks Genie Ontology.
• Surveillez le dépôt Hugging Face pour les mises à jour des modèles open-weight Kumo et Nemotron.
• Évaluez si votre équipe doit construire des couches sémantiques personnalisées ou si les outils automatisés de la fondation suffisent.