Des modèles qui vous appartiennent, alignés sur vos valeurs.
La plupart des organisations louent une IA générique qui ne sait rien de leur façon de travailler et s'exécute là où quelqu'un d'autre le décide. Altilia vous donne au contraire toute la pile pour construire une personal AI : des ontologies pour curer vos données, des jeux de données construits par génération de données synthétiques et par des méthodes de curation guidée par les experts, de petits et de grands modèles de langage entraînés dessus, des agents réutilisables qui alimentent ces ontologies même à partir des documents les plus complexes, et un système d'exploitation pour les déployer, les gouverner et les servir pour vos besoins les plus spécifiques.
Alignés sur vos valeurs
L'ontologie définit ce qu'un modèle peut affirmer, vos règles et politiques délimitent ce qu'un agent peut faire, et la revue humaine se place exactement là où se trouve votre risque. L'alignement fait partie de l'architecture, versionné et auditable.
Précis sur vos documents
Un modèle de quelques milliards de paramètres entraîné sur votre ontologie égale un modèle de frontière sur votre tâche, plus vite et moins cher à chaque appel. La précision est auditée sur vos fichiers, pas sur un benchmark public.
Possédés, souverains, portables
Ontologies, jeux de données, poids et agents vous appartiennent : à conserver, versionner et servir, sur site ou dans votre cloud, derrière un endpoint compatible OpenAI. Aucune dépendance à un fournisseur, par construction.
De votre connaissance à votre modèle, en quatre étapes.
Chaque étape est un produit utilisable seul ; ensemble, elles forment la pile de la personal AI.
Curer
Décrivez ce qui compte sous forme d'ontologie : des entités avec une description sémantique, extraites du texte, des images ou des deux, imbriquées dans des ontologies filles pour les hiérarchies complexes. Les ontologies sont déclaratives, si bien que les experts métier les construisent sans code, ou laissent un agent en rédiger une ébauche à partir d'un échantillon de documents. Elles sont sérialisées et versionnées, de sorte que chaque jeu de données reste traçable jusqu'à la définition qui l'a produit.
Entraîner
Construisez le jeu de données par génération de données synthétiques en décodage contraint, pour que chaque exemple respecte la grammaire de l'ontologie, et curez-le avec vos experts. Entraînez-y un modèle de quelques milliards de paramètres, ou affinez un modèle plus grand. Le modèle entraîné reste compatible avec l'ontologie : le remplacer revient à changer un identifiant de modèle.
Construire
Composez en Python ou en YAML des agents qui raisonnent, agissent et délèguent à des sous-agents spécialisés, avec des outils intégrés pour les fichiers, les commandes et la recherche web. Les agents alimentent les ontologies à partir de vos données les plus complexes, objets hiérarchiques, tableaux, écriture manuscrite, dossiers multi-documents, et transmettent leur travail à vos interfaces token par token.
Déployer
Les modèles et les agents s'exécutent dans l'Altilia OS sur votre infrastructure, sous gouvernance zero-trust avec permissions et journaux de décision, exposés via des endpoints compatibles OpenAI, des API et des serveurs MCP. Ils interopèrent et se fédèrent avec les plateformes d'IA que vous exploitez déjà, et servent les besoins les plus spécifiques de votre organisation.
Deux SDK. Une seule façon de travailler.
Altilia Model Trainer transforme les documents en jeux de données à la forme de l'ontologie et en modèles entraînés. L'Altilia Agents SDK transforme les modèles en agents qui font le travail.
SDK d'extraction structurée et d'entraînement de modèles
- Natif sur le texte, les images ou les deux : un segment de texte ou une bounding box en sortie, en cohérence avec l'entrée.
- Des ontologies récursives et composables : des entités avec descriptions sémantiques et des ontologies filles pour les hiérarchies complexes.
- Décodage contraint avec XGrammar : des sorties qui ne peuvent pas violer la syntaxe de l'ontologie.
- Des exemples few-shot typés, échantillonnés à l'exécution, pour que l'apprentissage en contexte voie toujours des cas informatifs et bien formés.
- Génération automatique de jeux de données à partir d'un modèle de frontière, prêts à entraîner des modèles de quelques milliards de paramètres.
- Multi-tâche en une seule étape : entités, classification et génération à partir d'une seule ontologie.
- La même logique pour l'extraction interactive et par lots.
- Des ontologies sérialisables, versionnées et constructibles par des utilisateurs non techniques.
- Compatible OpenAI : fonctionne avec tout modèle derrière un endpoint compatible OpenAI, quel que soit le fournisseur.
# Altilia Model Trainer: a recursive ontology, declarative, versioned description: Court-appointed technical appraisal (CTU) entities: - name: property_address description: Full address of the appraised property modality: text - name: cadastral_id description: Sheet, parcel and sub-unit as printed modality: text+image output: bbox - name: market_value description: Value estimated by the expert, in EUR modality: text children: - encumbrances: entities: [creditor, rank, amount, registration_date] decoding: constrained # XGrammar, output cannot break the schema
Agents et systèmes multi-agents
- Framework Python bâti sur LangGraph : un agent unique ou un système d'agents qui collaborent, définis en code ou en YAML.
- Une boucle de raisonnement et d'action : le modèle réfléchit, choisit un outil, l'exécute et recommence jusqu'à obtenir une réponse.
- Le raisonnement comme outil dédié, natif lorsque le modèle le prend en charge (Gemini, GPT-5), ou les deux ensemble.
- Des sous-agents qui travaillent de façon autonome et renvoient leur résultat à l'agent principal.
