Itdaily - Tout le monde peut googler une entreprise, Veridion le fait 693 millions de fois

Tout le monde peut googler une entreprise, Veridion le fait 693 millions de fois

Photo d'équipe de Veridion : une vingtaine de collaborateurs en T-shirts noirs au bureau.

Les bases de données d’entreprises fonctionnent encore toujours comme en 1841 : extraire les données des registres et les ressaisir. La société roumaine Veridion permet au contraire à l’IA de parcourir Internet comme le ferait un humain, mais à raison de 1,4 milliard de pages par mois, pour 693 millions d’entreprises. Aujourd’hui, n’importe qui peut utiliser des modèles de langage, la question est donc de savoir pourquoi cette entreprise précise s’en sortirait mieux.

Prenons l’hôtel de Ljubljana où nous nous entretenons avec Veridion. Le registre du commerce slovène le connaît sous le nom de « MIKLOSIC 3 HOTEL d.o.o., fondé le 15 juin 2022, anciennement cabinet de conseil », avec une adresse et un code d’activité. Veridion le connaît sous le nom d’Eurostars uHotel, propriété d’une société madrilène sans site web, faisant partie d’une chaîne de 300 hôtels dans 23 pays et d’un groupe barcelonais affichant 1,65 milliard d’euros de chiffre d’affaires, locataire du bâtiment, 8,18 millions d’euros de chiffre d’affaires, 4,4 étoiles sur 1 700 avis Google, piscine sur le toit.

« Une entreprise n’est pas une ligne dans un registre », déclare Alexandra Tofon de Veridion. « C’est la somme de tout ce qu’elle laisse derrière elle. »

Des données d’entreprise datant de 1841

Le secteur de la vente d’informations commerciales, qui représente plus de 20 milliards de dollars de chiffre d’affaires, remonte à l’année où la Mercantile Agency of New York envoyait des avocats et des comptables dans les registres et les tribunaux. La méthode n’a pas changé : une entreprise dépose ses documents lors de sa création et les met à jour lorsque la loi l’exige.

Ce qu’elle fait réellement, où elle opère et combien de personnes y travaillent, elle n’a pas à le signaler nulle part. Chaque étape passe par des mains humaines, et le secteur revend le même pool de données via des revendeurs. Trois entreprises sur cinq ont modifié quelque chose au cours de l’année écoulée ; la base de données ne l’a pas remarqué. Résultat : des assurances tarifées sur des activités que personne n’a signalées et des crédits que les PME n’obtiennent pas parce que la banque ne les voit pas.

Sur les 693 millions d’entités de Veridion, seules 180 millions sont réellement opérationnelles. Le reste n’est constitué que de sociétés écrans.

Deux intervenants, dont une femme au micro, devant une bannière de The IT Press Tour

Lire Internet comme un humain

Veridion a débuté en 2017 avec un vendeur qui ne trouvait pas de liste de prospection fiable. Sa solution : ouvrir et lire des sites web. « Une machine peut-elle faire cela comme un humain, mais à grande échelle ? » La réponse est passée par trois phases qui ne coïncident pas par hasard avec l’évolution de l’IA. D’abord les règles et les classificateurs, avec le dilemme classique : l’échelle ou la précision, il faut choisir.

Il y a deux ans a suivi l’ère du traitement par lots : relire chaque semaine l’intégralité du web dans un processus de six heures à deux jours, alors que 95 % des entreprises n’avaient pas changé. « Nous gaspillions de la puissance de calcul pour rien », explique l’ingénieur de données Alexandru Tofon.

Aujourd’hui tourne Orion, un moteur piloté par les événements sur Flink et Kafka. Chaque site web est un flux propre qui met à jour le graphe en quelques secondes.

Aujourd’hui tourne Orion, un moteur piloté par les événements sur Flink et Kafka. Chaque site web est un flux propre qui met à jour le graphe en quelques secondes. Les pipelines sont des recettes YAML : les contrôles peu coûteux d’abord, un modèle de langage uniquement là où c’est rentable. Plus de 90 % proviennent du cache. Par conséquent, des modèles ouverts de 9 à 27 milliards de paramètres sur des GPU propres suffisent, complétés par des transformateurs auto-entraînés et, là où la tâche l’exige, Gemini, Claude, ChatGPT et Mistral.

