Verizon Connect : comment l'IA agentique a révolutionné la gestion de 1,2 million de véhicules

Les gestionnaires de flottes sont aujourd’hui confrontés à un défi de taille : transformer une montagne de données en informations utiles. Quand on gère des milliers de véhicules, chacun produisant des centaines de données par jour, repérer les tendances critiques devient presque impossible avec des méthodes manuelles. C’est exactement le problème auquel Verizon Connect, un fournisseur mondial de solutions de gestion de flottes via sa plateforme Reveal, a été confronté à grande échelle.

Avec plus de 1,2 million d’abonnements actifs générant plus de 500 millions de points de données chaque jour sur 80 000 indicateurs uniques, les gestionnaires de flottes se noyaient littéralement dans ces données. Ils devaient traquer manuellement les anomalies à travers des registres papier fragmentés et des tableaux réactifs, ce qui rendait impossible l’identification précoce des problèmes de sécurité, des besoins de maintenance ou des inefficacités opérationnelles avant qu’ils ne deviennent coûteux.

UNE IA QUI PENSE COMME UN HUMAIN POUR RÉSOUDRE DES PROBLÈMES COMPLEXES

L’IA agentique ne se contente pas d’analyser des données : elle pose des questions, explore de nouvelles pistes et adapte son analyse en fonction de ce qu’elle découvre. Cette capacité à fonctionner comme un humain en fait l’outil idéal pour gérer la nature imprévisible des opérations de flotte. Dans cet article, nous expliquons comment Verizon Connect a construit et déployé une solution d’IA agentique capable de transformer des données de flotte écrasantes en insights clairs et exploitables pour 100 000 utilisateurs chaque jour.

Cette solution gère des données à grande échelle tout en maintenant une efficacité coût. La figure suivante décrit les composants principaux de l’architecture. Plus tard dans cette section, nous détaillerons chaque composant et expliquerons comment ils s’articulent dans la section « Architecture globale ».

POURQUOI LES MODÈLES DE LANGAGE NE SUFFISENT PAS POUR ANALYSER DES DONNÉES DE FLOTTE

Une erreur classique en ingénierie IA consiste à demander à un modèle de langage d’effectuer des analyses numériques sur des données tabulaires brutes à grande échelle. Comme le souligne le guide AWS Prescriptive Guidance, les modèles de langage peuvent avoir du mal avec des structures de tableaux complexes et l’extraction de données numériques à grande échelle. Pour contourner ce problème, Verizon Connect a construit un modèle statistique sans serveur utilisant AWS Step Functions et AWS Lambda. Ce modèle effectue le travail intensif de détection d’anomalies sur des données structurées. Il identifie ce que sont les anomalies, afin que l’agent IA puisse se concentrer sur pourquoi elles se produisent et comment les résoudre.

Pour déployer cette solution, l’équipe a sélectionné Strands Agents, un SDK open source pour construire et exécuter des agents IA, fonctionnant dans un environnement AWS Lambda sans serveur. Ce modèle de déploiement se scale horizontalement en fonction de la demande. L’agent IA opère grâce à une boucle de raisonnement dynamique, déterminant de manière autonome le chemin d’investigation nécessaire plutôt que de suivre un ensemble fixe d’étapes. On remarque que l’agent IA est sans état : le contexte nécessaire à la Génération d’insights est récupéré frais au moment de l’analyse.

COMMENT FONCTIONNE LA GÉNÉRATION D’INSIGHTS EN DEUX ÉTAPES

La génération d’insights suit une approche en deux étapes, chacune utilisant différemment les capacités de raisonnement du modèle de langage :

Étape 1 : Génération de résumés (agrégation et priorisation des anomalies)

Dans cette première phase, l’agent reçoit un ensemble d’anomalies brutes détectées à travers la flotte. Au lieu de traiter chaque anomalie individuellement, le modèle de langage décide de manière autonome comment les agréger en candidats d’insights cohérents. Il peut regrouper les anomalies par :

• Type de véhicule
• Zone géographique
• Heure de la journée
• Période de l’année
• Comportement spécifique (freinage brutal, vitesse excessive, etc.)

La logique de regroupement et les critères de sélection sont entièrement laissés à la discrétion du modèle de langage. Le système n’impose aucune règle fixe sur la manière dont les anomalies doivent être combinées. Après l’agrégation, l’agent attribue un score de pertinence à chaque candidat d’insight en fonction de facteurs comme la gravité, la récurrence, l’impact à l’échelle de la flotte et l’actionnable. Parmi ces candidats notés, l’agent sélectionne les quatre insights les plus pertinents pour passer à la génération détaillée. Cette approche permet à la priorisation de s’adapter au contexte spécifique de chaque flotte d’utilisateur, plutôt que de s’appuyer sur des règles métier statiques qui pourraient manquer des motifs émergents.

