Quand les IA se parlent sans détour
Lorsqu’un utilisateur humain sollicite – en langage naturel – une IA, celle-ci calcule d’abord sa réponse dans un espace de représentation numérique puis la convertit vers du langage naturel afin de communiquer. Héritage de ce fonctionnement des modèles de langage : aujourd’hui, les communications entre agents autonomes, ces « petits cerveaux numériques capables de collaborer », s’effectuent principalement via du texte en langage naturel. Le choix technologique consistant à requérir que ces agents IA, destinés à fonctionner de manière autonome pour effectuer certaines tâches, fassent un détour par l’anglais (le plus souvent), est paradoxal. « C’est pourquoi, à l’avenir, ces échanges évolueront probablement vers une transmission directe de représentations sémantiques, permettant des communications plus efficaces et préservant mieux la richesse sémantique de l’information », explique Louis-Adrien Dufrène, chercheur en machine learning chez Orange. L’idée est d’ouvrir de nouvelles possibilités en termes de fonctionnalités et de spécialisation au-delà des applicatifs traditionnels.
La communication sémantique est donc la capacité de faire transiter ces représentations complexes entre différentes entités distribuées sur un réseau, comme par exemple entre des agents autonomes.
Guillaume Larue
Chercheur en machine learning chez Orange
De la donnée brute au sens : l’émergence des représentations vectorielles
« Contrairement au langage humain composé de mots, les communications sémantiques reposent sur des représentations vectorielles continues, aussi appelées embeddings. Concrètement, il s’agit de transformer une information (un texte, une image, un son) en une longue liste de nombres (un vecteur de grande dimension). » La particularité de cette approche est de capturer la structure profonde et la signification précise de l’information dans un espace mathématique continu. Ces représentations sont optimisées pour des tâches spécifiques et leur nature continue permet une adaptation fine aux besoins applicatifs. Elles permettent d’ailleurs de traiter des données de différentes natures, qu’il s’agisse de texte, d’images, de sons ou de vidéo et ce de manière unifiée.
Réseaux : transporter la complexité à haute dimension
« Cette évolution soulève plusieurs défis majeurs pour les opérateurs télécoms comme Orange. Ces représentations sémantiques sont des vecteurs de haute dimension (plusieurs milliers à dizaines de milliers) dont la transmission directe génère des volumes de données potentiellement importants », précise le chercheur. Ainsi, les réseaux doivent garantir une faible latence et une bande passante suffisante pour supporter ces flux. Il est donc nécessaire de développer des traitements spécifiques pour ces représentations sémantiques (quantification, compression), voire d’adapter leur construction même, pour optimiser le transport sans dégrader la qualité de l’information.
Interopérabilité : vers un espace sémantique universel ?
Différents modèles d’IA génèrent des représentations sémantiques distinctes et généralement incompatibles entre elles. L’absence de standards pour l’échange de représentations sémantiques crée de ce fait un risque de fragmentation sur le marché, explique Quentin Lampin, chercheur en machine learning chez Orange : « C’est pourquoi les opérateurs comme Orange peuvent jouer un rôle clé dans l’élaboration de protocoles d’interopérabilité et de couches de traduction sémantique permettant la communication entre modèles hétérogènes. » La question d’un espace sémantique universel, compréhensible par tous les modèles, reste ouverte. Si les modèles multimodaux montrent la voie vers des représentations partagées, le défi consiste à trouver le bon équilibre entre standardisation (pour l’interopérabilité) et spécialisation (pour la performance). « Orange contribue à cette recherche via le développement de protocoles de négociation sémantique et de mécanismes d’alignement entre espaces vectoriels, tout en proposant des infrastructures et services adaptés à cette nouvelle ère de l’IA distribuée », conclut le chercheur.
Nous les citons
Louis-Adrien Dufrène
Chercheur en machine learning chez Orange.
Quentin Lampin
Chercheur senior chez Orange (Meylan), Quentin Lampin est docteur en informatique de l’INSA Lyon et cumule quinze ans d’expérience dans l’optimisation des protocoles réseau. Ses travaux portent sur le machine learning pour les réseaux et les réseaux au service de l’IA, des couches physiques de l’IoT aux échanges entre agents. Il a encadré deux thèses sur la 6G et l’IA, dont une liée à l’IoT, et détient 35 brevets européens et étatsuniens.
Guillaume Larue
Chercheur en machine learning chez Orange.
Au-delà du langage naturel : la nouvelle grammaire des Intelligences Artificielles
Vidéo d’une session Deep Dive lors d’Orange OpenTech 2025, où les chercheurs Louis-Adrien Dufrène, Quentin Lampin et Guillaume Larue présentent les communications sémantiques et la communication entre agents IA.
Lecteur fourni par Vimeo. Le lancer lui transmet des données de navigation.
En savoir plus
Projets Collaboratifs
AI-native 6G networks: the 6GARROW integrated device-network approach – Le projet international SNS 6GARROW vise à développer des réseaux d’accès radio innovants et intégrés, constituant ainsi la base des futurs réseaux mobiles 6G axés sur l’intelligence artificielle.
Semantic Communication for Future Networks: ANR COMSEMA – Le projet national ANR COMSEMA propose de repenser la transmission de données dans les réseaux sans fil en utilisant des représentations sémantiques extraites par l’IA, afin de réduire la charge et améliorer la robustesse face aux perturbations du réseau. Il vise à développer des schémas de codage, des métriques axées sur les tâches, et une gestion de l’interférence orientée vers la réalisation des objectifs.
Compacting Semantic Matryoshka Representations with Product Quantization – Cet article étudie des techniques de compression efficaces pour les représentations d’embeddings dans les systèmes de communication sémantique, en particulier l’utilisation de la Quantification par Produit (PQ) pour compresser des embeddings hiérarchiques issus de l’apprentissage par représentation Matryoshka (MRL).
Semantic Communications Services within Generalist Operated Networks – Cet article propose une approche pour intégrer les principes de services de communications sémantiques dans les réseaux opérés traditionnels en établissant une interface standardisée permettant aux applications de décrire leurs besoins et de négocier des schémas de transmission adaptés à leurs tâches et leurs modèles d’embeddings.
A Theory of Semantic Communication – Cet article propose un cadre théorique pour la communication sémantique en abordant la conception et l’exploitation du langage, avec des approches pour optimiser la distorsion et le coût associé.
