L'IA aérospatiale n'est pas un seul problème — il y en a cinq : la maintenance prédictive des moteurs et composants, le NDT et l'inspection visuelle automatisés, les copilotes RAG sur des milliers de pages de documentation de maintenance, l'autonomie et l'intelligence de mission des UAS, et la qualité de fabrication des aérostructures. Chacun a une empreinte de certification, une exigence de souveraineté des données et une architecture d'infrastructure différentes. Ce primer couvre les cinq, avec un regard lucide sur le paysage de certification DO-178C/ARP4754A et sur les raisons pour lesquelles un déploiement souverain et on-prem est la seule architecture qui ait du sens, sur les plans réglementaire et de la propriété intellectuelle, pour la plupart des opérateurs.
Périmètre civil-first : Ce primer traite des applications aérospatiales civiles — MRO de l'aviation commerciale et d'affaires, opérations de UAS civils, chaîne d'approvisionnement avionique et fabrication d'aérostructures pour des programmes civils. Hyperion n'a aucun contrat de défense, aucun client de défense et aucune habilitation de sécurité. Lorsque l'architecture d'infrastructure souveraine présente une pertinence à double usage, nous le signalons ouvertement — mais nos missions sont exclusivement civiles. Nous ne poursuivons aucun travail impliquant des systèmes d'armes, des systèmes classifiés ou des applications nécessitant des habilitations de sécurité gouvernementales.
Dernière révision : mai 2026
L'IA aérospatiale pour le MRO et la fabrication désigne le déploiement de modèles d'apprentissage automatique — systèmes de vision, modèles de langage et algorithmes de détection d'anomalies — dans les opérations de maintenance, réparation et révision générale (MRO), la fabrication de composants d'aéronefs, et les systèmes sol et embarqués des UAS. Contrairement à l'IA d'entreprise cloud-native, l'IA aérospatiale doit satisfaire des contraintes uniques : exigences de preuve de certification de l'EASA et de la FAA, obligations de souveraineté des données pour les dossiers de maintenance et la propriété intellectuelle de fabrication, latence ultra-faible pour l'inspection en ligne, et le défi structurel selon lequel les normes de navigabilité traditionnelles (DO-178C) n'ont pas été conçues pour les systèmes ML.
L'IA de l'aviation civile mûrit selon deux calendriers distincts. Les applications au sol — aide à la décision MRO, qualité de fabrication, analytique de flotte — sont déployables aujourd'hui avec les cadres réglementaires existants, à condition que la fonction prévue du système soit clairement délimitée et que l'autorité humaine sur les décisions de navigabilité soit préservée. L'IA embarquée — des fonctions qui influencent le contrôle de vol, la navigation ou le comportement des systèmes embarqués — fait face à un vide de certification que la communauté réglementaire travaille activement à combler, mais qui reste non résolu pour la plupart des architectures ML en 2026.
Cette distinction importe pour décider où concentrer l'investissement IA à court terme. Les applications d'IA à plus forte valeur et à moindre friction dans l'aérospatiale sont toutes au sol : l'analytique de maintenance prédictive sur les données de surveillance de l'état des moteurs et composants, la vision par ordinateur pour augmenter le NDT, les interfaces en langage naturel sur la documentation de maintenance, et la surveillance des procédés de fabrication. Ces applications réduisent les coûts, améliorent les taux de dépose non programmée et accélèrent le débit MRO sans la charge de certification embarquée.
Les UAS (systèmes d'aéronefs sans pilote) se situent entre ces deux calendriers : l'intelligence au sol du contrôle est une application au sol, tandis que les fonctions de perception et d'autonomie embarquées font face aux mêmes défis de certification embarquée que les aéronefs pilotés, modulés par la catégorie de risque opérationnel (EASA OPEN/SPECIFIC/CERTIFIED) et l'évaluation SORA/SAIL applicable.
