Fauconie

Falkonry est une plateforme de données d'amélioration des opérations d'IA en séries chronologiques pour les scénarios industriels. Il découvre automatiquement les anomalies et les modèles dans les séries temporelles multivariables grâce à la technologie brevetée PatternIQ™, prend en charge l'architecture de déploiement de la périphérie au cloud et aide les secteurs de la fabrication, de l'énergie, de la défense nationale et d'autres domaines à passer de la surveillance manuelle à la prise de décision automatisée.

Examen approfondi de #Falkonry : Comment le « Falcon » d'Industrial Sequential AI transforme le bruit des capteurs en signaux de prise de décision

Paramètres et statistiques de base

Projet	Spécifications
Positionnement du produit	Plateforme de données d'amélioration des opérations industrielles (Plateforme de données d'amélioration opérationnelle)
Technologie de base	PatternIQ™ — Intégration d'échelles multi-temporelles d'auto-encodeur variationnel convolutif
Industries cibles	Industrie manufacturière, énergie, défense et renseignement Observabilité informatique, gestion des installations
Mode de déploiement	Cloud public, cloud de pool de ressources privé, cloud du gouvernement américain, déploiement isolé, matériel de périphérie tout-en-un
Certification de conformité	SOC2 (Déploiement Cloud Public)
Nombre de brevets	Plus de 14 brevets américains, brevets au Canada, en Europe, au Japon et dans d'autres pays
Clients types	Marine américaine, US Air Force, Département américain de l'énergie Nucor, Stelco, Toyota, Western Digital, Chesapeake Energy
Dernière version	Plateforme d'IA de séries chronologiques (TSI) — 2026.07
Modèle de tarification	Contactez Business pour obtenir un devis (un essai peut être demandé)
Formulaire d'assistance	Cloud SaaS, déploiement privé, matériel de pointe, déploiement indépendant de l'air gap

Falkonry n'est pas un « outil de conversation IA » ou un « outil de génération de contenu » au sens traditionnel du terme, mais une plateforme d'analyse séquentielle d'IA de bout en bout pour des scénarios d'exploitation industrielle. Sa principale différenciation est qu'il peut découvrir automatiquement des anomalies et des modèles à partir de flux de capteurs bruts sans équipe de data scientists, données annotées ou seuils prédéfinis.

Reconnaissance des utilisateurs et du marché

• Adoption approfondie du système du ministère de la Défense des États-Unis : Falkonry a reçu le contrat SBIR Phase II de l'US Air Force, et ses produits ont été directement adoptés par l'US Navy, l'Air Force Life Cycle Management Command (AFLCMC) et le Naval Sea Systems Command (NSWC), indiquant qu'il a passé avec succès une vérification technique extrêmement stricte au niveau militaire.
• Forbes AI Top 50 (2021) : sélectionnée par Forbes comme « Entreprises d'IA les plus prometteuses d'Amérique », et de nombreuses sociétés d'IA bien connues ont également été sélectionnées au cours de la même période.
• CB Insights AI Top 100 (2022) : Reconnu en permanence par les analystes de marché, se démarquant parmi des centaines d'entreprises d'IA candidates.
• Top Venture Capital Endorsement : Les investisseurs de soutien incluent Zetta Venture Partners, Polaris Partners et In-Q-Tel (IQT), une filiale du système de renseignement américain, qui se concentre sur l'investissement dans les technologies de pointe au service de la sécurité nationale.
• Vérification par de grands clients industriels : Nucor (le plus grand producteur d'acier aux États-Unis), Stelco, Ternium, Toyota Material Handling, Western Digital, Chesapeake Energy, Civitas Resources et d'autres sociétés manufacturières et énergétiques l'ont effectivement déployé.
• Commentaires des analystes : Justin Isaacs, vice-président de Sumitomo Corporation, a déclaré publiquement que « le système numérique hautement automatisé de Falkonry a augmenté la productivité des analystes à plusieurs reprises, leur permettant de prendre de manière autonome des décisions analytiques plus complexes et de découvrir de nouveaux types d'informations. »

Avantage de coût

Côté C/individuel

Falkonry n'est pas destiné aux utilisateurs individuels et ne propose pas d'abonnement à une version personnelle. Les ingénieurs intéressés peuvent soumettre des échantillons de données via le site Web officiel pour postuler à un essai, mais l'utilisation commerciale formelle doit être liée à l'achat de la version entreprise.