Le résultat : des milliers à des dizaines de milliers de pipelines par seconde et 100 millions de prédictions de modèles par jour. Alexandru l’a démontré avec un projet de week-end : 578 000 sites web comparés à leur propre version précédente. En un week-end, 377 entreprises ont modifié un prix publié, 455 leurs coordonnées et 51 leur adresse, 1 990 ont reconstruit leur site et deux sites web se sont révélés piratés, avec la note d’extorsion comme seule trace vérifiable.

Pourquoi pas simplement ChatGPT ?

Veridion répond à cette question par quatre choix de conception. Un : une page fournit des affirmations, pas des entreprises. Un scraper lit une page et enregistre une entreprise. Veridion note qu’une source a fait une affirmation, et une entreprise n’existe que lorsque plusieurs sources indépendantes le confirment. « Une seule correspondance erronée empoisonne chaque décision en aval. »

Deux : l’ancienne valeur subsiste jusqu’à preuve du contraire. Laissez un modèle de langage lire deux fois la même page et il répond parfois différemment. Cette réponse entraîne des milliers de déménagements fantômes par jour. La charge de la preuve incombe au nouveau cycle. « Tout le monde construit maintenant avec ces modèles. Presque personne n’a intégré de protection contre leur non-déterminisme. »

Trois : chaque valeur porte sa preuve, avec la source, la date, la certitude et le raisonnement du modèle. « C’est pourquoi une réponse de chatbot n’a pas sa place dans un dossier d’assurance. Posez deux fois la même question et vous obtiendrez deux réponses, sans origine. »

Quatre : matériel propre avec trois centres de données répliqués en Allemagne. « Dans le cloud, le volume avec lequel nous travaillons nous mènerait à la faillite en quelques mois. » Cela rend Veridion, selon ses propres termes, deux fois moins cher que les acteurs établis.

La réponse honnête à « pourquoi eux » n’est donc pas l’IA. Les modèles sont ouverts et accessibles à tous. L’avance réside dans six ans de validation, dans la discipline contre les modèles hallucinants et dans le matériel. Tous les chiffres de performance sont toutefois des mesures propres : 30 % plus précis, avec pour exemple un taux de correspondance qui est passé de 15 à 60 % chez un assureur canadien.

Les modèles sont ouverts et accessibles à tous. L’avance réside dans six ans de validation

Les limites sont nettes : ce qui n’est pas sur Internet, Veridion ne le sait pas. Les comptes annuels audités, les scores de crédit et les numéros DUNS, précisément ce sur quoi le secteur repose, il ne les a pas.

La discipline est l’avantage, et il est temporaire

Veridion ne vend pas de logiciels ni de licences, mais des données, par cas d’utilisation et sans prix publics. Elle les vend notamment à des agences de notation de crédit, des assureurs, des plateformes d’approvisionnement et des maisons de données qui les revendent sous leur propre nom.

L’entreprise prouve que l’IA rend la méthode de 1841 obsolète : une machine peut lire Internet comme un humain et ce, 693 millions de fois simultanément. Pourtant, Veridion ne met pas l’accent sur les modèles, mais sur la confiance. Les affirmations ne deviennent des faits qu’après confirmation. Les valeurs ne changent pas sans preuve.

Les entreprises aujourd’hui lâchent trop vite un chatbot sur leurs données clients, sans chercher à y mettre de la structure et de la confiance. La question est de savoir combien de temps Veridion pourra conserver son avance maintenant que les mêmes modèles ouverts sont à la disposition de tous. Tout le monde construira-t-il bientôt son propre Veridion ? L’entreprise ne se voit pas en difficulté de sitôt. Elle a encore levé 20 millions d’euros hier lors d’un tour de financement de série A.

D’ici là, la leçon vaut pour toute base de données d’entreprises ou de contacts : le problème n’a jamais été le manque d’IA, mais l’excès de confiance dans ce qui a été saisi une seule fois.