NVIDIA vient de lancer Auto-FL, un outil intégré à sa plateforme FLARE qui accélère la recherche en apprentissage fédéré grâce à des agents d'intelligence artificielle. L'objectif est de répondre à un défi récurrent dans le domaine : évaluer rapidement si une nouvelle règle d'agrégation, un paramètre serveur ou un ajustement architectural améliore réellement les performances, sans fausser les comparaisons techniques. Auto-FL opère comme une boucle de recherche automatisée et strictement cadrée. Au lieu de laisser un agent explorer librement, il travaille dans un environnement borné. Un budget d'entraînement fixe, une tâche de référence commune et des limites précises sur les modifications autorisées garantissent que chaque test reste équitable. L'agent propose un changement, exécute l'expérience, extrait un score mesurable et consigne chaque résultat dans un registre numérique. Le chercheur conserve un rôle décisionnel en validant les pistes à conserver ou à abandonner. Pour éviter les stagnations, le système intègre un mécanisme de récupération basé sur la littérature scientifique. Lorsque les progrès ralentissent, l'agent cesse les ajustements locaux et réalise une recherche structurée dans les publications académiques. Il en tire des propositions validées, les filtre et les réinjecte dans la boucle d'expérimentation. Cette approche remplace les tentatives aléatoires par des hypothèses étayées. À l'issue d'une campagne, une fonction de rapport génère automatiquement un bilan complet. Ce document synthétise les performances atteintes, les coûts informatiques, les échecs documentés et les recommandations futures. Il transforme des exécutions autonomes en un historique traçable et reproductible, essentiel pour la validation scientifique. NVIDIA illustre la flexibilité d'Auto-FL sur deux scénarios. Sur le jeu de données CIFAR-10 réparti sur huit clients simulés, l'outil a identifié des configurations supérieures à la baseline FedAvg. Une adaptation à un modèle de vision médicale Qwen3-VL entraîné sur trois bases de données cliniques a également enregistré des gains de précision significatifs, notamment sur des sites en dehors de la distribution initiale. Cette solution structure le workflow de recherche sans en remplacer la direction. En découplant le contrôle principal du profil de tâche spécifique, les équipes peuvent l'adapter à n'importe quel modèle en ajustant simplement les métriques et les limites de mutation. Auto-FL permet ainsi de tester davantage d'innovations plus rapidement, en préservant l'équivalence des expériences et la rigueur méthodologique indispensable.