NVIDIA a publié un flux de travail de développement montrant comment un agent de codage IA peut aider les ingénieurs à ստեղծure des applications en temps réel avec NVIDIA Holoscan, sa plateforme d’IA de périphérie pour des charges de travail telles que l’imagerie médicale et la robotique. L’entreprise a utilisé cette approche pour créer une application de segmentation d’outils endoscopiques avec des modèles réutilisables, une visualisation en direct, de la télémétrie et des benchmarks.

La publication est remarquable moins comme une nouvelle annonce produit que comme un exemple pratique de la manière dont NVIDIA s’attend à ce que les développeurs combinent des agents de codage IA avec des dépôts structurés, des outils en ligne de commande et une révision humaine. Son argument central est que les agents sont plus utiles lorsqu’ils opèrent dans des contraintes d’ingénierie explicites et des processus de développement reproductibles, plutôt que d’essayer de générer une application entière à partir d’une seule requête.

Une application d’imagerie médicale construite par itérations

L’exemple de NVIDIA réutilisait un modèle existant de segmentation d’outils endoscopiques MONAI et une vidéo d’exemple Holoscan. L’entreprise a d’abord confirmé que l’application existante monai_endoscopic_tool_seg s’exécutait localement, puis a développé une application distincte autour du même pipeline d’apprentissage profond.

La nouvelle application devait ajouter le rendu en direct des masques de segmentation, des analyses statistiques, de la télémétrie d’exécution et des benchmarks de performance reproductibles. NVIDIA a décrit l’objectif comme un workflow temps réel de bout en bout, mais le compte rendu fourni ne donne pas de chiffres précis de débit, de latence, de matériel ou de benchmark.

Plutôt que de demander à l’agent de codage d’implémenter tout d’un coup, l’ingénieur a divisé le travail en questions plus petites. Celles-ci incluaient la vérification de la bonne configuration de l’environnement, la possibilité d’exécuter le modèle et la vidéo dans une nouvelle application, et la possibilité d’améliorer les performances de rendu sans casser les fonctionnalités existantes.

Chaque itération suivait une structure similaire : l’ingénieur fixait un objectif et des contraintes, l’agent examinait les exemples et la documentation pertinents, l’agent implémentait et testait les modifications, puis l’ingénieur examinait le code et les résultats avant de définir la tâche suivante. Ce processus rendait les choix de conception vérifiables à mesure que l’application devenait plus complexe.

Comment les outils Holoscan guident l’agent

Le workflow combine trois ressources : le dépôt HoloHub, des compétences de développement et la CLI Holoscan. HoloHub est la collection complémentaire de NVIDIA d’applications et de composants de référence pour Holoscan. Sa documentation utilise une structure de divulgation progressive via agents.md, offrant à un agent un moyen de trouver des indications de plus en plus précises plutôt que de recevoir un bloc de contenu indifférencié.

Les compétences de développement incluent holohub-app-lifecycle et holohub-debug-build-run. Elles décrivent le cycle de vie attendu de l’application et les opérations nécessaires pour déboguer, construire et exécuter les projets. La CLI Holoscan, appelée via l’enveloppe ./holohub, fournit une interface d’exécution partagée.

Cette interface partagée est importante au-delà de la simple commodité. L’agent peut découvrir et exécuter des opérations de développement via les mêmes commandes CLI qu’un ingénieur peut inspecter, répéter et auditer. En principe, cela réduit l’écart entre le code généré par un agent et les commandes utilisées pour le valider.

NVIDIA indique que le workflow est agnostique vis-à-vis de l’agent. Pour la démonstration, l’entreprise a utilisé Codex avec GPT-5.6 en mode « sol max », en précisant que les temps de traitement mentionnés dans son article étaient approximatifs. L’exemple de l’entreprise illustre donc un processus plutôt que d’établir qu’un modèle ou un agent spécifique est requis pour le développement Holoscan.

Ce que montrent les preuves — et ce qu’elles ne montrent pas

NVIDIA rapporte que le développement itératif a amélioré le débit de l’application et réduit la latence à mesure que l’implémentation était benchmarkée et optimisée. L’entreprise décrit aussi une étude d’ablation dans laquelle la combinaison de la CLI Holoscan, des compétences de développement et de la documentation ou des exemples a produit le workflow le plus efficace et de la plus haute qualité par rapport à l’utilisation de la documentation seule ou de la CLI seule.

Ces résultats sont rapportés par le fournisseur. Le matériel source n’identifie pas d’évaluateur indépendant, ne divulgue pas la configuration complète des tests, ne fournit pas de résultats numériques de benchmark et n’établit pas comment le workflow se comporte avec différents agents, modèles, applications ou configurations matérielles. Les résultats doivent donc être lus comme des preuves issues de l’exercice de développement de NVIDIA lui-même, et non comme une garantie générale de performance pour l’ingénierie assistée par IA.