- Des systèmes multi-agents entiers orchestrés depuis YAML, avec espaces de travail et sessions gérés automatiquement.
- Un flux d'événements pour les chatbots et les interfaces : tokens générés et actions des outils en temps réel, sous-agents compris.
- Compression automatique du contexte des sorties lourdes des outils (fichiers, JSON, logs) plus résumé de la conversation, sans modèle supplémentaire.
- Des hooks qui attachent de la logique aux moments du cycle de vie sans toucher au code de l'agent.
- Des outils prêts à l'emploi : gestion de fichiers, exécution de commandes, recherche web.
- Fonctionne avec tout modèle compatible LangChain, y compris Google Gemini et OpenAI.
# Altilia Agents SDK, LangGraph under the hood agent: npl_case_reviewer model: altilia/ctu-slm-3b # trained on court_appraisal v3 tools: [read_file, search_graph, run_command, web_search] sub_agents: - cadastral_reconciler - valuation_summariser context: compress_tool_outputs: true summarize_after_turns: 12 hooks: on_start: load_case_context after_run: write_decision_log events: stream # tokens + tool actions to the UI
Entraînés selon une méthodologie éthique, sur un pipeline que vous contrôlez.
Les jeux de données sont générés automatiquement et certifiés par des experts humains avant qu'un seul poids ne change. L'entraînement est un pipeline personnalisable de fine-tuning supervisé, d'adaptation LoRA, d'optimisation des préférences et d'apprentissage par renforcement à partir du retour humain, exécuté sur votre infrastructure et consigné dans une model card.
Données synthétiques
Un modèle de frontière, en décodage contraint, produit des exemples parfaitement structurés à partir de vos documents et de votre ontologie, à l'échelle dont votre tâche a besoin.
Curation et certification par les experts
Vos experts métier examinent les échantillons dans l'espace de revue et certifient deux choses : que le comportement est correct, et qu'il respecte les règles éthiques de votre domaine et de votre organisation.
SFT
Le fine-tuning supervisé apprend au modèle le format, le vocabulaire et les décisions de votre processus à partir du jeu de données certifié.
LoRA
Les adaptateurs de bas rang spécialisent à moindre coût les petits et les grands modèles, un adaptateur par ontologie ou par processus, interchangeables sans réentraîner le modèle de base.
DPO
L'optimisation directe des préférences aligne le modèle sur les choix que vos experts préfèrent, y compris les refus et les escalades, à partir de leurs jugements certifiés.
RLHF et évaluation
L'apprentissage par renforcement à partir du retour humain boucle la boucle avec les corrections issues de la production ; chaque version est évaluée sur votre jeu de référence et publiée avec une model card.
Correction du comportement
Les experts certifient que le modèle produit la bonne sortie sur les échantillons de référence : les bonnes entités, la bonne classification, la bonne abstention lorsque la preuve manque.
Conformité éthique
Les experts certifient que les échantillons respectent les règles du domaine et de l'organisation : non-discrimination, confidentialité, contraintes réglementaires, les valeurs convenues lors des ateliers d'alignement.
Provenance et transparence
Chaque paire d'entraînement est traçable jusqu'à une version de l'ontologie et un document source ; chaque version du modèle est livrée avec une model card décrivant données, méthode, évaluation et limites connues.
À quoi ressemble un modèle personnel : les expertises judiciaires pour les NPL garantis.
Un exemple du catalogue, étape par étape.
- CurerLes analystes décrivent l'expertise sous forme d'ontologie : bien, identifiants cadastraux, évaluation, inscriptions, chacun avec une description sémantique et une modalité (texte ou bounding box).
- EntraînerUn modèle de frontière lit un échantillon en décodage contraint ; les paires entrée–sortie structurées, curées par les analystes du servicer, deviennent le jeu d'entraînement d'un modèle de quelques milliards de paramètres dédié à cette ontologie, servi sur l'infrastructure propre du servicer.
- ConstruireUn agent de revue de dossier délègue à un réconciliateur cadastral et à un synthétiseur d'évaluations, alimente le graphe de connaissances et transmet son raisonnement à la file du relecteur.
- DéployerL'OS impose qui peut exécuter l'agent et sur quels fichiers, journalise chaque décision avec sa page source et expose le modèle aux autres systèmes du servicer.
Gouvernable selon une approche zero-trust. Ouverte by design.
Chaque agent s'exécute avec des permissions à moindre privilège et laisse un journal de décision. Chaque modèle, ontologie et agent reste le vôtre, et l'OS se fédère avec les plateformes d'IA que vous exploitez déjà.
Aucun agent n'est fiable par défaut
Chaque agent est identifié, limité aux données, outils et systèmes dont son processus a besoin, et autorisé à chaque appel. Les permissions, les versions des modèles et les points de revue humaine sont appliqués par l'OS, et chaque décision est journalisée avec ses sources pour l'audit.
Des interfaces standard en entrée comme en sortie
Les modèles sont servis derrière des endpoints compatibles OpenAI, les agents fonctionnent avec tout modèle compatible LangChain, et les connecteurs, les API REST et les serveurs MCP relient l'OS aux CRM, ERP, ECM et systèmes centraux dans les deux sens.
Fonctionne aux côtés des plateformes que vous avez déjà
L'OS se fédère avec les plateformes d'IA des hyperscalers, open source et internes : router une tâche vers leurs modèles, exposer les agents Altilia à leurs orchestrateurs, partager le graphe de connaissances sous vos permissions. Ontologies, jeux de données, poids et agents restent votre propriété intellectuelle et partent avec vous.