NouveauFinancement BEI obtenu

Infrastructure d'IA comportementale fondée sur la science computationnelle

Synerise est un écosystème alimenté par l'IA pour les données comportementales, l'analyse prédictive et l'hyper-personnalisation — conçu pour les entreprises qui avancent plus vite que leurs concurrents.

Behavioral Data Hub
Hub de Données Comportementales

Rejoignez les organisations innovantes qui utilisent la Plateforme Synerise

et explorez des centaines de cas d'usage low code

Banco Ripley
Carrefour
Castorama
CCC
Coca-Cola
Crocs
Decathlon
DOZ
Drogaria São Paulo
Empik
eobuwie
G2A
H&M
Homla
Hugo Boss
IKEA
InPost
JD
mBank
Media Expert
Modivo
New Balance
Nike
Orange

Pourquoi Synerise ?

Construite différemment. Construite pour durer.

La plupart des plateformes assemblent des outils tiers et appellent ça un produit. Synerise construit chaque couche de zéro — créant la seule infrastructure IA où données, intelligence et automatisation sont véritablement un seul système.

0 % DE DÉPENDANCE FOURNISSEUR

Technologie propriétaire

Chaque couche — de TerrariumDB à BaseModel.ai — est développée en interne. Aucune dépendance vis-à-vis d'une IA, d'une base de données ou d'un fournisseur cloud tiers.

0K PRÉDICTIONS/SEC

IA primée

Le modèle fondation comportemental remporte des compétitions internationales et alimente des prédictions en temps réel à l'échelle de l'entreprise.

LATENCE <50MS

Temps réel par défaut

De la capture de l'événement à l'enrichissement du profil jusqu'à la décision IA — tout se déroule en moins de 50 millisecondes. Pas en traitement par lots. Pas en quasi-temps réel. En temps réel.

0 JOURS JUSQU'AU ROI

Valeur immédiate

Passez en production en quelques semaines, pas en quelques mois. Modèles d'IA préconçus, intégrations prêtes à l'emploi et accompagnement guidé vous permettent d'obtenir un ROI mesurable en 90 jours — et non au terme d'un projet de mise en œuvre d'un an.

0 HUBS INDÉPENDANTS

Architecture composable

Déployez uniquement ce dont vous avez besoin. Chaque hub fonctionne indépendamment ou de concert — de l'ingestion des données à l'IA, en passant par l'automatisation et la diffusion d'expériences.

0B ÉVÉNEMENTS/MOIS

Échelle planétaire

Conçue pour gérer 57 milliards d'événements par mois, 50,19 milliards d'appels API et 17,68 milliards de décisions de workflow — avec une scalabilité horizontale linéaire.

CERTIFIÉ ISO 27001

Sécurité d'entreprise

SaaS, Private Cloud ou On-Premise. GDPR, SOC 2, architecture zero-trust. Vos données, vos règles, votre infrastructure.

0 PLATEFORME, PAS 12 OUTILS

Plateforme de bout en bout

Remplacez votre stack cloisonné de CDP, moteurs de personnalisation, outils d'analytique et solutions de marketing automation par un système unifié.

Plateforme

Une plateforme. Des possibilités infinies.

Synerise combine données comportementales en temps réel, IA prédictive et automatisation dans une plateforme d'infrastructure composable — construite de zéro pour évoluer avec votre entreprise.

Behavioral Data Hub

Behavioral Data Hub

Traitement continu des signaux comportementaux à une échelle illimitée

Le moteur de données propriétaire Terrarium capture, transforme et enrichit des flux comportementaux hétérogènes pour en faire des représentations de profil évolutives. Chaque événement observé met à jour un graphe d'identité dynamique — permettant l'inférence en temps réel, la personnalisation et la modélisation prédictive.

En savoir plus sur Behavioral Data Hub
Behavioral Data Hub
Intégrer les données

Couche d'ingestion de signaux unifiée

Consolidez des flux de données comportementales, opérationnelles et contextuelles hétérogènes en un plan d'observation unique — avec déduplication déterministe et latence inférieure à la seconde.

ProduitsOffresFlux de clicsCalls & Chat LogsOnline & POS PurchasesProfils comportementauxSystèmes tiersDonnées météoLocalisations
SDK Web
Mobile
POS
API
CRM
Cloud
Couche de données unifiée
Pipeline d'ingestion en temps réel
Unifier l'information

Unification continue de l'état des profils

Fusionnez séquences d'interaction, historiques de transactions, vecteurs d'attributs et chronologies d'activité en une représentation d'entité unique et évolutive.

Gestion du consentementVue unifiée du profilFusion de profilsProgrammes de fidélitéMessagerie en temps réelAnalytique approfondieContrôle des politiquesAttributs dynamiques
Profil unifié
ID: 8f3a…e91d
En direct
2,481
Événements
94
Score
$1.2k
LTV
Email ouvertil y a 2m
Produit consultéil y a 12m
Achat #4821il y a 1h
Session de l'appil y a 3h
Gérer les données et contrôler les accès

Primitives de contrôle d'accès et de gouvernance des données

Politiques formelles de contrôle d'accès, traçabilité complète des données auditables et gestion d'objets à schéma flexible — conçues pour la conformité réglementaire à l'échelle de l'entreprise.

Accès APIGestion de catalogueGestionnaire d'événements de streamingImportateur de données en libre-serviceObjets personnalisésFiltrage avancé des rôlesACL & password policies
Contrôle d'accès
Administration
Analyste
Lecteur
Journal d'audit
Clé API renouvelée · il y a 4m
Rôle mis à jour · il y a 18m
Export bloqué · il y a 1h
Analyser les flux de données sur toute leur durée de vie

Analyse temporelle des flux d'événements

Dépassez les tableaux de bord statiques pour une analyse longitudinale — en observant comment les distributions comportementales, les dynamiques de cohortes et les états système évoluent dans le temps.

