D’un côté, une équipe qui développe une IA dédiée à la conformité produit, aux côtés d’acteurs du secteur TIC (Testing, Inspection and Certification). De l’autre, une chercheuse qui étudie comment évaluer les modèles de langage et comprendre dans quelles conditions leurs réponses peuvent être exploitées au sein d’un logiciel.

Cette rencontre entre un besoin industriel et une expertise scientifique est à l'origine de la collaboration engagée entre Qleer et le LIG. Son premier objectif est de définir une méthode d’évaluation scientifique, rigoureuse et reproductible, afin de documenter et de renforcer la fiabilité et l’explicabilité des résultats d’une IA de conformité produit.

Qleer, une IA construite pour la conformité produit

Qleer développe une intelligence artificielle verticale dédiée à la conformité produit. Elle ne remplace pas l’expert, elle le débarrasse du travail documentaire répétitif (lecture des normes, mapping des exigences, audit des dossiers techniques) pour qu’il puisse se concentrer sur les décisions qui comptent vraiment.
 
Fondée par une équipe qui cumule 30 ans d’expérience industrielle, Qleer construit son produit aux côtés d’acteurs majeurs des essais, de linspection et de la certification, l’un des secteurs les plus réglementés au monde
 
Son ambition dépasse largement un seul territoire : Qleer construit une IA verticale destinée à des clients dans le monde entier, partout où la conformité produit est un enjeu critique. Qleer affiche une traction croissante auprès d’organismes qui évaluent chaque jour la conformité de milliers de produits.

Le LIG, un laboratoire de référence en informatique et en IA

Le LIG est une unité mixte de recherche associant notamment Grenoble INP – UGA, lUniversité Grenoble Alpes, le CNRS et Inria. Ses équipes travaillent sur de nombreux domaines de lʼinformatique et de lʼintelligence artificielle.
 
Gabriela Gonzalez est maîtresse de conférences à Grenoble INP – Ensimag, UGA, et chercheuse au LIG. Ses recherches portent notamment sur lévaluation et lʼexplicabilité des modèles de langage lorsquʼils sont intégrés à des logiciels. Elle sʼintéresse à la manière dʼen apprécier les résultats, de comprendre sur quelles informations reposent leurs réponses et de choisir les modèles adaptés à un usage donné.
 
Cette expertise constitue lapport de Grenoble INP – UGA à la collaboration : un cadre scientifique d’évaluation, avec des critères et des résultats comparables et reproductibles, mis à l’épreuve sur un cas d’application industriel exigeant.

L’IA de confiance, un terrain de recherche commun

Dans les domaines réglementés, la fiabilité et l’explicabilité sont des questions de recherche ouvertes pour toute IA générative.
 
Qleer a fait le choix d’une IA spécialisée, qui s’appuie sur les documents de référence de l’utilisateur et en cite les sources, l’expert conservant la décision finale. La collaboration avec le LIG vise à objectiver et à approfondir cette approche.
 
« Les retours de nos clients sont très positifs, mais nous voulons pousser notre moteur d’intelligence artificielle toujours plus loin, notamment en termes de fiabilité et d’explicabilité des résultats. S’allier au monde de la Recherche académique, et au LIG en particulier, s’est imposé comme une évidence. Cela va nous permettre dinnover au-delà des solutions existantes, tout en suivant une démarche scientifique rigoureuse. » Valentin Chmara, CTO de Qleer

« Notre première étape consiste à établir une méthode d’évaluation solide, utilisable au-delà d’un seul système, pour apprécier la fiabilité et l’explicabilité d’une IA en contexte réglementé. Qleer nous offre un cas d’application concret et exigeant. » Gabriela Gonzalez, MCF Grenoble INP – UGA et chercheuse au LIG.

Une collaboration pensée pour durer

Qleer et le LIG comptent poursuivre cette collaboration sur plusieurs phases, à mesure que les résultats ouvriront de nouvelles questions.
 
Cette démarche illustre lintérêt dʼun échange entre recherche académique et entreprise : les questions rencontrées dans lʼusage dʼun outil nourrissent le travail scientifique, tandis que les méthodes de recherche contribuent à renforcer la fiabilité et l’explicabilité des solutions déployées.