Jen Vescio, présidente d’Empiric Earth – Série d’entretiens

Jen Vescio est présidente d’Empiric Earth, où elle supervise la stratégie produit, le développement de l’entreprise et la commercialisation. Elle a auparavant occupé le poste de directrice du développement commercial chez Uber, où elle a dirigé le développement commercial à l’échelle mondiale et noué de nouveaux partenariats dans les domaines de la mobilité et de la conduite autonome. Son expérience comprend également des investissements dans des entreprises de technologies émergentes et des conseils auprès de celles-ci, avec pour objectif d’aider l’IA physique à passer de la recherche au déploiement commercial.

Empiric Earth réunit Nexar et Nauto afin de fournir des données de conduite en conditions réelles, des modèles de sécurité et des capacités de validation. L’entreprise associe des milliards de miles de conduite consignés à des données sur des événements rares, afin d’aider les développeurs, les gestionnaires de flottes et d’autres organisations à comprendre les performances et les risques. Dans cet entretien, Vescio évoque l’évaluation indépendante, la gouvernance responsable des données, la commercialisation et les infrastructures nécessaires pour faire évoluer l’IA physique.

Vous avez mené une longue carrière, entre développement commercial à l’échelle mondiale chez Uber, investissements dans les technologies émergentes et conseil auprès d’entreprises du secteur de l’IA physique. Vous avez d’abord rejoint le conseil d’administration d’Empiric Earth en avril, avant d’en prendre récemment la présidence. Qu’est-ce qui vous a attirée dans l’entreprise et qu’est-ce qui vous a finalement convaincue d’assumer un rôle de direction plus opérationnel ?

En tant qu’investisseuse et conseillère dans le domaine de l’IA physique, je constatais sans cesse la même lacune. De nombreuses équipes menaient des expériences, mais très peu disposaient de données en conditions réelles pour prouver que leurs systèmes fonctionnaient en dehors d’un environnement de test. Empiric Earth, elle, en disposait déjà. Plus de 10 milliards de miles de conduite réelle et 60 millions de cas limites, c’est quelque chose qu’on ne peut ni acheter ni fabriquer de toutes pièces.

Cela place l’entreprise dans une situation particulière. Nous n’avons pas besoin de rivaliser avec les entreprises qui construisent des robots, des véhicules ou des modèles. Nous pouvons les aider toutes à accéder plus rapidement au marché en leur fournissant les données en conditions réelles dont elles ont besoin pour gérer les risques, valider les performances et instaurer la confiance. Depuis mon siège au conseil d’administration, j’ai vu l’occasion de bâtir quelque chose de fondamental pour tout l’écosystème de l’IA physique.

Ce qui m’a amenée à prendre la présidence, c’est Zach et sa vision. Je le connais depuis que nous développions tous deux des partenariats dans la mobilité, moi chez Uber et lui chez Lyft. Quand une personne en qui vous avez confiance depuis si longtemps vous présente un problème difficile et un atout que personne d’autre ne possède, vous l’écoutez. Nos compétences sont complémentaires. Il réfléchit à la catégorie et à son évolution. De mon côté, j’ai consacré ma carrière à transformer des technologies nouvelles en entreprises capables de changer d’échelle. L’IA physique sort actuellement des laboratoires de recherche pour être déployée dans le monde réel, et je ne voulais pas assister à cela depuis une salle de réunion du conseil d’administration.

Empiric Earth est née de la fusion de Nexar et Nauto, réunissant deux entreprises dotées d’une solide expertise en matière de données de conduite en conditions réelles et de sécurité alimentée par l’IA. Quelles capacités uniques cette combinaison permet-elle de développer, et comment envisagez-vous de différencier l’entreprise unifiée sur le marché de l’IA physique, qui évolue rapidement ?

Nexar et Nauto ont toutes deux été fondées en 2015 et ont consacré ensemble plus de deux décennies à mesurer le même problème sous deux angles différents. Ensemble, nous pouvons comprendre ce qui se passe sur la route et comment les conducteurs y réagissent, ce qui nous donne une vision beaucoup plus complète des comportements et des risques en conditions réelles.