Développeur/API

La plateforme fournit une interface API REST (la documentation couvre les métadonnées du signal, les données brutes du signal, les règles et alertes, la détection des anomalies, les évaluations, etc.), mais l'accès à l'API n'est pas vendu indépendamment par jeton ou volume d'appels, mais est fourni dans le cadre de la plateforme d'entreprise. Les développeurs doivent obtenir les autorisations du compte d'entreprise avant de pouvoir appeler l'API. Le prix n'a pas été divulgué et le devis commercial officiel prévaudra.

Entreprise/Privatisation

Le modèle de tarification de Falkonry est un modèle privé/d'abonnement typique au niveau de l'entreprise, veuillez contacter l'équipe commerciale pour un devis. Les dimensions suivantes influencent le prix final :

• Formulaire de déploiement : cloud public SaaS vs pool de ressources privé vs cloud gouvernemental vs déploiement air gap vs matériel de périphérie. La complexité de l'architecture affecte directement les coûts d'infrastructure.
• Échelle des données : le nombre de signaux consultés, la fréquence d'échantillonnage et la période de stockage affectent les ressources de calcul et de stockage.
• Modules fonctionnels : la détection d'anomalies Core PatternIQ™, le moteur de règles, le système de reporting, la fédération Edge et d'autres modules peuvent être autorisés sur demande.
• Suggestion d'approvisionnement : Puisqu'il n'y a pas de liste de prix publique, les entreprises devraient au moins exiger avant d'acheter : (1) Clarifier la méthode d'autorisation de chaque module (utilisateurs nommés/accès simultané/volume de données) ; (2) Confirmer si le champ d'application de la conformité SOC2 couvre le formulaire de déploiement attendu ; (3) Le déploiement en espace aérien nécessite une confirmation distincte des conditions de soutien à l’exploitation et à la maintenance.

Coûts cachés :

• Les machines matérielles tout-en-un Edge nécessitent un approvisionnement physique et un transport et ne conviennent pas aux expériences agiles purement cloud.
• Les mises à jour des modèles et la synchronisation des données dans le cadre d'un déploiement en espace restreint nécessitent un transfert de support manuel, et la complexité d'exploitation et de maintenance est supérieure à celle d'un déploiement cloud conventionnel.
• De l'essai à l'achat formel, le cycle PoC (preuve de concept) peut prendre plusieurs semaines, ce qui n'est pas adapté au scénario rapide et à court terme de « achat et utilisation ».

Fonctions principales

• Détection automatique des anomalies PatternIQ™ : Basé sur l'encodeur automatique variationnel convolutionnel, il apprend automatiquement les intégrations à plusieurs échelles de temps et identifie les anomalies aux niveaux de forme, de forme d'onde et de distribution de valeurs. Les utilisateurs n'ont pas besoin d'étiqueter les données ou de seuils prédéfinis. La plateforme découvre automatiquement des « anomalies jamais vues auparavant » à partir des signaux originaux.
• Fusion et orchestration de données multi-sources : prend en charge nativement l'accès à plusieurs sources de données telles que MQTT, OTel, S3, etc., et peut traiter des données numériques et catégorielles sans rééchantillonnage ni compression. Prend en charge l'organisation des données dans une structure hiérarchique à plusieurs niveaux pour faciliter le filtrage par dimensions d'actifs.
• Visualisation haute densité et analyse interactive : fournit des vues telles que des listes de séries chronologiques, des graphiques de distribution, des cartes thermiques et des graphiques à compartiments, prenant en charge un zoom transparent depuis un aperçu mensuel des données haute fréquence de 100 Hz jusqu'aux détails de deuxième niveau, aidant ainsi les ingénieurs à localiser rapidement les écarts de modèle.
• Moteur de règles et alarme haute confiance : superposez une logique de débruitage spatial et temporel sur la sortie de l'IA pour transformer les conditions de corrélation continue de plusieurs signaux en événements discrets exploitables. Prend en charge l'anti-rebond et l'évaluation de l'état des fenêtres, réduisant considérablement la « fatigue des alarmes ».
• Architecture de fédération Edge to Cloud : la machine matérielle tout-en-un de périphérie peut fonctionner indépendamment dans des conditions de déconnexion/faible bande passante/refusée, et se synchronise automatiquement avec le cloud pour regrouper les informations et recevoir des mises à jour de modèle lorsqu'elle est en ligne. Les appareils Edge prennent en charge la vérification des données en temps réel pour empêcher la « collecte de données vides ».
• Jumeaux numériques, développement unique et déploiements multiples : les ingénieurs peuvent créer des modèles de modèles (jumeaux numériques) pour les types d'actifs et les appliquer à plusieurs actifs du même type par lots après une vérification afin de maintenir la cohérence au niveau de l'entreprise.

