VectorCertain LLC a annoncé la disponibilité commerciale de son modèle micro-récursif avec système de fusion en cascade, une architecture conçue pour étendre la couverture de sécurité de l'IA aux queues statistiques où se produisent des événements catastrophiques. Cette annonce répond à une limitation fondamentale des systèmes d'IA actuels : leur échec systématique sur des cas limites rares qui provoquent des conséquences catastrophiques dans des applications critiques comme les véhicules autonomes, les diagnostics médicaux et les marchés financiers.
Les systèmes d'IA traditionnels fonctionnent bien sur les scénarios courants qui dominent les données d'entraînement, mais échouent sur des cas limites comme des piétons traversant au crépuscule, des krachs éclair déclenchés par des liquidations en cascade, ou des exploits zero-day contournant les signatures connues. L'analyse de VectorCertain révèle que les ensembles d'IA commerciaux présentent une corrélation croisée dépassant 81 %, ce qui signifie qu'ils échouent simultanément sur les mêmes cas limites, créant une illusion de consensus tout en offrant une couverture de sécurité minimale là où elle compte le plus.
L'architecture MRM-CFS résout ce problème grâce à quatre innovations interconnectées. Premièrement, les modèles micro-récursifs de seulement 71 octets chacun sont conçus spécifiquement pour détecter avec une précision extrême des catégories spécifiques d'événements de queue, atteignant plus de 99 % de précision sur leurs catégories cibles malgré une taille plus d'un milliard de fois inférieure à GPT-4. Deuxièmement, la fusion de capteurs chevauchants garantit qu'aucune défaillance de capteur unique ne crée d'angles morts dans la couverture de sécurité des systèmes multi-capteurs. Troisièmement, un pipeline de classification en deux étapes détecte si un événement de queue se produit et détermine sa gravité, un désaccord entre les étapes déclenchant une escalade de gouvernance. Quatrièmement, un système de fusion en cascade agrège les sorties d'ensemble en utilisant un consensus pondéré qui préserve les opinions minoritaires.
VectorCertain a validé son architecture sur des systèmes de perception multi-caméras représentatifs des applications d'aide à la conduite avancée et de véhicules autonomes. Le système traite les entrées de 8 caméras avec des champs de vision chevauchants, détectant 6 catégories d'événements de queue incluant l'intrusion de piétons, le franchissement de ligne et l'évitement d'obstacles. L'ensemble complet de 256 modèles occupe environ 20 Ko de mémoire, atteint une latence d'inférence inférieure à 1 milliseconde par image, et offre plus de 99,2 % de précision sur les événements de queue dans des données de test non vues.
Un avantage critique du MRM-CFS est son déploiement sur du matériel hérité incapable d'exécuter des modèles d'apprentissage profond modernes. Des millions de systèmes embarqués fonctionnant sur des processeurs 8 bits et 16 bits avec des kilooctets de mémoire disponible sont exclus des avancées en sécurité de l'IA nécessitant des gigaoctets de RAM et une accélération GPU. Les modèles de 71 octets de VectorCertain changent complètement cette équation, permettant le déploiement complet d'ensembles de 256 modèles dans ces contraintes tout en atteignant une latence inférieure à la milliseconde avec une consommation énergétique et thermique négligeable.
L'architecture micro-footprint permet une tolérance aux pannes mathématiquement prouvable grâce à la redondance combinatoire. Alors que les cadres conventionnels nécessitent 640 Ko pour un ensemble de 256 modèles, le MRM-CFS déploie la même capacité en 20 Ko, un avantage mémoire de 32× qui permet à chaque capteur de participer à plusieurs groupes de classificateurs chevauchants. Cela garantit que lorsqu'un capteur tombe en panne, les clusters restants maintiennent la couverture, avec une confiance qui se dégrade progressivement plutôt que d'échouer catastrophiquement.
Le lancement de VectorCertain coïncide avec une pression réglementaire sans précédent dans de multiples industries. Le programme AV STEP du NHTSA établit la première voie de certification fédérale exigeant une documentation de cas de sécurité, tandis que l'ISO 26262 ASIL-D exige plus de 99 % de couverture des pannes dans les applications automobiles. Dans les services financiers, les pénalités de la SEC pour les manquements à la conformité de l'IA ont dépassé 2 milliards de dollars depuis 2021. La FDA a autorisé plus de 1 250 dispositifs médicaux avec IA sous des cadres exigeant des pistes d'audit, et les normes NERC prévoient des pénalités allant jusqu'à 1,25 million de dollars par jour pour l'IA affectant les opérations du réseau électrique.
Si les véhicules autonomes représentent une application visible, le MRM-CFS s'applique partout où les décisions de l'IA ont des conséquences graves. VectorCertain a identifié plus de 47 domaines d'application distincts incluant les diagnostics médicaux détectant des conditions rares en imagerie, le trading financier identifiant les précurseurs de krachs éclair, la cybersécurité reconnaissant les exploits zero-day, la sécurité industrielle prédisant les défaillances d'équipement, l'aviation vérifiant les décisions de contrôle de vol, le réseau énergétique détectant les schémas de défaillance en cascade, la fabrication pharmaceutique assurant la qualité des lots, et la robotique chirurgicale validant les décisions de contrôle.
La société estime que 1 777 milliards de dollars de pertes auraient pu être évités sur 25 ans si le MRM-CFS avait été disponible pour les pertes de trading, les incidents de véhicules autonomes, les erreurs médicales et les violations de cybersécurité où les événements de queue ont vaincu l'IA conventionnelle. Le marché adressable combiné dépasse 500 milliards de dollars d'ici 2030, sans inclure la base installée de systèmes hérités qui peuvent enfin participer aux avancées de la sécurité de l'IA.
VectorCertain développe une intégration matérielle qui redéfinira la sécurité de l'IA au niveau du silicium grâce à une feuille de route en trois phases : l'intégration processeur sur les accélérateurs d'IA existants, l'intégration chipset avec les poids MRM intégrés directement dans le cache L ou les tables de routage FPGA, et l'architecture Smart Gate remplaçant la logique transistor traditionnelle au niveau de la porte. Cette approche s'appuie sur des fondations éprouvées de l'équipe technique de VectorCertain, incluant l'expérience de l'analyseur de gaz toxique ENVAIR2000 d'Envatec qui utilisait une architecture similaire de classification-quantification en deux étapes avec contrôle FPGA.