Pour l’ensemble du marché, cela fait le lien entre la simulation et le monde réel. La plupart des équipes conçoivent et testent leurs systèmes en simulation, mais le plus difficile consiste à prouver qu’un système peut fonctionner de manière fiable dans des conditions réelles. Nous pouvons aider nos partenaires à découvrir des situations auxquelles leurs systèmes n’ont pas été confrontés, à améliorer leurs modèles et à valider leurs performances au regard de ce qui se passe réellement. Cela peut raccourcir les cycles de développement, réduire les risques et accélérer la commercialisation.

Ce qui nous distingue, c’est notre capacité à permettre une évaluation indépendante dans tout l’écosystème de l’IA physique. Nous ne construisons pas les véhicules, les robots ou les systèmes autonomes que nos clients développent. Nous leur fournissons des données en conditions réelles qui les aident à comprendre les performances, à gérer les risques et à instaurer la confiance. Cela exige un engagement en faveur de la neutralité, de la portabilité et de l’interopérabilité. À mesure que nous commercialisons de nouvelles applications, de nouveaux modèles et de nouveaux services, nous voulons que nos clients puissent les utiliser avec différents matériels et environnements technologiques, sans être liés à un fournisseur unique. Notre objectif est de jouer le rôle d’« arbitre » pour l’ensemble de l’écosystème, et non de choisir les gagnants en son sein.

L’IA physique s’impose comme l’un des prochains grands domaines d’exploration de l’intelligence artificielle, avec des applications allant des véhicules autonomes à la robotique et aux infrastructures intelligentes. Selon vous, quels sont les principaux obstacles qui empêchent ces systèmes de fonctionner de manière fiable dans des environnements réels imprévisibles, et pourquoi l’accès aux données du monde réel est-il si essentiel pour les surmonter ?

Le principal obstacle, c’est que le monde physique n’a jamais été consigné par écrit. Les modèles linguistiques ont rapidement gagné en efficacité parce qu’ils ont été entraînés sur des décennies de textes déjà produits par les humains. Il n’existe pas d’équivalent pour une route, le sol d’un entrepôt ou un trottoir. La plupart de ce qui s’y passe, comme un quasi-accident ou une voie fermée ce matin, n’est jamais consigné.

Cela pose deux problèmes. Le premier, c’est que le monde physique change constamment. Un système doit savoir ce qui est vrai à l’instant présent, et une photo prise au printemps dernier ne peut pas lui indiquer qu’une route a changé ce matin. Il est également impossible de revenir en arrière pour recueillir des données sur la veille. Le deuxième problème est la fragmentation. Aucune entreprise ne voit à elle seule une part suffisante du monde, si bien que les développeurs mènent des expériences distinctes à l’aide de jeux de données, de modèles et de piles technologiques différents. Il devient alors plus difficile de comparer les résultats, de partager ce qui fonctionne et de transformer des pistes de recherche prometteuses en produits commercialement viables.

Les données du monde réel permettent de surmonter ces deux problèmes. Les événements rares qui mettent un système en défaut se produisent quelque part chaque jour, et on ne peut les repérer qu’en observant en continu un très large éventail de conditions réelles. Dans nos données américaines, on compte environ 19 quasi-accidents pour chaque collision, et presque aucun ne figure dans un rapport de police ou une déclaration de sinistre auprès d’une compagnie d’assurance. Zach l’a bien formulé dans un récent essai : la sécurité consiste à étudier les choses qui ne se sont pas produites. Impossible de les étudier si personne ne les a comptabilisées.

Empiric Earth a accumulé plus de 10 milliards de miles de données de conduite et plus de 60 millions de cas limites, auxquels s’ajoutent des centaines de millions de miles recueillis chaque mois. Comment ce vaste jeu de données peut-il aider les développeurs d’IA à entraîner et à valider des systèmes autonomes plus fiables, notamment dans des scénarios rares ou dangereux que les simulations traditionnelles peinent à reproduire ?