Les moteurs turbofan et les groupes auxiliaires de puissance accumulent une riche télémétrie de capteurs — marges EGT, spectres de vibration, comptes de débris d'huile, indices de proximité de pompage du compresseur. Des modèles ML entraînés sur des données opérationnelles au niveau de la flotte peuvent signaler des défaillances naissantes 100 à 500 heures de vol avant le dépassement d'une limite stricte, permettant une maintenance conditionnelle (CBM) plutôt que des révisions à intervalle fixe. La contrainte clé : la recommandation de maintenance du modèle doit être traçable et auditable pour satisfaire la supervision de l'autorité de navigabilité.
Note de certification
Les directives DO-178C / ARP4754A sur les outils d'aide à la décision s'appliquent lorsque la sortie influence une action de maintenance.
Le contrôle non destructif (NDT) en MRO — ultrasons, courants de Foucault, thermographie et inspection visuelle — implique des tâches d'évaluation répétitives à enjeux élevés où la fatigue et la charge cognitive contribuent aux taux d'omission. Des modèles de vision par ordinateur exécutés on-prem au poste d'inspection peuvent fournir une seconde vérification sur l'imagerie de boroscope, les données de balayage de panneaux composites et les photographies d'état de surface, en signalant des indications pour examen par un inspecteur humain. Le modèle augmente, et ne remplace pas, le technicien NDT habilité.
Note de certification
L'EASA Part 145 / la FAA AC 120-102 exigent que les outils d'inspection assistés par IA disposent de preuves de validation documentées et maintiennent l'autorité humaine sur la décision de remise en service.
Les ingénieurs de maintenance aéronautique travaillent face à un mur de documentation : manuels de maintenance d'aéronef (AMM), manuels de maintenance de composants (CMM), bulletins de service (SB), consignes de navigabilité (AD) et ordres techniques des OEM. Un système RAG (génération augmentée par récupération), exécuté sur une infrastructure souveraine avec un modèle de base Mistral affiné sur votre corpus de documentation approuvé, peut répondre à des requêtes techniques en langage naturel, faire remonter la carte de tâche pertinente et croiser les SB ouverts — réduisant considérablement le temps de recherche tout en gardant l'ingénieur habilité comme autorité de décision.
Note de certification
Le système d'IA est un outil d'aide à la décision, et non un système de suivi des pièces à durée de vie limitée. La traçabilité des données de toute réponse doit remonter à un document source approuvé et sous contrôle de révision.
Les opérateurs de UAS civils — relevé aérien, agriculture de précision, inspection d'infrastructures, logistique urbaine — intègrent le ML dans la perception embarquée, la planification de trajectoire et l'intelligence du contrôle au sol. Des modèles d'IA exécutés sur du matériel edge (NVIDIA Jetson, AMD Kria ou SoC personnalisé) gèrent la détection d'obstacles, la classification du terrain et l'identification d'anomalies en vol. Une couche LLM souveraine côté sol peut traiter les données de mission, générer des rapports d'inspection et gérer les opérations de flotte sans envoyer les journaux de vol ou l'imagerie des capteurs vers un cloud tiers.
Note de certification
Les cadres EASA SC-RPAS, JARUS SAIL/SORA et les directives émergentes EUROCAE WG-105 définissent comment les systèmes de décision par IA dans les opérations de UAS doivent être validés et faire l'objet d'une évaluation du risque résiduel.
La fabrication de cellules et d'aérostructures — qu'il s'agisse de drapage CFRP, d'usinage CNC de précision ou de fixation automatisée — génère des données de procédé et des enregistrements d'inspection qui alimentent directement l'inspection du premier article (FAI) et la certification de conformité de production. Des systèmes de vision par IA et des modèles de surveillance de procédé déployés on-prem peuvent réduire les taux de non-conformité, accélérer l'analyse des causes racines et produire des enregistrements structurés pour la gestion de la qualité AS9100. Les données ne quittent jamais l'installation — un point critique étant donné que les paramètres des procédés de fabrication et les configurations d'outillage représentent une propriété intellectuelle concurrentielle importante.
