DataVendor veut créer un marché pour les données privées utilisées par les laboratoires d’IA

DataVendor ouvre une place de marché pour vendre des données privées, du code et des environnements d'entraînement aux laboratoires d'IA.

Une entreprise peut posséder des années de code source, d'échanges professionnels, de données sectorielles ou de procédures internes sans jamais les avoir considérés comme des ressources commercialisables. Pourtant, ces informations peuvent présenter un intérêt pour les laboratoires qui entraînent et évaluent des modèles d'intelligence artificielle. DataVendor propose de mettre en relation ces détenteurs de données avec des acheteurs à la recherche de contenus spécialisés, de dépôts logiciels et d'environnements d'apprentissage par renforcement. Ouverte en bêta publique après deux années de développement, la plateforme permet aux organisations de répertorier leurs ressources, d'en estimer la valeur et de préparer leur vente. Son modèle repose sur un constat : une partie des données les plus utiles à l'amélioration des systèmes d'IA se trouve dans des infrastructures privées, hors des corpus généralement accessibles sur Internet. Des données que les laboratoires ne peuvent pas simplement télécharger

L'entraînement des modèles d'IA a longtemps bénéficié de grandes collections de documents, de programmes et d'images disponibles publiquement. Mais certaines capacités nécessitent des données beaucoup plus spécifiques. Un assistant chargé de résoudre des incidents informatiques peut avoir besoin d'historiques de pannes et de leurs corrections ; un agent de support doit apprendre à traiter des demandes réellement rencontrées par une entreprise ; un modèle de programmation peut tirer parti de dépôts privés accompagnés de leurs problèmes, tests et modifications successives.

Ces ressources ne sont pas nécessairement disponibles dans les jeux de données ouverts. Elles peuvent appartenir à des entreprises, être soumises à des contrats de confidentialité ou nécessiter un important travail de préparation avant de pouvoir être utilisées pour entraîner un modèle. La difficulté ne concerne donc pas seulement la quantité de données, mais leur disponibilité, leur qualité et les droits permettant de les exploiter.

DataVendor cherche à organiser cette offre au moyen d'une place de marché spécialisée. Les propriétaires de ressources peuvent publier une proposition commerciale et les acheteurs rechercher les données correspondant à leurs besoins. Le service vise aussi bien les entreprises possédant des archives techniques que les chercheurs capables de concevoir des exercices destinés aux modèles.

La plateforme affirme que la quasi-totalité des données mondiales reste privée, mais les pourcentages avancés dans ses communications ne sont pas accompagnés d'une méthodologie permettant de les vérifier. Ils ne doivent donc pas être considérés comme une mesure établie du marché potentiel. Code source, données brutes et exercices d'entraînement

Les ressources proposées ne se limitent pas aux jeux de données traditionnels. DataVendor distingue notamment les dépôts de code, les données brutes et les ensembles d'exercices, appelés tasksets, qui permettent de tester ou d'entraîner les capacités d'un modèle.

Un dépôt logiciel privé peut contenir le code actuel d'une application, mais aussi son historique, ses tickets, ses tests et les modifications apportées au fil des années. Pour un laboratoire spécialisé dans les agents de programmation, ces relations entre un problème signalé et sa résolution peuvent être plus utiles qu'une simple collection de fichiers source.

Les données brutes peuvent prendre la forme de documents professionnels, de journaux techniques ou d'archives sectorielles. Leur intérêt dépend du domaine, de leur qualité et des usages autorisés. DataVendor prévoit leur importation sous forme d'archives ZIP, tandis que les dépôts logiciels peuvent notamment être associés à GitHub, GitLab ou Bitbucket.

Les tasksets représentent une autre catégorie. Ils regroupent des problèmes structurés, les instructions correspondantes et des critères permettant de mesurer la qualité des réponses. Une collection peut, par exemple, demander à un modèle d'analyser des contrats, de corriger du code ou d'utiliser une série d'API. Les acheteurs disposent ainsi de tâches dont les résultats peuvent être évalués, plutôt que d'un corpus destiné uniquement à être lu pendant l'entraînement. Les environnements RL deviennent des produits à vendre

La place accordée aux environnements d'apprentissage par renforcement, ou RL environments, distingue DataVendor des plateformes consacrées uniquement à l'échange de fichiers. Dans ces environnements, un agent IA peut accomplir des actions, constater leurs conséquences et recevoir un score indiquant s'il a atteint son objectif.

Une simulation de commerce électronique peut demander à l'agent d'effectuer un parcours d'achat en respectant certaines contraintes. Un environnement de gestion commerciale peut reproduire des tâches dans un CRM, tandis qu'une simulation bureautique peut vérifier les modifications apportées à un tableur. Chaque environnement doit proposer les outils nécessaires à l'interaction et un mécanisme capable d'évaluer les résultats.

Ces ressources intéressent les laboratoires qui souhaitent améliorer les capacités opérationnelles de leurs agents. Contrairement à un ensemble de questions-réponses figées, un environnement interactif permet au modèle d'essayer plusieurs actions, de commettre des erreurs et d'obtenir un retour sur leur résultat.

DataVendor s'appuie notamment sur l'écosystème HUD et Harbor pour la préparation de ces tâches. Sa documentation destinée aux vendeurs précise que les environnements compatibles sont proposés avec leurs tasksets, et non comme des ressources autonomes. La valeur commerciale porte donc autant sur les scénarios et les critères d'évaluation que sur le logiciel servant à les exécuter. Des exemples affichés à plusieurs dizaines de milliers de dollars

La vitrine de DataVendor illustre les ressources recherchées à travers des offres chiffrées. Parmi les environnements présentés figurent une simulation de paiement en ligne associée à 120 scénarios pour 80 000