Cohere Inc. (FR)

From Systems analysis Wiki
Jump to navigation Jump to search

Cohere est une entreprise technologique canadienne spécialisée dans l'intelligence artificielle, axée sur le développement de grands modèles de langage (LLM) pour le secteur de l'entreprise (Enterprise AI). L'entreprise a été fondée en 2019 à Toronto par d'anciens chercheurs de Google Brain et se positionne comme l'une des principales alternatives à OpenAI[1].

L'objectif principal de Cohere est de fournir aux entreprises des solutions d'IA sécurisées, personnalisables et évolutives. Contrairement à de nombreux concurrents axés sur le marché grand public, Cohere a misé dès le départ sur les clients d'entreprise, ce qui a déterminé son approche technologique.

Histoire et financement

Cohere a été fondée en 2019 par trois cofondateurs : Aidan Gomez, Ivan Zhang et Nick Frosst. Aidan Gomez est l'un des co-auteurs de l'article scientifique marquant de 2017, « Attention Is All You Need », qui a introduit l'architecture Transformer au monde[1]. En décembre 2022, Martin Kon, ancien directeur financier de YouTube, est devenu président et directeur de l'exploitation de l'entreprise[1].

L'entreprise a obtenu des résultats impressionnants en matière de levée de fonds :

  • En 2023, lors d'un tour de financement de série C, 270 millions de dollars ont été levés, valorisant l'entreprise entre 2,1 et 2,2 milliards de dollars[2].
  • En 2024, l'entreprise a levé 500 millions de dollars supplémentaires, portant sa valorisation à 5,5 milliards de dollars[3].

Les principaux investisseurs de Cohere sont PSP Investments, Cisco Systems, AMD, Fujitsu, NVIDIA, Salesforce Ventures, Oracle et Google Cloud[1][2].

Stack technologique

Retrieval-Augmented Generation (RAG)

La technologie centrale de l'approche de Cohere est la génération augmentée par récupération (RAG) (Retrieval-Augmented Generation). Le RAG permet aux modèles d'accéder en temps réel à des bases de connaissances externes, ce qui « ancre » leurs réponses dans des données factuelles, réduit les « hallucinations » et garantit l'actualité de l'information[4]. Les modèles Command R et Command A sont spécialement optimisés pour l'utilisation d'outils en plusieurs étapes dans les systèmes RAG[5].

Multilinguisme

Cohere accorde une attention particulière au multilinguisme. L'entreprise a développé des modèles entraînés sur des données de locuteurs natifs, ce qui garantit une haute qualité de performance. Par exemple, le modèle open source Aya prend en charge plus de 100 langues, dont le russe, tandis que la famille Command en prend en charge plus de 10 des principales langues mondiales.

Sécurité et déploiement

Cohere propose des options de déploiement flexibles, y compris une plateforme SaaS, des déploiements en cloud privé et une intégration avec des plateformes tierces (Amazon SageMaker, Google Vertex AI, Azure). L'entreprise accorde une importance particulière à la sécurité des données d'entreprise, en offrant la possibilité de refuser leur utilisation pour l'entraînement des modèles et en garantissant la conformité à la norme SOC 2 Type II[6].

Gamme de produits et modèles

Cohere développe plusieurs types de modèles conçus pour différentes étapes du traitement du langage.

Command (Modèles génératifs)

Command est la famille phare de modèles génératifs.

  • Command A : Le modèle le plus efficace (2025) avec 111 milliards de paramètres. Il prend en charge une fenêtre de contexte de 256 000 tokens et peut fonctionner sur seulement deux GPU, alors que les modèles concurrents en nécessitent jusqu'à 32[7]. Il démontre une vitesse de génération allant jusqu'à 156 tokens par seconde, soit 1,75 fois plus rapide que GPT-4o[8].
  • Command R+ : Un modèle puissant avec 104 milliards de paramètres et une fenêtre de contexte de 128 000 tokens. Il surpasse de nombreux équivalents et se rapproche des capacités de GPT-4 Turbo[9].
  • Command R : Un modèle de 35 milliards de paramètres, conçu pour des tâches conversationnelles de haute précision[10].

Modèles spécialisés

  • Aya : Un modèle multilingue open source prenant en charge plus de 100 langues. Il a été développé avec la participation de plus de 3000 chercheurs de 119 pays[11].
  • Embed : Modèles pour la création de représentations vectorielles de texte. Embed 4 prend en charge la multimodalité et une fenêtre de contexte de 128 000 tokens[12].
  • Rerank : Modèles pour améliorer la qualité de la recherche dans les systèmes RAG.