Note de certification
L'AS9100 Rev D exige la traçabilité des données de procédé de fabrication. Les enregistrements d'inspection générés par IA doivent s'intégrer au système d'enregistrements qualité établi.
L'évaluation honnête : le cadre de certification de navigabilité pour les systèmes d'IA basés sur le ML est incomplet. Les normes traditionnelles ont été conçues pour des logiciels déterministes. L'EASA et la RTCA/EUROCAE développent activement des directives, mais les opérateurs aérospatiaux doivent prendre des décisions de déploiement aujourd'hui face à un tableau réglementaire partiellement formé. Ce qui suit est un résumé factuel de l'état actuel.
Avertissement réglementaire
Ce primer est un aperçu d'ingénierie et de stratégie, et non un conseil juridique ou de certification. L'applicabilité de normes spécifiques à un système d'IA donné dépend de la fonction prévue du système, de sa classification d'effet sur la sécurité et de son contexte opérationnel. Faites toujours appel à un Designated Engineering Representative (DER) qualifié, à une Design Organisation (DO) agréée par l'EASA, ou à un équivalent pour des conseils spécifiques à la certification.
La DO-178C a été conçue pour des logiciels déterministes. Les modèles ML — en particulier les réseaux de neurones profonds — sont non déterministes, leurs exigences ne peuvent pas être entièrement spécifiées à l'avance, et leur comportement émerge des données d'entraînement plutôt que d'une conception explicite. Cela rend le processus V&V traditionnel (exigences → conception → code → test) structurellement incompatible avec le développement de modèles ML. Les régulateurs et le groupe de travail du supplément ML de la DO-178C de la RTCA (SC-205) travaillent sur des directives mises à jour, mais aucun supplément finalisé n'existe en 2026.
La DO-254 s'applique à la logique programmable (FPGA, ASIC) exécutant l'inférence. Les accélérateurs ML intégrés au matériel avionique doivent satisfaire le cycle de vie de conception de la DO-254, y compris la capture formelle des exigences et la couverture de vérification — ce qui est délicat pour du matériel qui exécute des poids appris plutôt qu'une logique déterministe.
L'ARP4754A régit la manière dont les fonctions système sont allouées et dont les objectifs de sécurité au niveau système se déclinent vers le logiciel et le matériel. Pour les systèmes activés par l'IA, le défi est de définir les conditions et probabilités de défaillance de la fonction IA lorsque le comportement du modèle n'est pas entièrement spécifié de manière déterministe. Les méthodes d'analyse de sécurité (FHA, PSSA, SSA) doivent être adaptées aux systèmes apprenants.
La feuille de route IA 2.0 de l'EASA introduit le concept de « learning assurance » — un cadre structuré pour assurer que le développement, l'entraînement et la validation des modèles ML sont menés avec une rigueur suffisante pour soutenir un crédit de certification. L'EASA identifie cinq défis clés : la gestion des données, les décisions d'architecture du modèle, l'explicabilité, les métriques de performance et la dérive de distribution. La feuille de route est explicite : les directives actuelles DO-178C/DO-254 sont insuffisantes pour les systèmes ML et de nouveaux moyens de conformité seront nécessaires.
Pour les applications MRO (NDT, recherche documentaire, planification de maintenance), la charge de certification est plus faible — le système d'IA est un outil d'aide à la décision, et non une fonction embarquée. Cependant, l'EASA Part 145 et les Advisory Circulars de la FAA exigent que les outils assistés par IA disposent de preuves de validation documentées, qu'ils ne supplantent pas l'autorité de l'AME habilité et que leurs sorties soient traçables vers des sources de données approuvées.
Le vide de certification concerne les fonctions d'IA embarquées — les logiciels qui influencent directement le contrôle de l'aéronef, la navigation ou le comportement des systèmes embarqués. Pour les applications au sol (aide à la décision MRO, inspection de fabrication, analytique de l'état de la flotte), la charge de certification est plus faible : ces systèmes ne doivent pas être présentés comme des sources de données de maintenance approuvées, doivent préserver l'autorité humaine sur les décisions de navigabilité et doivent maintenir la traçabilité des données vers les documents sources approuvés — mais ils ne nécessitent pas l'assurance logicielle embarquée DAL-A à DAL-D.