Point de vue d'un expert

La véritable valeur de Falkonry ne réside pas dans une seule fonction, mais dans la fermeture formée par « pas d'étiquetage + pas de seuil + périphérie vers le cloud » : les solutions d'IA industrielles traditionnelles exigent que les data scientists étiquetent d'abord les échantillons anormaux, entraînent les modèles, les déploient en périphérie, puis analysent manuellement les résultats - chaque étape est une pause en cascade. PatternIQ™ de Falkonry élimine le besoin d'annotation et d'ingénierie de fonctionnalités. Le moteur de règles digère le bruit de la sortie de l’IA. L'architecture de pointe permet aux données d'être nettoyées et contextualisées à la source, et finalement renvoyées vers le cloud pour former un « volant analytique » pour une amélioration continue du modèle. Cela compresse efficacement un cycle de science des données de plusieurs mois en semaines, voire en jours.

Evolution du modèle et de la version

Version principale

• 2020.0 — Lancement de la gamme de produits d'IA opérationnelle (février 2020) : lancement de deux nouveaux produits d'IA opérationnelle, axés sur un coût total de possession réduit et un délai de rentabilisation plus court. Dans le même temps, il a reçu un financement supplémentaire pour le développement de l’IA de la part de l’US Air Force.
• 2022.0 — Intégration de la plateforme TSI (2022) : Renforcez les capacités d'IA de pointe, lancez le concept de plateforme Time Series AI, intégrez le moteur PatternIQ™ et plusieurs modes de déploiement. La même année, elle entre dans Oracle OCI Marketplace.
• 2024.0 — Nouvelle architecture (2024) : Reconstruire la planification de l'horloge des données et la gestion des modèles, introduire le concept d'« espace de travail commun » et soutenir la construction de jumeaux numériques dans la dimension des actifs. L'API est itérée vers la version 1.2, ajoutant des capacités d'exploitation de données plus précises.
• 2026.07 — Dernière itération : améliorations continues du moteur PatternIQ™, du mécanisme de synchronisation de fédération Edge et de la couverture de conformité SOC2. Au total, plus de 14 brevets américains ont été accordés.

Fonctionnalités de la version

Le chemin d'évolution des versions de Falkonry reflète un rythme clair de « vérification de l'industrie militaire → généralisation industrielle → plate-forme » : au début, il a utilisé des projets de l'industrie militaire comme scénario de perfectionnement technologique, à moyen terme, il a étendu la commercialisation auprès de clients leaders dans les industries de l'acier et de l'énergie, et dans un avenir proche, il couvre un plus large éventail d'industries réglementées à travers de multiples modèles de déploiement (cloud gouvernemental, air gap, edge).

Avantages techniques

PatternIQ™ : Pourquoi « apprendre sans annotation »

Le brevet principal de Falkonry, PatternIQ™, est un auto-encodeur variationnel convolutif (Convolutional VAE). Sa conception clé réside dans l'intégration à plusieurs échelles de temps : les méthodes traditionnelles de détection des anomalies de synchronisation (telles que les règles de seuil, le contrôle statistique des processus) ne peuvent capturer les écarts qu'à une seule granularité temporelle, tandis que PatternIQ™ apprend simultanément les modèles de forme d'onde au niveau de la milliseconde, de la seconde, de la minute ou même du jour grâce à la planification de l'horloge des données. Cela signifie qu'il peut faire la distinction entre la « gigue marche-arrêt normale de l'équipement » et les « tendances réelles de dégradation » sans qu'il soit nécessaire de prédéfinir manuellement des seuils pour chaque condition de travail.