La publication fournit toutefois un signal plus concret sur l’usage des agents qu’une affirmation générique selon laquelle les assistants de codage peuvent écrire des logiciels. L’agent disposait d’une base de code existante, d’implémentations de référence, d’une documentation de processus et de contraintes explicites concernant la réutilisation du modèle, les preuves visuelles et l’intégrité des poids du modèle. La révision humaine restait présente à chaque itération, et c’était l’ingénieur — et non l’agent — qui fixait le prochain objectif.

Cette distinction est importante pour les charges de travail temps réel et médicales. Une implémentation générée peut compiler ou produire un résultat visuel tout en violant les objectifs de latence, en modifiant le comportement du modèle ou en rendant difficile la reproduction des performances. Le workflow de NVIDIA traite ces risques comme des questions d’ingénierie à tester, et non comme des hypothèses à déléguer au modèle.

Implications pour les développeurs et les équipes d’entreprise

Pour les développeurs Holoscan, la leçon immédiate est autant organisationnelle que technique : un agent a besoin d’une structure de projet navigable et d’outils opérationnels. Un dépôt avec des exemples, des instructions de cycle de vie, des procédures de débogage et des commandes standard donne à l’agent un chemin contraint à travers une infrastructure inconnue.

L’approche pourrait aussi aider les équipes à moderniser des applications de référence sans abandonner des composants validés. Dans l’exemple de NVIDIA, le modèle de segmentation et l’entrée d’exemple ont été réutilisés, tandis que l’application environnante gagnait en visualisation et en télémétrie. C’est une tâche plus étroite et plus contrôlable que de demander à un agent de choisir un modèle, de concevoir une architecture et de créer tout un pipeline d’imagerie médicale à partir de zéro.

Pour les acheteurs d’entreprise et les équipes produit, le workflow met en lumière plusieurs questions de déploiement. Les équipes devront déterminer quelles modifications générées nécessitent une approbation humaine, comment les poids du modèle et les données sont protégés, si les benchmarks sont reproductibles sur les appareils cibles et comment les régressions sont détectées lorsqu’un agent modifie le code de rendu ou de pipeline. Dans des environnements réglementés ou sensibles à la sécurité, l’auditabilité des commandes et des résultats de test peut être aussi importante que la vitesse de génération de code.

L’exemple pointe également une distinction concurrentielle entre les plateformes d’agents de codage. La valeur ne vient pas nécessairement du seul modèle de langage sous-jacent. Elle peut dépendre de la qualité avec laquelle l’agent se connecte à la documentation spécifique au domaine, aux outils exécutables, aux applications de référence et aux boucles d’évaluation. La contribution de NVIDIA consiste à regrouper ces éléments autour d’Holoscan et d’HoloHub, tout en laissant la couche agent remplaçable.

Ce qu’il faut surveiller ensuite

Le prochain signal utile sera de savoir si NVIDIA publie des résultats numériques pour l’application endoscopique, y compris la configuration matérielle, les comparaisons de référence, le débit, la latence, ainsi que le coût ou le temps des itérations assistées par agent. Ces détails faciliteraient l’évaluation des gains d’optimisation rapportés.

Les développeurs devraient aussi surveiller si HoloHub ajoute davantage de compétences et d’exemples orientés agent pour d’autres charges de travail Holoscan, comme la robotique ou d’autres pipelines d’imagerie médicale. Une couverture plus large montrerait si le workflow se généralise au-delà d’une seule application.

Enfin, des tests indépendants sur différents agents de codage et modèles aideraient à distinguer la contribution du dépôt et de la CLI de NVIDIA des capacités de l’agent particulier utilisé dans la démonstration. Des preuves sur les taux d’échec, l’effort de révision et la reproductibilité seraient particulièrement pertinentes pour l’adoption en entreprise.

Perspective Creati.ai

L’annonce de NVIDIA doit être comprise avant tout comme un plan pour une ingénierie agentique bornée, et non comme une preuve qu’un agent de codage IA peut développer de manière indépendante des logiciels médicaux temps réel de niveau production. La partie la plus forte de l’exemple est la boucle de rétroaction : objectifs contraints, outils exécutables, résultats benchmarkés et révision humaine.

Pour les constructeurs d’IA, la conclusion plus large est pratique. Les agents deviennent plus fiables lorsque les équipes transforment les connaissances du projet en instructions facilement trouvables et intègrent la validation dans le même workflow que l’implémentation. La capacité de la pile Holoscan de NVIDIA à offrir cet avantage à grande échelle dépendra de benchmarks indépendants, d’exemples plus nombreux et de preuves que le processus réduit l’effort d’ingénierie sans affaiblir la fiabilité ni la supervision.