L'opportunité à court terme est précisément cette couche au sol. Un déploiement d'IA MRO bien conçu — infrastructure souveraine, RAG sur la documentation approuvée, NDT assisté par vision avec validation humaine — apporte une valeur opérationnelle significative aujourd'hui, sans attendre que le cadre de certification du ML embarqué arrive à maturité.
L'IA cloud n'a pas été conçue pour les environnements opérationnels aérospatiaux. Les contraintes du MRO et de la fabrication d'aérostructures — latence, protection de la propriété intellectuelle, tenue de registres réglementaires et, dans certains contextes, obligations ITAR/EAR ou de sécurité nationale — pointent toutes vers la même réponse architecturale : une inférence souveraine, on-prem, ou au minimum dans un cloud souverain de l'UE.
Note sur le contexte de double usage : L'argument de l'infrastructure souveraine ci-dessous s'applique également aux environnements de fabrication civils et à double usage. Nous le signalons ouvertement. Cependant, les missions d'Hyperion sont exclusivement civiles. Nous ne conseillons ni n'implémentons de systèmes d'IA pour des armes, des systèmes classifiés ou des applications nécessitant des habilitations de sécurité gouvernementales.
L'IA de l'installation MRO — récupération documentaire, vision NDT, planification de maintenance — devrait s'exécuter sur des serveurs GPU sur site plutôt que sur des API cloud. Les données de maintenance d'aéronefs, les dossiers d'état de flotte et la documentation OEM sont couverts par des accords de propriété intellectuelle et des obligations de protection des données. Exécuter l'inférence sur un modèle Mistral déployé localement signifie qu'aucune donnée de maintenance ne transite par une infrastructure externe. Matériel : un seul NVIDIA A10 (24 Go) peut servir Mistral 7B INT4 pour un atelier MRO de taille moyenne avec un débit adéquat.
Les procédés de fabrication d'aérostructures — paramètres de drapage CFRP, géométries d'outillage, seuils d'acceptation NDT — sont concurrentiels et, dans certains contextes, soumis au contrôle des exportations au titre de l'ITAR/EAR ou de réglementations nationales équivalentes. L'inférence air-gapped garantit qu'aucune donnée de procédé ne sort de la limite de l'installation. Les poids du modèle sont chargés une fois lors de la mise en service ; les mises à jour suivent un processus de changement contrôlé cohérent avec votre système de gestion de la qualité.
Les opérateurs aérospatiaux européens (chaîne d'approvisionnement Airbus, MRO européens, compagnies aériennes agréées dans l'UE) doivent tenir compte du RGPD pour toute donnée comportant des informations personnelles — relevés de poste, actions des techniciens, décisions de mise en attente qualité. Un déploiement on-prem ou en cloud souverain de l'UE maintient le traitement dans la juridiction de l'UE, simplifiant la conformité au RGPD et éliminant le besoin de clauses contractuelles types pour les transferts vers des pays tiers.
L'inspection par vision NDT en ligne de production exige une latence d'inférence bien inférieure à 100 ms pour ne pas devenir un goulot d'étranglement de débit. Les aller-retours d'API cloud (100 à 500 ms typiquement) sont structurellement incompatibles avec l'inspection en ligne. Un nœud GPU on-prem colocalisé avec le poste d'inspection délivre une inférence sous 20 ms pour des modèles de détection de l'échelle de YOLOv9 — deux ordres de grandeur plus rapide que n'importe quelle architecture cloud.
L'EASA Part 145 et l'AS9100 exigent que les enregistrements de maintenance et de qualité soient conservés et traçables. Lorsqu'un système d'IA contribue à une décision de maintenance ou à un résultat d'inspection, le journal d'inférence — quelles données ont été interrogées, ce que le modèle a renvoyé et ce que le technicien a décidé — doit faire partie de l'enregistrement qualité. Le déploiement on-prem signifie que ces journaux restent dans votre infrastructure de gestion de la qualité existante, et non dans la piste d'audit d'un cloud tiers.