Moteur d'horloge de données : résoudre le problème de "l'arrivée dans le désordre"

Les données des capteurs industriels souffrent souvent de problèmes tels qu'une arrivée dans le désordre, un taux d'échantillonnage inégal et une dépendance multi-sources. Le moteur Data-Clock de Falkonry effectue des calculs de modèle indépendamment de l'ordre d'arrivée des données, gérant automatiquement l'alignement des fenêtres et le suivi des dépendances. Cela permet à la plateforme de gérer uniformément les rediffusions historiques, les données de streaming en ligne et les scénarios de simulation sans avoir besoin de codage ETL supplémentaire.

Débruitage espace + temps : dites adieu à la fatigue des alarmes

Les résultats des modèles d’IA pure contiennent souvent un grand nombre de faux positifs. Falkonry superpose une couche de « débruiteur spatial + temporel » basée sur des règles après la couche de raisonnement de l'IA : ce n'est que lorsque les anomalies sont confirmées simultanément sur plusieurs signaux associés (corrélation spatiale) et durent pendant une fenêtre de temps suffisante (persistance temporelle), qu'une alarme sera générée. Cela améliore considérablement le rapport signal/bruit des alarmes, permettant aux ingénieurs de terrain de se concentrer uniquement sur les événements qui nécessitent réellement une intervention.

Edge Federation : Souveraineté des données dans le contexte DDIL

Pour les scénarios de défense et d’installations distantes, les connexions réseau peu fiables sont la norme. La machine tout-en-un matérielle de pointe de Falkonry peut fonctionner de manière indépendante dans un environnement complètement déconnecté (entrefer), avec une vérification des données intégrée (pour empêcher l'exploitation minière à vide), une annotation automatique des métadonnées et des capacités de raisonnement local. Se synchronise automatiquement avec le cloud après la reconnexion à Internet, réalisant un flux de travail consistant à « quitter les lieux avec des réponses » au lieu de « ramener le disque dur au laboratoire pour analyse ».

Comment utiliser

Entrée de déploiement

Falkonry ne propose pas d'entrée d'inscription publique en libre-service. Le chemin d'utilisation est généralement divisé en les étapes suivantes :

1. Demander un essai : Soumettez la description de l'échantillon de données (taux d'échantillonnage, format des données, source, etc.) sur le site officiel. L'équipe Falkonry évaluera et ouvrira l'essai.
2. Accès aux données : accédez aux données de séries chronologiques historiques ou en temps réel via MQTT, OTel, S3 et d'autres protocoles, et la plateforme complète automatiquement la contextualisation et l'annotation des métadonnées.
3. Initialisation du modèle : sélectionnez l'ensemble de signaux cibles et PatternIQ™ initialise automatiquement le modèle de détection d'anomalies sans configurer manuellement les paramètres.
4. Évaluation et réglage : utilisez la capacité de back-test pour vérifier l'effet du modèle sur les données historiques et superposez le moteur de règles pour le débruitage des alarmes.
5. Surveillance en ligne : transférez le modèle vers l'environnement en ligne (cloud ou périphérie) et affichez les alarmes en temps réel et l'état de santé des actifs via le panneau de surveillance unifié.
6. Itération continue : sur la base des données d'exploitation nouvellement générées, la plate-forme prend en charge les mises à jour incrémentielles du modèle sans nouvelle formation à partir de zéro.

Accès aux API

Falkonry fournit une couverture complète de l'API REST, notamment :

• Métadonnées du signal : gérez les métadonnées telles que les noms des signaux, les unités, les étiquettes, etc.
• Données brutes du signal : lire et écrire des points de données brutes de séries chronologiques
• Règles et alertes : créez et gérez des règles et des configurations d'alertes
• Détection d'anomalies : initialisez et exécutez le modèle de détection d'anomalies
• Évaluations : gérez les évaluations et le suivi en ligne
• Calculs : effectuez des transformations de calcul personnalisées

Tout accès API doit être utilisé dans le cadre d’un compte d’entreprise ouvert, et la méthode d’authentification doit être soumise à des documents officiels.

Intégrations clés

La plate-forme prend en charge l'intégration avec des systèmes tiers tels que Zapier et EnsureX, et peut réaliser l'automatisation des flux de travail telles que les notifications d'alarme et la création d'ordres de travail via des Webhooks et des API REST.

