# NVIDIA NeMo Switchyard : diriger les tâches IA entre modèles spécialisés

_Publié le 3 novembre 2026 — https://ip73.fr/2026/11/03/nvidia-nemo-switchyard-diriger-les-taches-ia-entre-modeles-specialises/_

Le développement d'un agent d'intelligence artificielle ne s'arrête pas au choix d'une seule bête de calcul. Chaque modèle possède ses propres forces, ses faiblesses, et surtout, un profil de coût qui varie selon la tâche effectuée. Un agent peut nécessiter une classification pour une étape, un raisonnement complexe pour la suivante, et un modèle plus léger pour des tâches de suivi routinières. Envoyer chaque requête au modèle le plus puissant, c'est accepter une latence et un coût plus élevés ; au contraire, se limiter au modèle le plus petit risque d'abaisser la qualité sur des problèmes pointus.

NVIDIA apporte une réponse à cette complexité avec NeMo Switchyard. Ce système est conçu pour orchestrer un ensemble de modèles spécialisés et de pointe, permettant aux développeurs de diriger le travail sans avoir à reconstruire toute leur application autour d'une seule offre de fournisseur ou de modèle, selon developer.nvidia.com.

Au moment de l'exécution, un routeur évalue chaque requête en fonction du contexte disponible, puis la fait passer au modèle qui correspond le mieux aux exigences, aux contraintes et aux politiques définies pour cette tâche. Selon la charge de travail, cette architecture de modèles peut améliorer la précision tout en réduisant les dépenses comparé à l'utilisation du modèle le plus performant pour chaque appel.

NeMo Switchyard fournit une librairie pour mettre en œuvre plusieurs approches de routage, concrétisant ainsi une approche dite « système de modèles » pour construire des agents plus contrôlables et plus efficaces dans les flux de travail IA réels. Par exemple, sur un banc d'essai simulant l'utilisation d'ordinateur, bien que DeepSeek V4 affiche la meilleure précision globale, le modèle Kimi K2.6 s'avère plus apte aux tâches de *Machine Learning* et de *Reinforcement Learning*, tandis que Qwen3.5 397B A17B est préférable pour les tâches de mathématiques et sciences. Ce découpage peut se faire au niveau de la tâche individuelle ou à travers les différentes phases d'un même objectif.

## Les signaux qui guident le choix du modèle

Pour qu'un routage soit efficace, il faut des signaux précis, et ceux-ci proviennent de trois domaines principaux : les capacités des modèles, leur profil de coût (latence et dépenses), et les signaux liés à l'infrastructure du système. L'algorithme de routage doit savoir où chercher ces indications.

Le routeur peut analyser la requête elle-même : un classifieur peut, par exemple, identifier le sujet d'une question pour l'associer à un pool de modèles et acheminer la requête en conséquence. On peut aussi utiliser un modèle d'intégration pour extraire des caractéristiques pertinentes. Au-delà de l'entrée, on peut examiner l'état du modèle lui-même, en regardant les *logprobs* ou les matrices d'attention. Enfin, le système fournit des données sur les prix, la charge et les erreurs en temps réel.

NeMo Switchyard simplifie cette ingénierie. Grâce à *NeMo switchyard-libsy*, il offre un SDK indépendant de fournisseur. Ce composant représente les requêtes, définit les modèles disponibles, et gère les appels au modèle sélectionné. Le nom sémantique du modèle reste détaché de l'identifiant réel du fournisseur, assurant que la logique de routage ne dépend pas de l'infrastructure sous-jacente.

## L'accélération du calcul au service de l'IA

Si l'optimisation des agents IA est une prouesse logicielle, l'exigence de calcul que cela génère fait écho aux défis rencontrés dans la fabrication de semi-conducteurs. L'augmentation des charges de travail IA pousse l'industrie des semi-conducteurs à des performances extrêmes. Les problèmes de chaleur et de puissance se complexifient car on passe d'une optimisation au niveau de la puce à une ingénierie globale du système.

Cette pression sur le calcul est adressée par des avancées massives en simulation. Par exemple, en collaboration avec Applied Materials, NVIDIA accélère des simulations à l'échelle atomique. L'intégration de *cuDSS* dans la plateforme Ginestra permet d'accélérer l'algèbre linéaire éparse des simulations de matériaux jusqu'à dix fois par rapport aux méthodes CPU seules. De même, la plateforme ACE+ d'Applied Materials bénéficie de *PhysicsNeMo* pour accélérer les simulations de topographie jusqu'à 35 fois.

Ces accélérations ne font pas que raccourcir des calculs ; elles ouvrent de nouveaux champs d'exploration pour les ingénieurs. En parallèle, l'automatisation des étapes intermédiaires est en cours. Advantest utilise déjà *NeMo Switchyard* pour automatiser la sélection de modèles, réduisant des délais qui pouvaient prendre des heures à quelques minutes. L'ambition finale, c'est de créer ce que l'on nomme une « usine définie par l'IA », où chaque cycle de production alimente les modèles, qui à leur tour aident les experts à prendre des décisions plus rapidement.

## Sources

- [Route AI Agents Across Models with NVIDIA NeMo Switchyard \| NVIDIA Technical Blog](https://developer.nvidia.com/blog/route-ai-agent-workloads-across-models-with-nvidia-nemo-switchyard/), developer.nvidia.com
- [Advancing Semiconductor Innovation Across Materials Engineering and Manufacturing \| NVIDIA Technical Blog](https://developer.nvidia.com/blog/advancing-semiconductor-innovation-across-materials-engineering-and-manufacturing/), developer.nvidia.com
- [AI Is Changing How Semiconductor Fabs Work — and Engineers Are Moving Faster Because of It](https://blogs.nvidia.com/blog/ai-semiconductor-fabs/), NVIDIA, 3 novembre 2026