ITAR/EAR et contrôle des exportations
Les données de fabrication aérospatiale — en particulier pour les composants d'origine militaire ou à double usage — peuvent être soumises à l'ITAR américain (International Traffic in Arms Regulations), à l'EAR (Export Administration Regulations) ou à des cadres de contrôle des exportations UE/nationaux équivalents. Envoyer des données techniques contrôlées par l'ITAR vers une API d'IA cloud (même nominalement hébergée dans l'UE) peut constituer une exportation non autorisée si le fournisseur emploie des US-persons ou dispose d'un accès aux données relevant de la juridiction américaine. Un déploiement on-prem et air-gapped élimine ce risque en gardant les données dans la limite de l'installation contrôlée. Il s'agit d'une question juridique — consultez votre conseil en contrôle des exportations.
Vous ne savez pas si votre cas d'usage d'IA MRO ou de fabrication relève ou non du périmètre de certification embarquée ? Hyperion réalise un sprint de découverte de 4 semaines qui cartographie vos cas d'usage, vos points de contact de certification, vos flux de données et vos exigences de souveraineté — et produit une recommandation d'architecture de déploiement adaptée à votre contexte opérationnel spécifique.
L'IA aérospatiale recoupe des contextes connexes à la défense de manières inévitables qu'il convient d'aborder directement. De nombreux fournisseurs aérospatiaux — fabricants d'aérostructures, intégrateurs avioniques, développeurs de plateformes UAV — servent à la fois des programmes civils et de défense depuis les mêmes installations et avec les mêmes équipes d'ingénierie. L'infrastructure d'IA qui a du sens pour un atelier MRO civil a aussi, sur le plan architectural, du sens pour un environnement de fabrication à double usage : souveraine, on-prem, air-gapped, avec une traçabilité complète des données. Nous le signalons ouvertement.
Ce que nous faisons
Ce que nous ne faisons pas
La justification de cette limite civil-first n'est pas une naïveté quant à la réalité de double usage de la technologie aérospatiale. C'est un choix de positionnement délibéré. Le travail de défense exige des capacités — habilitations de sécurité, infrastructure d'installation classifiée, enregistrement ITAR, relations de maître d'œuvre — qu'une petite société de conseil en IA agile opérant à l'échelle d'Hyperion ne possède pas et ne cherche pas à développer. Tenter de servir ce marché sans ces capacités reviendrait à surpromettre à des clients dans des contextes où les conséquences d'un échec de livraison sont élevées.
Ce que nous pouvons dire honnêtement : l'architecture d'infrastructure souveraine que nous implémentons pour les clients civils — inférence on-prem, déploiement air-gapped, résidence des données dans l'UE, propriété complète de la piste d'audit — est le même schéma d'architecture qui conviendrait à un environnement de fabrication à double usage où les exigences de souveraineté des données et de sécurité sont analogues. Si un fabricant à double usage souhaite appliquer cette architecture à ses lignes de production civiles, nous pouvons aider. Nous prenons en charge la couche civile et technologique ; la conformité, les habilitations et la gestion de programme spécifiques à la défense se situent hors de notre périmètre.
Ce qui suit est un compte rendu factuel du parcours d'Hyperion en lien avec l'IA aérospatiale. Nous n'avons pas réalisé de missions clients spécifiques à l'aérospatiale. Ce que nous avons, c'est une capacité éprouvée d'ingénierie d'IA industrielle — vision edge, RAG, infrastructure souveraine on-prem — transférable sur le plan architectural au contexte aérospatial. Nous sommes transparents sur les deux points.