Prix des produits

La tarification de Falkonry est une version privée au niveau de l'entreprise. Voici une structure basée sur l’information publique :

Dimensions	Descriptif
Essai gratuit	Application d'essai disponible, mais pas de version gratuite permanente
Cloud public SaaS	Tarification basée sur le volume de données et les modules fonctionnels, communication d'entreprise requise
Pool de ressources privé	Augmenter le coût des ressources isolées basées sur le cloud public
Cloud du gouvernement américain	Déploiement de conformité dédié pour les clients du gouvernement fédéral
Déploiement de l'espace d'air	Entièrement isolé, y compris les coûts du matériel de pointe
Matériel de pointe	Machine tout-en-un matérielle indépendante (configuration recommandée : 4 CPU/64 cœurs/256 Go de RAM + NVMe amovible 100 To)

Les recommandations de l'entreprise en matière d'approvisionnement sont détaillées dans « Résumé et perspectives ».

Scénarios d'application

• Maintenance prédictive (fabrication/énergie) : les équipements de production dans des secteurs tels que l'acier, le pétrole, le gaz et la chimie reçoivent généralement des centaines, voire des milliers de signaux de capteurs. Falkonry apprend automatiquement le modèle multivariable des conditions de fonctionnement normales et émet une alerte précoce lorsque des tendances de dégradation apparaissent pour la première fois, plutôt que d'attendre d'en analyser la cause après l'arrêt. Avantages typiques : convertissez les temps d'arrêt imprévus en maintenance planifiée et réduisez les pertes dues aux temps d'arrêt de production.
• Analyse des données des capteurs de défense : les systèmes militaires tels que les drones, les radars et les sonars génèrent d'énormes quantités de données de télémétrie haute fréquence. Le matériel de pointe de Falkonry peut effectuer une analyse indépendante dans des situations de déni du champ de bataille, générant ainsi des informations sur site sans avoir besoin d'une liaison vers un centre de données. Avantages typiques : De « ramener le disque dur à la base pour analyse » à « obtenir des réponses sur place ».
• Observabilité informatique et SRE : évaluez automatiquement le rayon d'explosion des événements SLO pour aider l'équipe SRE à localiser rapidement l'épicentre de l'incident et à accélérer l'analyse des causes profondes grâce à la correspondance de modèles historiques. Avantages typiques : Réduisez le temps moyen de réparation (MTTR) et réduisez l'investissement manuel des ingénieurs dans le dépannage des alarmes.
• Gestion des véhicules et des installations : pour des scénarios tels que Toyota Material Handling avec un grand nombre d'appareils mobiles, Falkonry peut accéder aux données des capteurs du véhicule et détecter les premiers signaux de défaut tels que des vibrations anormales et des excursions de température en temps réel. Avantages typiques : Durée de vie prolongée de l'équipement et inventaire de pièces de rechange optimisé.

Personnes concernées

• Ingénieur Processus et Fiabilité : Le bénéficiaire le plus direct. Aucune formation en programmation ou en science des données n'est requise, et l'accès aux données, l'initialisation du modèle et la configuration des alarmes peuvent être effectués via l'interface sans code, vous permettant de vous concentrer sur le jugement technique plutôt que sur le débogage du code.
• Équipe des opérations informatiques et SRE : convient aux scénarios dans lesquels les causes profondes doivent être rapidement localisées à partir d'énormes quantités de données d'observabilité. Le moteur de règles de la plateforme et les capacités d’évaluation du rayon de souffle réduisent considérablement le bruit des alarmes, permettant ainsi aux ingénieurs de garde de prioriser les événements vraiment importants.
• Analyste de la défense et du renseignement : le déploiement dans l'espace aérien + les capacités de fédération de périphérie le rendent qualifié pour les tâches d'analyse de données à la limite tactique, adapté aux scénarios militaires qui nécessitent une analyse sur site des données de télémétrie et ne peuvent pas compter sur la connectivité réseau.
• Leader de la transformation numérique industrielle : l'engagement de Falkonry « 3 semaines pour la mise en service » (par rapport aux mois des projets traditionnels de science des données) en fait un choix de couche d'analyse d'IA rapidement mis en œuvre dans l'Industrie 4.0 et les stratégies de jumeaux numériques.

Ne convient pas à la foule :

• Petites équipes ou développeurs indépendants qui souhaitent un SaaS pur cloud prêt à l'emploi et payant par appel d'API (le modèle économique d'entreprise de Falkonry n'est pas adapté à une exploration légère).
• Les équipes de recherche qui doivent personnaliser en profondeur l'architecture du modèle d'apprentissage profond (PatternIQ™ est un noyau fermé et ne prend pas en charge les structures de réseau personnalisées).
• Les équipes d'exploitation et de maintenance traditionnelles qui n'ont besoin que de simples alarmes de seuil plutôt que d'une analyse par IA (le seuil et le coût des moteurs de règles sont plus élevés que ceux des outils de surveillance traditionnels).

