Deep Neuroévolution

Notre technologie

Depuis 30 ans, l'architecture des réseaux de neurones reste un problème non résolu, traité par essais et erreurs. DataValoris applique la sélection naturelle à la conception des modèles d'IA.

Une approche nouvelle : NNTO

DataValoris a choisi la sélection naturelle systémique pour construire les modèles d'IA, à l'image de ce que la nature a fait pour les cerveaux biologiques. C'est le cœur de notre moteur NNTO (Neural Network Topology Optimizer), qui s'applique à tout framework de réseaux de neurones. NNTO appartient à la famille du NAS (Neural Architecture Search) — l'automatisation de la conception d'architectures, considérée comme le prolongement de l'AutoML — mais s'en distingue par une recherche évolutionnaire des topologies plutôt qu'une exploration de configurations prédéfinies.

Animation de la sélection naturelle appliquée aux réseaux de neurones

Des IA mutantes

NNTO agit comme une surcouche qui pilote le framework choisi. C'est ce moteur qui porte nos quatre réponses — obfuscation de modèles, lutte contre les biais, adaptation au data drift et optimisation multi-objectifs — à travers deux services :

Service de génération

Produit des IA à partir du catalogue de modèles parents, y compris à partir d'une base existante ou open source, puis leur applique des mutations selon nos règles et vos critères de sélection (type d'objectif, taille...). L'enjeu n'est pas seulement de masquer un modèle : il s'agit de le différencier, de l'optimiser, de le rendre plus robuste et de l'adapter aux changements de dataset. La topologie obtenue est dédiée à votre problème et reste inconnue de la concurrence, ce qui la rend difficile à rétro-concevoir ou à copier.

Service de sélection

Choisit, selon les scores remontés et vos contraintes, les modèles qui rejoignent le catalogue des parents, en remplaçant les modèles les moins adaptés.

Un moteur de mutation et de sélection

Mutation

RAISE crée de nouvelles architectures à partir des modèles les plus prometteurs. Au-delà d'une simple obfuscation, les mutations façonnent une topologie dédiée à votre problème, plus robuste — et inconnue de la concurrence. Le modèle obtenu devient un actif propriétaire, difficile à rétro-concevoir ou à répliquer.

Compétition

Chaque modèle est évalué selon vos objectifs : score, taille, rapidité d'exécution, robustesse, biais à éviter, contraintes de production ou adaptation à l'évolution du dataset.

Sélection

Les meilleurs modèles rejoignent le catalogue des parents et remplacent les architectures les moins adaptées. La sélection s'appuie d'abord sur le score remonté par le framework de Deep Learning (val_acc, MAE, F1 ou un composite), pondéré par la taille du modèle (nombre de paramètres), sa rapidité d'exécution et la différence d'erreur par rapport aux autres modèles du catalogue.

Avant / après : un modèle et son champion mutant

Un exemple concret d'évolution : à gauche, un modèle initial minimal ; à droite, le champion mutant obtenu après plusieurs générations de mutation, compétition et sélection. La topologie s'est enrichie de connexions et de structures que personne n'a dessinées à la main — et qu'aucun concurrent ne connaît.

Modèle initial : réseau de neurones minimal avant évolution — Avant : le modèle initial

Champion mutant : réseau de neurones enrichi après plusieurs générations d'évolution — Après : le champion mutant

Benchmark AutoML

RAISE surpasse les autres outils d'AutoML

Créer une IA performante se heurte à un nombre quasi infini de topologies et d'hyperparamètres. Notre benchmark AutoML montre que l'approche évolutionnaire de RAISE — fondée sur la phylogénétique et la sélection naturelle — se classe parmi les meilleurs outils d'AutoML du marché, et surpasse les approches de référence, y compris XGBoost. « Les résultats de notre campagne d'évaluation montrent que les mutants créés sur RAISE sont significativement meilleurs que le modèle original. » — un transporteur français, application de reconnaissance d'objets sur convoyeur.

Télécharger le benchmark (PDF)