Hyperion a conçu et déployé des systèmes de vision par IA edge pour l'inspection industrielle à travers ses 10 ventures d'IA, y compris des pipelines de vision par ordinateur pour la détection de défauts de surface, la classification d'anomalies et la fusion de capteurs. Ce sont les mêmes capacités sous-jacentes — modèles de vision déployés en edge, RAG sur la documentation technique, infrastructure d'inférence on-prem — dont les applications aérospatiales de MRO et de fabrication ont besoin. Nous n'avons pas spécifiquement développé pour une compagnie aérienne ou un atelier MRO ; ce que nous avons, c'est la capacité éprouvée d'ingénierie d'IA industrielle qui se transfère au contexte aérospatial.
Le fondateur Mohammed Cherifi a passé 17+ années en systèmes embarqués et ingénierie industrielle, y compris des travaux chez Renault-Nissan-Mitsubishi Alliance, Cisco et ABB. La fabrication aérospatiale partage son ADN d'ingénierie avec l'automobile et l'automatisation industrielle : pratiques logicielles critiques pour la sécurité, intégration OT/IT, systèmes qualité (l'IATF 16949 fait écho à l'AS9100) et le fossé culturel entre l'atelier de production et l'informatique. Ce parcours est directement pertinent pour la manière dont l'IA est conçue et déployée dans des environnements industriels réglementés.
Auralink — la venture phare d'Hyperion — est une plateforme de 400+ microservices et d'environ 20 agents, bâtie sur une architecture souveraine d'abord et déployable en edge (environ 1,7M de lignes de code). C'est l'échelle d'ingénierie que nous appliquons aux missions clients : coordination d'agents distribués, service de modèles on-prem, pipelines de données structurées issues de capteurs physiques. Les schémas architecturaux qui font fonctionner Auralink dans des environnements contraints en edge sont directement applicables aux systèmes aérospatiaux de maintenance et de fabrication.
Un preprint publié sur arXiv (arXiv:2603.08736) traite des agents d'IA autonomes déployés en edge pour l'infrastructure physique. Il s'agit d'un preprint — et non d'une publication dans une revue à comité de lecture — mais il reflète la profondeur de la réflexion architecturale qu'Hyperion applique aux déploiements d'IA souverains et contraints en edge. Les schémas décrits sont pertinents pour le MRO aérospatial et les systèmes sol des UAS.
Mohammed Cherifi détient le titre d'Ambassadeur de l'IA du programme Osez l'IA du gouvernement français et a été reconnu par FranceNum. Ce titre reflète un engagement dans la politique française de l'IA — un contexte pertinent étant donné qu'Airbus, Safran, Thales et la majorité de la chaîne d'approvisionnement aérospatiale européenne opèrent sous les cadres réglementaires français et de l'UE.
Non. Hyperion ne détient pas de certifications spécifiques à l'aérospatiale (DAL DO-178C, agrément EASA Part 145, enregistrement AS9100) et n'a pas réalisé de missions auprès d'une compagnie aérienne, d'une organisation MRO ou d'un client aérospatial OEM. Ce qu'Hyperion possède, c'est une capacité éprouvée d'ingénierie d'IA industrielle — systèmes de vision edge, RAG sur la documentation technique, infrastructure d'inférence souveraine on-prem — transférable sur le plan architectural aux applications aérospatiales. Nous sommes transparents sur cette distinction : la capacité technologique est réelle ; le palmarès client spécifique à l'aérospatiale n'est pas encore là.
Civil-first signifie que notre périmètre de travail, nos recommandations technologiques et notre clientèle se concentrent sur les applications aérospatiales civiles : MRO de l'aviation commerciale, maintenance de l'aviation d'affaires, opérateurs de UAS civils, chaîne d'approvisionnement avionique et fabrication d'aérostructures pour des programmes civils. Nous ne poursuivons aucun travail impliquant des systèmes d'armes, des systèmes classifiés ou des applications nécessitant des habilitations de sécurité gouvernementales. Si une infrastructure à double usage — IA souveraine on-prem, inférence air-gapped, vision déployée en edge — trouve une application dans des contextes à la fois civils et de défense, nous le signalons ouvertement ; mais nos missions sont exclusivement civiles.