Résumé et Outlook

La principale compétitivité de Falkonry réside dans ses capacités d'IA séquentielle industrielle qui sont « sans étiquette, auto-apprenantes et peuvent fonctionner de manière indépendante à la périphérie ». Il contourne la dépendance des solutions d'IA industrielles traditionnelles à une équipe de data scientists, permettant aux ingénieurs de terrain de posséder directement des capacités de détection d'anomalies et de reconnaissance de formes. 14 brevets américains, une validation client de niveau militaire (U.S. Air Force/Navy) et l'approbation par des tiers du Forbes AI 50/CB Insights AI 100 ajoutent à la crédibilité de sa technologie.

Limites et incertitudes actuelles :

• La tarification est complètement opaque et les achats des entreprises doivent passer par une chaîne complète de communication commerciale-POC-négociation commerciale, ce qui n'est pas adapté à une évaluation à cycle court.
• La portée de l'intégration écologique est limitée, principalement en raison de la connexion avec quelques plates-formes telles que Zapier/MaintainX pour réaliser des alarmes et des ordres de travail, et manque d'intégration native dans des plates-formes Internet industrielles à grande échelle telles que Siemens MindSphere ou PTC ThingWorx.
• Le support du marché non anglais n'a pas été divulgué et il existe une incertitude quant aux capacités et aux canaux de support dans la région Asie-Pacifique.
• IFS a annoncé une acquisition mais ne l'a finalement pas finalisée. Le statut opérationnel indépendant de l'entreprise et son rythme de financement peuvent affecter la stabilité de la feuille de route des produits à moyen et long terme.

Évaluation des risques d'approvisionnement/d'adoption : Pour les entreprises envisageant d'introduire Falkonry, il est recommandé d'adopter une stratégie « pilote d'abord et expansion progressive » : (1) Sélectionnez une ligne de production ou une installation comme PoC pour vérifier le taux de détection d'anomalies et le taux de fausses alarmes de PatternIQ™ dans ces conditions de travail spécifiques ; (2) Clarifier les conditions commerciales de chaque forme de déploiement (cloud public/privé/air gap) pendant la phase PoC, en particulier l'exportation de données, la propriété IP du modèle et le SLA ; (3) Confirmer le cycle de livraison des achats et le système de support à l'exploitation et à la maintenance du matériel de pointe pour éviter les retards de promotion dus aux goulots d'étranglement matériels ; (4) Faites attention à l'état de la gouvernance d'entreprise après l'échec de l'acquisition d'IFS et recommandez d'ajouter des clauses d'engagement de feuille de route produit au contrat. Dans l'ensemble, Falkonry présente des avantages techniques irremplaçables dans les scénarios militaires et de l'industrie lourde, mais pour les petites et moyennes entreprises manufacturières qui ont besoin d'une tarification SaaS légère et standardisée, le coût total de possession devra peut-être être évalué plus attentivement.

Outils associés : hugging-face, replicate

Informations de version

• Plateforme d'IA de séries chronologiques (TSI) ：La plate-forme d'IA séquentielle industrielle itérative en continu prend en charge une chaîne de capacités complète telle que la détection d'anomalies PatternIQ™, le moteur de règles et l'informatique de pointe. Il n’y a pas encore de date officielle précise. （~2026-07）
• Plateforme STI Falkonry ：Lancement d'une nouvelle génération d'architecture de plate-forme Time Series AI pour reconstruire les capacités de planification de l'horloge des données et de gestion des modèles. Il n’y a pas encore de date officielle précise. （~2024-01）
• IA opérationnelle de Falkonry ：Lancement de la gamme de produits Operational AI pour renforcer l’IA de pointe et la prise en charge des modèles de déploiement multiple. Il n’y a pas encore de date officielle précise. （~2022-01）
• Moteur de prédiction Falkonry ：Lancement de deux nouveaux produits d’IA opérationnelle pour réduire le coût total de possession et raccourcir le délai de rentabilisation. Il n’y a pas encore de date officielle précise. （~2020-02）