Étape 2 : Génération détaillée (investigation basée sur des outils agentiques)

C’est dans cette deuxième phase que la nature agentique du système devient cruciale. Pour chaque insight de résumé, une instance d’agent distincte est lancée avec accès à des outils de récupération de données. L’agent décide de manière autonome quels outils appeler, dans quel ordre et combien de fois, en itérant jusqu’à ce qu’il ait rassemblé suffisamment de preuves pour produire un insight étayé par des données. Maintenant que l’exécution de l’agent est expliquée, examinons pourquoi une approche agentique est essentielle pour ce cas d’usage.

La gestion de flotte implique d’innombrables variables et scénarios imprévisibles qui nécessitent une investigation dynamique plutôt qu’une logique prédéterminée. Cela crée deux limitations fondamentales :

Premièrement, les règles statiques ne peuvent pas anticiper tous les cas possibles. Deuxièmement, la maintenance de ces règles devient extrêmement complexe et coûteuse à mesure que le nombre de cas augmente. En revanche, l’agent IA peut découvrir des motifs de toute nature, y compris des cas limites qui n’avaient pas été anticipés pendant le développement. Si les données suggèrent une corrélation inattendue (comme des freinages brutaux corrélés à des motifs horaires spécifiques, ou un changement de comportement d’un véhicule après une date particulière), l’agent peut pivoter en temps réel sa stratégie d’investigation, en effectuant des appels d’outils supplémentaires pour explorer ces hypothèses émergentes.

COMMENT 100 000 UTILISATEURS REÇOIVENT LEURS INSIGHTS À 8H DU MATIN

Pour fournir des insights prêts au début de la journée de travail à 100 000 utilisateurs, Verizon Connect utilise Amazon Simple Queue Service (Amazon SQS) pour gérer l’exécution. En contrôlant le maximum de concurrence du déclencheur SQS-to-Lambda, l’équipe peut :

Prenons un exemple concret : imaginons un scénario où des insights doivent être livrés à des clients répartis dans l’ensemble des États-Unis. L’objectif est de fournir les insights à 8h00 ET, en se basant sur les données générées jusqu’à minuit PT la veille. Compte tenu de la différence de trois heures entre les fuseaux horaires, le processus complet doit être terminé dans une fenêtre de cinq heures. En allouant une heure pour la détection d’anomalies, il reste quatre heures pour que l’agent IA et le modèle de langage génèrent les insights. À un rythme de 1 500 requêtes par minute (ajustable), la phase de génération d’insights prendra environ 1,25 heure, bien dans les limites des exigences opérationnelles.

Les insights générés par l’agent sont prêts à être consommés par l’application Reveal. Dès la connexion, les nouveaux insights apparaissent dans un panneau dédié sur la carte en direct, la page la plus visitée de Reveal, afin que chaque utilisateur voie immédiatement les insights pertinents. Chaque insight est cliquable et mène à une page détaillée avec l’analyse complète.

L’architecture globale rassemble ces quatre composants : détection d’anomalies, parallélisation des requêtes, moteur de génération d’insights et stockage des insights générés pour consommation par l’application Reveal.

LE FONCTIONNEMENT DE L’ARCHITECTURE EN UNE SEULE IMAGE

Pour comprendre comment ces composants fonctionnent ensemble, examinons le flux de travail suivant : une demande d’insights est déclenchée, incluant la liste des identifiants clients pour lesquels les insights doivent être calculés. Le modèle statistique effectue la détection d’anomalies et stocke les résultats dans Amazon S3.

La fonctionnalité Operational Insights a été déployée pour les utilisateurs de Verizon Connect en novembre 2025. Elle fournit aux gestionnaires de flottes des récits en langage naturel clair, comme celui-ci :

« Le véhicule X montre une augmentation anormale des freinages brutaux depuis le 15 octobre, particulièrement entre 14h et 16h. Cette tendance pourrait indiquer un problème avec les freins ou un style de conduite agressif. Nous recommandons une inspection immédiate. »

LES RÉSULTATS MESURABLES DE L’IA AGENTIQUE

Dans cet article, nous avons montré comment Verizon Connect a construit une solution d’IA agentique scalable sur AWS qui transforme des données brutes de télémétrie IoT en insights exploitables pour plus de 100 000 utilisateurs. L’architecture combine Amazon Bedrock, Strands Agents, AWS Step Functions, Amazon SQS et une couche de données multi-niveaux pour fournir des insights fiables et économes à grande échelle.

À mesure que le paysage de l’IA évolue, l’équipe prévoit de migrer du déploiement d’agents basé sur AWS Lambda vers Amazon Bedrock AgentCore Runtime pour optimiser davantage l’exécution AWS Lambda et utiliser le protocole MCP (Model Context Protocol) pour une intégration plus rapide des outils.

COMMENT DÉMARRER AVEC UNE SOLUTION D’IA AGENTIQUE

Pour mettre en œuvre efficacement une solution d’IA agentique, commencez par un pilote à petite échelle pour valider un cas d’usage de base et établir l’efficacité coût. Une fois la valeur initiale prouvée, étendez le système en intégrant des flux de travail automatisés et une personnalisation basée sur les données. La phase finale consiste à passer à un déploiement complet en entreprise qui supporte une orchestration avancée et un traitement en temps réel dans toute l’organisation.

Commencez dès aujourd’hui à construire votre propre solution :