La plupart des systèmes gèrent désormais bien la conduite ordinaire. Ce qui continue de les mettre en défaut, ce sont les événements rares de la longue traîne : une collision, un piéton qui surgit entre des voitures en stationnement, un animal sur la chaussée ou un chantier qui n’était pas là la semaine dernière. Ces situations sont trop rares pour qu’une flotte d’essai puisse en recueillir un nombre utile, et une simulation ne peut reproduire que ce que quelqu’un a déjà pensé à modéliser.

Empiric Earth a été créé pour les repérer. Nous ne traitons pas chaque mile parcouru par notre réseau. Nous conservons la petite part que nos modèles signalent comme inhabituelle ou risquée : c’est ainsi que 10 milliards de miles se transforment en 60 millions de cas limites dont un développeur peut réellement se servir.

Les équipes utilisent ces données de trois façons. Elles les interrogent : une équipe qui travaille sur les zones de travaux peut extraire des milliers d’exemples réels de conducteurs qui les traversent, au lieu d’en scénariser quelques-uns. Elles recherchent les données manquantes : si un système éprouve des difficultés à tourner à gauche à des intersections très fréquentées, nous pouvons orienter le réseau précisément vers ces situations et recueillir de nouveaux exemples au fur et à mesure qu’elles se présentent. Enfin, elles confrontent leurs simulations à la réalité. Lorsqu’un partenaire reconstitue des collisions réelles et des quasi-accidents impliquant des piétons et des cyclistes, il peut vérifier si son monde simulé se comporte comme le monde réel avant de lancer son produit.

C’est ce qui donne à ces données une valeur qui dépasse les données elles-mêmes. La simulation est essentielle, mais elle doit s’appuyer sur ce qui se passe réellement dans le monde réel. En donnant aux développeurs accès à ces éléments probants, on les aide à repérer plus tôt les lacunes, à améliorer plus rapidement leurs systèmes et à prendre des décisions mieux éclairées quant au moment où ceux-ci sont prêts à être déployés. Cela constitue également une base pour des évaluations plus cohérentes et indépendantes, à mesure que le secteur se développe.

L’un des principes fondamentaux d’Empiric Earth est son indépendance vis-à-vis des fabricants de systèmes autonomes et de véhicules qu’elle évalue. Pourquoi la vérification indépendante prend-elle une importance croissante à mesure que l’IA physique se généralise, et quelles normes le secteur devrait-il adopter pour établir des critères de référence pertinents en matière de sécurité de l’IA ?

À mesure que l’IA physique passe des environnements de recherche aux espaces publics, la confiance devient tout aussi importante que les performances techniques.

Aujourd’hui, une grande partie du secteur s’en remet aux développeurs pour tester leurs propres systèmes et en rendre compte. Cela se comprend à ce stade, mais à mesure que les systèmes autonomes se multiplient dans les environnements du quotidien, les clients, les organismes de réglementation et le public voudront de plus en plus disposer de preuves indépendantes de leur fiabilité.

Nous avons observé des formes de ce défi dans d’autres secteurs. Lorsqu’on prend le volant, il existe un cadre établi pour délivrer les permis de conduire, inspecter les véhicules et définir les exigences en matière de sécurité. L’IA physique devra elle aussi se doter de méthodes pour démontrer son niveau de préparation et ses performances. Pour les véhicules autonomes, cela pourrait prendre la forme d’un permis de conduire : un examen normalisé qui montre qu’un système égale ou dépasse le niveau d’un conducteur humain.

La question est de savoir comment établir des critères de référence pertinents, représentatifs des conditions réelles, plutôt que de s’appuyer exclusivement sur des essais contrôlés ou des simulations. Ces critères doivent reposer sur des données du monde réel, tenir compte des scénarios rares et dangereux et permettre d’évaluer les performances de manière cohérente d’un système à l’autre.

