Un entretien mené par MONOist avec Tiffany Bloomquist, responsable du secteur des start-up pour l’Asie-Pacifique et le Japon chez Amazon Web Services, et Taesan Kwon, directeur des opérations de STRADVISION, montre comment l’infrastructure cloud et les programmes de soutien aux start-up peuvent aider une entreprise spécialisée dans la vision par ordinateur à passer du développement d’une technologie spécialisée au déploiement de solutions d’intelligence artificielle dans plusieurs secteurs.
L’entretien a eu lieu lors d’un événement médiatique organisé par AWS dans les bureaux de STRADVISION en Corée du Sud le 8 septembre 2026. Il portait sur les activités des deux entreprises dans le domaine de l’intelligence artificielle, ainsi que sur ce qu’AWS appelle l’intelligence artificielle physique, c’est-à-dire l’utilisation de modèles intelligents dans des environnements qui interagissent avec le monde réel, comme les véhicules et les robots.
De l’idée au marché
Bloomquist a déclaré qu’AWS avait investi plus de 80 milliards de dollars en 20 ans et soutenait plus de 350 000 start-up dans le monde grâce au programme AWS Activate. Selon ses explications, ce soutien ne se limite pas aux crédits de calcul et aux services techniques, mais s’étend à l’aide à la construction du produit, à l’élaboration d’une stratégie d’accès au marché, à l’utilisation d’AWS Marketplace, ainsi qu’à la mise en relation avec des partenaires et des clients institutionnels.
AWS cite des entreprises comme Netflix et Grab comme exemples de sociétés qui ont commencé avec des idées précises avant de se développer pour devenir des entreprises mondiales. Toutefois, l’entretien ne fournit pas de nouveaux chiffres sur la croissance de STRADVISION ni de résultats commerciaux précis ; il se concentre plutôt sur les mécanismes utilisés par AWS pour soutenir les entreprises durant les phases de développement et d’expansion.
Que fournit AWS pour les solutions d’intelligence artificielle ?
AWS affirme proposer plus de 200 services pouvant être combinés en fonction des besoins du client. Pour les projets d’intelligence artificielle nécessitant d’importantes capacités de calcul, les options comprennent l’utilisation de processeurs graphiques de NVIDIA, ou l’accès aux puces AWS Trainium pour entraîner les modèles et à AWS Inferentia pour exécuter l’inférence.
L’entreprise a également mentionné AWS SageMaker HyperPod pour coordonner les opérations d’entraînement de modèles à grande échelle, ainsi qu’Amazon Bedrock pour accéder aux modèles d’intelligence artificielle via des interfaces de programmation, en plus d’Amazon Q Developer et de Kiro pour les activités de développement logiciel, et d’Amazon QuickSight pour analyser et présenter les données.
Les applications de STRADVISION dans l’intelligence artificielle physique
STRADVISION développe des solutions de vision par ordinateur reposant sur l’intelligence artificielle et les utilise dans des applications liées aux véhicules. Bloomquist a indiqué que les technologies de l’entreprise constituaient un cas d’utilisation précoce de l’intelligence artificielle physique, tandis que les modèles entraînés sur des données automobiles sont étendus à d’autres domaines, notamment la robotique.
STRADVISION tire parti des solutions AWS pour développer ses produits, selon l’article. Cependant, l’entretien ne précise pas quels services sont utilisés à chaque étape de la production et ne révèle ni indicateurs de performance, ni contrats avec des clients, ni détails techniques permettant de mesurer indépendamment l’impact de ces services.
Pourquoi cette évolution est-elle importante ?
L’importance de ce cas réside dans le fait qu’il montre que le développement d’une intelligence artificielle destinée à des environnements réels ne repose pas uniquement sur le modèle ; il nécessite également une infrastructure pour entraîner et exécuter les modèles, ainsi que des outils de gestion des données, de développement et de distribution commerciale. Pour les start-up des secteurs de l’automobile et de la robotique, cette intégration peut réduire la nécessité de construire en interne l’ensemble de l’infrastructure.
En revanche, la réussite de ce modèle reste liée à la qualité des données, aux exigences de sécurité et de fiabilité des applications critiques, au coût du calcul et à la capacité de l’entreprise à transformer le modèle expérimental en produit déployable. L’article ne fournit pas suffisamment de détails pour évaluer ces aspects dans le cas de STRADVISION. Il convient donc de considérer l’entretien comme une présentation d’un partenariat technologique et d’un écosystème de soutien, et non comme une évaluation indépendante des performances du produit.