Non. Hyperion n'a aucun contrat de défense, aucun client dans des rôles de maître d'œuvre ou de sous-traitant de défense, et aucune habilitation de sécurité. Notre fondateur et notre équipe ne détiennent aucune habilitation de sécurité gouvernementale. Nous notons dans ce primer que l'infrastructure d'IA souveraine — on-prem, air-gapped, déployée en edge — est pertinente pour des contextes à double usage, mais il s'agit d'une observation architecturale, et non d'une description de notre clientèle ou de nos capacités dans ce secteur.
Les exigences de crédit de navigabilité de la DO-178C s'appliquent aux logiciels qui exécutent ou influencent des fonctions embarquées. Un outil d'aide à la décision MRO au sol — un système RAG de récupération documentaire, ou un classificateur d'images NDT qui signale des indications pour examen humain — n'est pas en lui-même une fonction embarquée et ne nécessite pas de certification DO-178C. Cependant, il ne doit pas être présenté comme une source de données de maintenance approuvée (ce qui exigerait un agrément Part 145/FAA), et toute sortie influençant une décision de remise en service doit rester sous l'autorité de l'ingénieur habilité. La charge de certification croît avec la conséquence sur la sécurité de la sortie de l'IA.
La feuille de route IA 2.0 de l'EASA (publiée en 2023) introduit la « learning assurance » comme cadre pour appliquer au développement de modèles ML une rigueur analogue à celle que la DO-178C fournit pour les logiciels déterministes. Elle identifie cinq domaines de défi : la gestion et la traçabilité des données, les décisions d'architecture du modèle et l'explicabilité, des métriques de performance appropriées au ML, la dérive de distribution et la surveillance opérationnelle, et la coopération homme-machine. L'EASA est explicite : les directives actuelles (DO-178C/DO-254) sont insuffisantes pour les systèmes ML et de nouveaux moyens de conformité sont requis. En 2026, des moyens de conformité finalisés pour le ML dans les systèmes embarqués n'existent pas encore ; l'EASA travaille sur PART-AI dans le cadre de son cadre réglementaire plus large de l'IA.
Un système RAG basé sur Mistral peut accélérer considérablement la recherche documentaire et réduire la charge cognitive des ingénieurs de maintenance. Le fait qu'il constitue ou non une « source de données approuvée » dépend de la manière dont il est implémenté et utilisé. Le système peut référencer des sources de données approuvées (AMM, CMM, bulletins de service dans leur révision approuvée) et aider les ingénieurs à naviguer vers la section pertinente — mais il ne peut pas lui-même générer ou modifier des données de maintenance approuvées. Le document approuvé demeure l'autorité ; le système RAG est une aide à la récupération et à la compréhension. Cette distinction doit être clairement documentée dans l'énoncé de fonction prévue du système.
Pour un copilote documentaire MRO (RAG + Mistral 7B INT4) : un seul NVIDIA RTX 4090 (24 Go de VRAM) ou A10 suffit pour un atelier MRO de petite à moyenne taille. Pour l'inspection par vision NDT en ligne sur une ligne de production : un GPU dédié au poste d'inspection (Jetson AGX Orin pour l'edge, A10 pour l'inférence au niveau du poste). Pour les systèmes sol des UAS : NVIDIA Jetson Orin ou équivalent pour l'embarqué ; A10/L40 pour l'intelligence de contrôle au sol. Les environnements air-gapped exigent un chargement de modèle hors ligne et un processus de contrôle des changements pour les mises à jour de modèle, cohérent avec votre système de gestion de la qualité.
Un sprint ciblé de découverte et d'architecture — cadrage du cas d'usage, cartographie des flux de données, identification des points de contact réglementaires et dimensionnement de l'infrastructure — prend généralement 4 à 6 semaines. Un déploiement en production d'un seul cas d'usage (p. ex. un RAG documentaire MRO pour un type de flotte spécifique) prend généralement 8 à 14 semaines, de l'approbation de l'architecture à la mise en service. Le calendrier est fortement influencé par la maturité des données (qualité du corpus documentaire, jeux de données NDT étiquetés) et par le processus interne de conduite du changement de l'opérateur. Nous ne donnons pas d'estimation de délai de projet sans un sprint de découverte préalable.