C’est là qu’Empiric Earth peut jouer un rôle important. Nous ne pensons pas que les entreprises qui développent des systèmes autonomes devraient être les seules à en évaluer les performances. Notre rôle consiste à fournir des informations indépendantes sur le monde réel, ainsi que des modèles et des capacités de validation qui permettent à d’autres d’évaluer les performances, de gérer les risques et d’instaurer la confiance. En restant neutres et interopérables, nous pouvons soutenir l’évaluation de différentes technologies et plateformes sans privilégier une approche en particulier.

En définitive, l’établissement de normes nécessitera une collaboration entre les développeurs, les chercheurs, les organismes de réglementation et les autres parties prenantes. Nous voulons contribuer à fournir les bases qui rendent possible une évaluation indépendante, afin que la confiance repose sur des preuves plutôt que sur des affirmations.

À mesure que des systèmes d’IA de plus en plus sophistiqués interagissent avec le monde physique, les organisations doivent trouver un équilibre entre la nécessité de disposer de données complètes sur le monde réel et les exigences de confidentialité, de sécurité et de gouvernance responsable des données. Comment Empiric Earth aborde-t-elle ces enjeux, et quelles garanties sont essentielles pour instaurer la confiance du public dans les infrastructures d’IA physique à grande échelle ?

La confiance commence par la manière dont les données sont collectées, protégées et utilisées. Chez Empiric Earth, la protection de la vie privée est intégrée à notre démarche dès le départ. Nous nous concentrons sur la capture d’événements réels porteurs d’informations pertinentes, plutôt que de considérer chaque instant de conduite comme ayant la même valeur. La désidentification et le traitement responsable des données sont fondamentaux dans ce processus.

La provenance des données est tout aussi importante. À mesure que l’IA physique se rapproche d’une mise en œuvre commerciale, les développeurs doivent savoir d’où viennent leurs données, comment elles ont été collectées et quels droits encadrent leur utilisation. Sans ces fondements, il est difficile d’établir la confiance nécessaire à un déploiement à grande échelle.

Les différents marchés imposent également des exigences différentes en matière de confidentialité, de consentement et de résidence des données. Notre plateforme applique des paramètres propres à chaque pays, ce qui nous permet de respecter les règles locales sans reconstruire le système. Nous devons tenir compte de ces différences lorsque nous évaluons où et comment nous développer.

Le principe général est celui de la transparence. Toute personne qui développe des infrastructures d’IA physique doit être en mesure d’expliquer quelles données elle collecte, comment elle les protège et qui peut les utiliser. Les pratiques responsables en matière de données ne sont pas dissociables de la réussite d’une entreprise. Elles contribuent à rendre possible une adoption généralisée.

Votre expérience chez Uber vous a amenée à transformer des technologies émergentes et des partenariats stratégiques en entreprises capables de se développer à grande échelle. Dans vos nouvelles fonctions, vous êtes responsable de la stratégie produit, du développement de l’entreprise et de la commercialisation chez Empiric Earth. Quelles leçons tirées de votre expérience chez Uber sont les plus pertinentes pour développer l’IA physique à grande échelle, et comment décidez-vous s’il vaut mieux développer des compétences en interne ou procéder à des acquisitions ou conclure des partenariats ?

Uber m’a appris que la bonne réponse peut changer. Nous avons créé notre propre programme de conduite autonome, ATG, parce que nous pensions devoir maîtriser l’ensemble de la pile technologique. Plus tard, nous l’avons cédé à Aurora, puis nous sommes revenus à la conduite autonome par le biais de partenariats. Ces deux décisions étaient judicieuses au moment où nous les avons prises. Ce qui a changé, ce sont nos critères en matière de rapidité, de coût et de risque.

