Le développement d'agents d'intelligence artificielle autonomes se heurte à un défi majeur : la complexité du monde réel, loin des benchmarks contrôlés. Pour passer d'un simple outil d'assistance à un système capable de récupérer après une erreur d'API ou d'exécuter des flux de travail inconnus, les ingénieurs doivent résoudre avant tout un problème de données. C'est précisément l'objectif du projet Nemotron de NVIDIA, qui met l'accent sur la publication de jeux de données ouverts et la génération de données synthétiques pour entraîner et améliorer ces agents. La transparence des poids du modèle ne suffit pas. La reproductibilité et l'inspectabilité des comportements d'IA dépendent désormais de la qualité des jeux de données, des méthodes de curation et des recettes d'entraînement. NVIDIA souligne que les données synthétiques jouent un rôle pivot dans cet écosystème. Elles permettent aux entreprises de partager des signaux d'entraînement précieux sans divulguer leurs secrets commerciaux ni exposer leurs corpus propriétaires. En diffusant des données ouvertes, NVIDIA vise à créer une couche de partage bénéfique à tous, tout en préservant les avantages concurrentiels de chaque organisation. Pour rendre cette masse d'informations compréhensible, NVIDIA a publié plus de 10 000 milliards de jetons de pré-entraînement et des millions d'échantillons post-entraînement. Afin de faciliter leur exploration, l'entreprise a développé le Nemotron Post-Training v3 Prompt Atlas. Cette interface visuelle interactive permet aux développeurs de cartographier, filtrer et inspecter des milliers d'exemples de prompts par domaine, étape de pipeline ou usage d'outils, facilitant ainsi le choix des données et la création d'évaluations. La qualité des données étant contextuelle, NVIDIA a également introduit Nemotron-Personas, une collection de données synthétiques ancrées localement pour refléter la diversité des populations. Développées à l'aide de l'outil NeMo Data Designer et validées par des experts régionaux, ces personas respectent les statistiques démographiques et linguistiques de chaque territoire. Lors de la conférence VivaTech à Paris, la dixième région a été ajoutée à cette collection, couvrant désormais plus de 2,4 milliards d'habitants. Cette approche vise à s'assurer que les agents d'IA comprennent et respectent les spécificités culturelles et linguistiques des utilisateurs qu'ils sont censés servir. Face à l'omniprésence croissante des informations artificielles, NVIDIA insiste sur la nécessité d'établir des seuils de synthèse. Il s'agit de documenter rigoureusement l'origine, la vérification humaine et l'objectif de test de chaque jeu de données, car la ligne entre données réelles et synthétiques devient parfois floue. La confiance entre les organisations est devenue la ressource la plus rare dans le domaine de l'IA. En privilégiant des méthodes ouvertes et des standards de documentation partagés, NVIDIA encourage les entreprises, les gouvernements et les chercheurs à collaborer sans compromettre leur confidentialité. Cette approche vise à transformer la génération de données synthétiques en un levier de transparence et de progrès collaboratif pour les prochaines générations d'agents autonomes.