Partenariats et intégrations

Cohere développe activement des partenariats avec de grandes entreprises technologiques, notamment :

  • Oracle : Intégration des technologies de Cohere dans Oracle Fusion Cloud et NetSuite[13].
  • Salesforce : Intégration de fonctionnalités de chat dans les produits Salesforce[1].
  • Fujitsu : Développement conjoint du modèle de langage japonais Takane[14].
  • McKinsey : Collaboration dans le domaine de l'intégration de l'IA générative dans les opérations d'entreprise[1].

Applications dans divers secteurs

  • Éducation : Cohere est utilisé pour créer des plans de cours, pour la classification et pour soutenir des initiatives multilingues[15][16].
  • Santé et science : Les modèles sont appliqués pour formuler des protocoles scientifiques, analyser des données médicales et soutenir la recherche[17].
  • Solutions d'entreprise : Automatisation des flux de documents, analyse de données, rédaction de textes marketing et service client[5].

Voir aussi

Bibliographie

  • Cohere Team (2025). Command A: An Enterprise-Ready Large Language Model. arXiv:2504.00698.
  • Üstün, A.; et al. (2024). Aya Model: An Instruction Finetuned Open-Access Multilingual Language Model. arXiv:2402.07827.
  • Singh, S.; et al. (2024). Aya Dataset: An Open-Access Collection for Multilingual Instruction Tuning. arXiv:2402.06619.
  • Cohere Team (2024). Command R & Command R+: Technical Overview. PDF.
  • Gao, Y.; et al. (2024). Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997.
  • Yu, H.; et al. (2024). Evaluation of Retrieval-Augmented Generation: A Survey. arXiv:2405.07437.
  • Zhu, W.; et al. (2025). PSC: Extending Context Window of Large Language Models via Phase Shift Calibration. arXiv:2505.12423.
  • Gao, Y.; et al. (2024). Fine-Tuning vs. Retrieval-Augmented Generation for Less Popular Entities. arXiv:2403.01432.
  • Yu, L.; et al. (2025). Synergizing RAG and Reasoning: A Systematic Review. arXiv:2504.15909.
  • Wang, Y.; et al. (2025). Universal Embeddings for Multimodal Multilingual Retrieval. arXiv:2506.18902.

Références

  1. ↑ 1.0 1.1 1.2 1.3 1.4 1.5 « Cohere (company) ». Dans Wikipedia. [1]
  2. ↑ 2.0 2.1 « La start-up d'IA Cohere, désormais valorisée à plus de 2,1 milliards de dollars, lève 270 millions de dollars ». Most Ecosystem. [2]
  3. ↑ « Cohere obtient une augmentation de 500 millions ». Unite.AI. [3]
  4. ↑ « Rethinking the RAG vs Fine-tuning Debate ». arXiv. [4]
  5. ↑ 5.0 5.1 « Cohere Command R : Qu'est-ce que c'est et comment l'utiliser ? ». ServerNews. [5]
  6. ↑ « Enterprise Data Commitments ». Cohere Docs. [6]
  7. ↑ « Cohere a sorti Command A — le modèle d'IA pour entreprises le plus efficace à ce jour ». Habr. [7]
  8. ↑ « Cohere lance un modèle d'IA peu coûteux ne nécessitant que deux GPU ». DSmedia. [8]
  9. ↑ « LLM pour l'entreprise : ce que peut faire Command R de Cohere ». VC.ru. [9]
  10. ↑ « Cohere Command R ». AIGenom. [10]
  11. ↑ « Cohere for AI lance Aya, l'IA polyglotte ». Компьютерра. [11]
  12. ↑ « Cohere a présenté Embed 4 — son modèle le plus puissant pour la création de représentations vectorielles ». Habr. [12]
  13. ↑ « Oracle, Salesforce Ventures and Nvidia invest in Cohere ». ERP Today. [13]
  14. ↑ « Fujitsu and Cohere to Partner on Developing Generative AI for the Japanese Language ». Fujitsu Press Releases. [14]
  15. ↑ « Evaluating the Practicality of Retrieval-Augmented Generation in Student-Facing Educational Technology ». arXiv. [15]
  16. ↑ « A Confusion Classification System for Online Learning Based on Multimodal Information ». IEEE Xplore. [16]
  17. ↑ « Using large language models to streamline the creation of research protocols ». BMC Medical Education. [17]
Retrieved from "https://systems-analysis.info/int/index.php?title=Cohere_Inc._(FR)&oldid=1046"