Ainsi, chaque décision visant à développer une capacité en interne, à l’acquérir ou à nouer un partenariat soulève les mêmes questions. Quel est le risque ? Quelles ressources et quels capitaux cela nécessite-t-il ? À quelle vitesse cela nous permettra-t-il d’arriver sur le marché, et que fera la concurrence entre-temps ? Est-ce conforme à la stratégie ?

Empiric Earth part d’un point de départ différent de celui de la plupart des entreprises, car nous possédons déjà l’élément le plus difficile à constituer : les données. Nous développons nos activités là où ces fondements nous confèrent un avantage difficile à reproduire. Les acquisitions sont judicieuses lorsqu’elles apportent des compétences complémentaires ou accélèrent notre stratégie. Les partenariats peuvent souvent être le moyen le plus rapide d’accéder à des clients, à de nouveaux marchés et à une échelle commerciale. Le champ de l’IA physique est trop vaste pour qu’une seule entreprise puisse tout développer. Nous voulons donc travailler avec des partenaires capables de renforcer l’ensemble de l’écosystème et séquencer notre approche en fonction à la fois des conditions du marché et de la concordance avec notre avantage concurrentiel — nos actifs.

Vous avez également participé à l’écosystème de l’IA libre, notamment en collaborant avec la communauté OpenClaw. Selon vous, quelle contribution l’innovation libre peut-elle apporter aux progrès de l’IA physique, et une plus grande transparence et une meilleure collaboration peuvent-elles accélérer son adoption tout en respectant les normes de sécurité et de gouvernance qu’exigent ces systèmes ?

L’open source a accéléré le développement de l’IA dans les logiciels. Lorsque davantage de personnes peuvent s’appuyer sur les mêmes outils, les cycles de recherche raccourcissent et les bonnes idées peuvent venir de partout, et pas seulement des plus grands laboratoires. L’IA physique en est à un stade plus précoce. Une grande partie du secteur en est encore à la recherche et aux démonstrations, et la question est désormais de savoir comment transformer ces travaux en entreprises pérennes.

J’étais responsable des partenariats à l’OpenClaw Foundation, créée pour soutenir la vision de Peter Steinberger en matière d’IA agentique personnelle libre. C’est l’un des exemples les plus probants que j’aie vus d’un projet libre qui accélère concrètement le travail : chacun pouvait le récupérer, l’exécuter sur ses propres systèmes et l’adapter à ses besoins réels.

C’est une leçon que l’IA physique devrait, à mon avis, prendre au sérieux. Les outils libres permettent à davantage d’équipes de développer et d’expérimenter sans partir de zéro. Conserver les données dans l’environnement du client, au lieu de lui demander de les envoyer ailleurs, lève l’un des principaux freins des entreprises. Une flotte, une ville ou un fabricant peut exploiter l’IA à partir de ses propres données, selon ses propres règles, et en tirer plus rapidement de la valeur.

Ces deux idées réunies permettent au secteur de passer de la recherche et des démonstrations à des produits pour lesquels les clients sont prêts à payer. L’ouverture ne suffit pas à rendre un système sûr : il faut toujours des tests concrets, une gouvernance claire et une responsabilisation. Mais un écosystème ouvert, où les données restent entre les mains de ceux à qui elles appartiennent, permet à davantage de systèmes d’être utilisés dans des situations réelles, et c’est là que les apprentissages s’accumulent.

Chez Empiric Earth, nous nous intéressons à la manière dont des outils ouverts et des données qui restent dans l’environnement du client peuvent contribuer au développement de tout l’écosystème de l’IA physique, tout en protégeant les données du monde réel qui donnent de la valeur à notre travail. Nous ne pensons pas que faire progresser l’écosystème et bâtir une entreprise durable soient nécessairement des objectifs incompatibles.

Vous avez évoqué l’importance d’une plus grande représentation des femmes aux postes de direction dans le domaine de l’IA, en particulier alors que le secteur commence à établir les normes de sécurité et les cadres de gouvernance qui façonneront le fonctionnement des machines intelligentes dans la société. Selon vous, comment une plus grande diversité aux postes de direction peut-elle contribuer au développement de systèmes d’IA plus sûrs et plus responsables ?