EASA (2023). "EASA Artificial Intelligence Roadmap 2.0."
Contexte : Feuille de route de l'Agence de l'Union européenne pour la sécurité aérienne sur l'IA dans l'aviation, introduisant le concept de « learning assurance » et identifiant cinq domaines de défi pour la certification des systèmes ML.
RTCA / EUROCAE (2012). "DO-178C: Software Considerations in Airborne Systems and Equipment Certification."
Contexte : Principale norme de certification logicielle pour les systèmes embarqués ; la base sur laquelle les directives du supplément ML (SC-205) sont en cours d'élaboration.
RTCA / EUROCAE (2000). "DO-254: Design Assurance Guidance for Airborne Electronic Hardware."
Contexte : Norme d'assurance de conception matérielle ; s'applique à la logique programmable exécutant l'inférence ML dans le matériel avionique.
SAE International (2010). "ARP4754A: Guidelines for Development of Civil Aircraft and Systems."
Contexte : Directives de cycle de vie de développement système pour les aéronefs civils ; le cadre de plus haut niveau dans lequel s'inscrivent les activités d'assurance logicielle/matérielle DO-178C et DO-254.
EASA (2014). "Commission Regulation (EU) No 1321/2014 — Part 145: Maintenance Organisation Approvals."
Contexte : Cadre réglementaire EASA Part 145 pour les organisations de maintenance agréées ; régit l'utilisation des outils d'aide à la décision et des sources de données approuvées dans la maintenance aéronautique.
JARUS (2022). "JARUS guidelines on SORA — Specific Operations Risk Assessment for UAS."
Contexte : Cadre d'évaluation des risques pour les opérations de UAS civils, incluant les exigences relatives aux systèmes de décision par IA utilisés dans les opérations de catégorie spécifique.
SAE International (2016). "AS9100 Rev D: Quality Management Systems — Requirements for Aviation, Space, and Defense Organizations."
Contexte : Principale norme de gestion de la qualité pour la fabrication aérospatiale ; pertinente pour les enregistrements d'inspection générés par IA et la traçabilité des données de procédé.
Hyperion Consulting (2026). "arXiv preprint: Autonomous Edge-Deployed AI Agents for Physical Infrastructure (arXiv:2603.08736)."
Contexte : Preprint du fondateur d'Hyperion (non évalué par les pairs) sur les schémas architecturaux pour des agents d'IA souverains déployés en edge — les mêmes schémas appliqués aux contextes aérospatiaux de MRO et de fabrication.
Que vous soyez un atelier MRO civil cherchant à réduire les déposes non programmées, un fournisseur avionique construisant un copilote documentaire pour son équipe d'ingénierie, ou un fabricant de UAV concevant une intelligence souveraine de contrôle au sol, les décisions d'architecture prises lors de la première mission définissent ce qui est possible. Hyperion apporte 17+ années d'expérience en ingénierie industrielle aux côtés d'un palmarès en production en IA edge, inférence on-prem et RAG sur la documentation technique. Commencez par une conversation.
Fondateur et responsable de la stratégie IA
Mohammed Cherifi est le fondateur d'Hyperion Consulting, avec 17+ années en systèmes embarqués et ingénierie industrielle, dont des travaux chez Renault-Nissan-Mitsubishi Alliance, Cisco et ABB. Il est spécialisé dans le déploiement d'IA souveraine pour les environnements industriels — IA edge, inférence on-prem et systèmes d'IA qui satisfont les contraintes opérationnelles et réglementaires de la fabrication critique pour la sécurité.
Déploiement d'IA on-prem et air-gapped pour les environnements industriels
Déploiement d'IA souverain et air-gapped pour les environnements de fabrication
Considérations de certification ISO 26262 et IEC 62443 pour l'IA edge
Le Physical AI Stack à 6 couches pour la robotique, l'IA edge et l'automatisation industrielle