Analyse approfondie · Environ 3 min de lecture
Orca réduit le contexte de schémas pour améliorer les requêtes Discovery AI
Le cas du 13 octobre combine règles, exemples retrouvés et validation ; ses plus de 900 modèles sont des types de ressources, pas des modèles de langage.
- Date de la source
- Publié ici
- Source vérifiée
Orca Security et AWS décrivent Discovery AI, qui transforme les questions en langage naturel en filtres Sonar. Selon le cas du 13 octobre, le système est en production depuis mars 2026. L’enseignement est de sélectionner et valider le contexte plutôt que fournir systématiquement tout le schéma.
Écouter les actualités
Écoutez cet article ou poursuivez la lecture des actualités.
Préparation de la lecture…
Voix de l’appareil
La voix est traitée par votre navigateur ou appareil. AISubHub n’envoie pas le texte à une API audio. Les voix et la lecture écran verrouillé dépendent de l’appareil.
La reprise peut répéter une courte phrase.
En bref
- Sonar couvre plus de 900 types de ressources et d’applications et 18 opérateurs ; il ne s’agit pas de 900 modèles fondamentaux.
- Face au prototype initial, Orca annonce 93 % de tokens d’entrée en moins, 90 % de coût en moins et 75 % de latence en moins sur des charges comparables.
Un contrat de requête spécialisé
Sonar attend du JSON avec noms exacts, relations et 18 opérateurs. Le prototype chargeait plus de 900 définitions et exemples dans un grand modèle ; il utilisait environ deux millions de tokens d’entrée et 60 secondes par charge, avec des relations complexes encore à corriger. Ces modèles représentent des instances ou des compartiments de stockage. Les confondre avec des modèles de langage déforme le problème et les capacités offertes.
Des règles et exemples avant la génération
Le pipeline en neuf étapes ajoute le contexte de l’organisation et des clouds connectés. Un comparateur déterministe traite certains identifiants sans inférence ; les garde-fous rejettent les entrées non prises en charge. Titan récupère 20 exemples, Cohere Rerank 3.5 en sélectionne cinq. Un filtre fiable peut être réutilisé ; sinon seuls les schémas pertinents sont sélectionnés. Claude Haiku 4.5 sélectionne et génère ; Nova 2 Lite assure garde-fous et validation. Cela n’exige pas des abonnements grand public séparés.
Validation et corrections humaines
Le générateur outillé travaille sur les exemples et schémas sélectionnés, puis passe des vérifications statiques et par l’API Sonar. Les erreurs précises de champs, opérateurs ou relations lui sont renvoyées. Les essais sont limités et peuvent aboutir à une réponse de filtre invalide. Des questions et références préparées évaluent les changements par niveau de complexité. Les experts corrigent sorties et exemples faibles dans un outil interne : c’est une démarche continue, pas une disparition automatique des erreurs.
Conserver la comparaison d’origine
Orca rapporte environ deux millions puis 140 000 tokens d’entrée par charge comparable, soit 93 % de réduction. Le coût total baisse de 90 % ; la latence de bout en bout passe d’environ 60 à 15 secondes, soit 75 % de moins. Ces métriques ne sont pas interchangeables. La production traite des milliers de requêtes quotidiennes, avec évaluations et retours clients. Il faut tester ensemble pertinence, volume de schéma et répartition des modèles, sans promettre la même économie ailleurs.
Pourquoi cela compte
Un assistant spécialisé peut associer quelques exemples pertinents à des schémas validés. Le système de requêtes existant reste le contrat d’exécution ; une réponse plausible ne suffit pas.
Limites et disponibilité
AISubHub n’a pas reproduit ces résultats des entreprises participantes. Ils comparent le nouveau pipeline au prototype, pas tous les modèles Bedrock ou toutes les tâches de sécurité ; aucune garantie universelle ni souscription personnelle n’est incluse.
Sources et preuves
Date de la source: 13 oct. 2026 · Source vérifiée: 20 oct. 2026
Articles assistés par IA, vérifiés avec les sources primaires citées. Les affirmations des fournisseurs sont attribuées ; la présence ne vaut pas recommandation.