Je préfère être prudente sur ce point, car « ajouter davantage de femmes et l’IA devient plus sûre » relève en soi d’une forme de biais. La question est plus large. Les agents que nous concevons apprennent de ce que les humains ont déjà fait et de la manière dont nous les formons. Si toutes les personnes qui façonnent cette formation pensent de la même façon, les systèmes reproduisent les mêmes angles morts.

Une direction diversifiée apporte davantage de points de vue aux décisions concernant les valeurs qu’un agent devrait privilégier, notamment l’empathie, la sollicitude et les conséquences d’un choix pour la personne concernée. Les risques liés à l’IA sont souvent d’ordre technique. D’autres découlent de systèmes qui prennent des décisions ne reflétant pas les valeurs ou les besoins des personnes touchées. Faire intervenir des points de vue différents dans ces décisions nous aide à repérer les angles morts avant qu’ils ne deviennent des problèmes concrets.

Ce que j’attends de ces systèmes est simple. Ils devraient aider les gens à prendre de meilleures décisions et nous laisser davantage de temps à partager dans la vie réelle. Pour y parvenir, il faut trouver un équilibre et mettre en place de véritables garde-fous, en tenant compte de nombreux points de vue. Aucun groupe ne peut résoudre le problème à lui seul, et nous devons motiver et encourager les femmes à participer et à contribuer à favoriser les interactions entre agents et humains, entre agents, ainsi qu’entre humains.

À l’horizon des trois à cinq prochaines années, où voyez-vous les principales possibilités de développement pour Empiric Earth, au-delà de ses applications actuelles en matière de sécurité routière et d’intelligence des flottes ? À mesure que les véhicules autonomes, la robotique et d’autres technologies d’IA physique s’intègrent davantage à la vie quotidienne, quel rôle imaginez-vous pour Empiric Earth dans les infrastructures qui accompagnent cette transition ?

La sécurité routière et les flottes sont les domaines par lesquels nous avons commencé, et ils restent au cœur de notre activité. Mais la possibilité la plus importante consiste à soutenir l’IA physique en réduisant les risques, en fournissant une norme de validation et, à terme, en rendant le monde réel plus sûr.

Les défis fondamentaux sont similaires, qu’il s’agisse de concevoir un véhicule autonome, un robot de livraison ou un système d’intelligence du commerce de détail qui exploite un réseau publicitaire et commercial dans le monde réel. Comment comprendre ce qui se passe dans le monde réel ? Comment savoir si un système peut faire face à des situations imprévues ? Et comment évaluer les performances et gérer les risques lorsque ces systèmes sont déployés à des fins commerciales ?

Je vois Empiric Earth devenir une importante couche d’intelligence pour l’écosystème de l’IA physique, en fournissant des données du monde réel, des modèles, des applications et des services qui aident les développeurs, les partenaires et les opérateurs à répondre à ces questions. La neutralité, la portabilité et l’interopérabilité seront essentielles à cette vision. Nous voulons que nos capacités fonctionnent avec différentes technologies et plateformes, afin que les clients puissent adopter les solutions qui leur conviennent le mieux.

Nous disposons d’une base exceptionnelle en matière d’intelligence de conduite dans le monde réel, et nous pouvons désormais la développer grâce à de nouvelles capacités, à des partenariats et à des modèles commerciaux.

L’IA physique ne se déploiera pas à grande échelle parce qu’une entreprise aura créé le meilleur robot ou le meilleur modèle. Elle prendra de l’ampleur lorsque l’ensemble de l’écosystème disposera de l’intelligence, des outils et des mesures de sécurité nécessaires pour mettre ces systèmes au service du monde réel. C’est le rôle que nous voulons jouer chez Empiric Earth.

Merci pour cet excellent entretien. Les lecteurs qui souhaitent découvrir l’intelligence du monde réel et la validation indépendante pour l’IA physique peuvent consulter Empiric Earth.