Modélisation d'attributionMétriquesSegmentation dynamiqueEntonnoirsHistogrammesTendancesDiagrammes de SankeyAnalyse du churnTableaux de bord
Tableau de bord analytique
1D7D30D
JanvJuinDéc
Entonnoir de conversion
Visites
Vues
Panier
Acheter
Prédire, décider et personnaliser

Modèles d'inférence prédictive et de recommandation

Appliquez l'apprentissage supervisé et auto-supervisé pour inférer l'intention, générer des recommandations au niveau de l'article et personnaliser les surfaces d'interaction — avec des mises à jour de modèle en ligne continues.

ScoringRecommandations basées sur l'AIPrédictionsModèles de propensionAudiences similairesRecherche visuelleSegmentation comportementale
Moteur IA
Traitement de 65K décisions/sec
Probabilité d'achat
Risque d'attrition
Score d'engagement
Recommandations
Automatiser et orchestrer

Orchestration et exécution de workflows adaptatifs

Composez des workflows dirigés en plusieurs étapes avec branchements conditionnels, synchronisation système et boucles d'optimisation pilotées par le feedback.

Tests A/B/XTransformations de donnéesSynchronisation de systèmesAutomatisation des workflowsStudios de contenuPriorisation des servicesMessagerie contextuelle
Constructeur de workflows
Actif
Déclencheur
Panier abandonné
Attendre 2 heures
Nœud de délai
Division A/B
Répartition égale
E-mail
Personnalisé
Push
App mobile
Diffuser du contenu et activer les profils

Distribution multicanale multimodale

Diffusez des interventions comportementales sur l'ensemble de la topologie des canaux — avec sélection contextuelle, optimisation de la fréquence et feedback de signal en temps réel.

SMSE-mailPush mobileContenu web dynamiqueIn-AppExternal Apps & POSRéseaux sociauxRéseaux publicitairesLocalisations
Gestionnaire de campagnes
Diffusion
E-mail
Envoyés 12.4K
SMS
Envoyés 8.1K
Push
Envoyés 24.7K
Web
En direct
In-App
En direct
Social
En file d'attente
Créer, connecter et étendre

Couche d'extensibilité : API, SDK et portails personnalisés

Un framework d'extension programmable — API, SDK, services d'identité et systèmes de templates — conçu pour un comportement déterministe et une sécurité de niveau entreprise.

Inscription en tant que serviceLogin en tant que serviceAccès API unifiéTemplates & CookbooksSAMLSystème de designSDKs & Webhooks
Console API
GET/v4/profiles200
POST/v4/events/batch201
GET/v4/recommendations200
Webhooks
12 actifs
SDKs
JS · iOS · Android
SAML & SSO
Azure Entra ID · OIDC
Nouvelle Capacité

Brickworks

CMS comportemental basé sur des schémas qui vous permet de créer des structures de données personnalisées — programmes de fidélité, catalogues de produits, configurations de campagnes — avec personnalisation IA et livraison zero-copy.

Flexibilité de Schéma
Personnalisation Native IA
Fédération Zero-Copy
Livraison API Unique
Brique de Contenu : LoyaltyProgram
En direct
tier_name:"Or"string
multiplier:2.5xfloat
benefits:[4 éléments]array
ai_variant:haute_valeurcomputed
7ms
Latence
3
Sources
v3.2
Schéma
Satya Nadella
"Synerise est capable de suivre chaque événement, sur chaque canal, pour le client — que ce soit mobile, web, retail, présence physique. Tout cela est un signal collecté en continu, traité, puis l'IA est appliquée, des workflows sont appliqués pour piloter l'expérience."

Satya Nadella

CEO, Microsoft

Microsoft

Échelle & Infrastructure

Conçue pour une échelle mondiale.

L'infrastructure propriétaire de Synerise a été construite de zéro pour fournir du calcul en temps réel à l'échelle mondiale — traitant les requêtes à travers plusieurs régions avec une faible latence et un haut débit.

57B

Événements collectés par mois

229B

Requêtes vers TerrariumDB par mois

5.53B

Recommandations, recherches & prédictions IA par mois

1.85B

Événements de visite de page collectés par mois

1.5B

Événements de vue mobile collectés par mois

129TB

Données envoyées via API par mois

>1.19B

Contenu dynamique unique généré par mois

~207K

Requêtes vers TerrariumDB par seconde en pointe

35K

Appels API par seconde en pointe

65K

Décisions IA par seconde en pointe

150B EUR

GMW traité annuellement

1.97B

Messages hyperpersonnalisés envoyés par mois

17.68B

Décisions dans les workflows par mois

50.19B

Appels API par mois

6B

Profils comportementaux scannés quotidiennement

16,400

Pods Kubernetes

750+TB

Taille du disque

890+

Nœuds Kubernetes

420+

Machines virtuelles

40M+

SKU traités dans les flux

71+TB

RAM

14,400+

vCPU

114

Clusters de bases de données

42B+

Lignes dans les clusters Postgres

3K

Opérateurs actifs sur la plateforme Synerise

70+

Partenaires actifs dans le monde

1,000+

Certificats Synerise délivrés

>540

Espaces de travail en production

>220

Organisations

49

Pays de 6 continents

+138 % vs HSTU — Nouveau SOTA en recommandation séquentielle
basemodel.ai

Le modèle fondamental comportemental.

Un unique modèle auto-supervisé qui ingère l'intégralité de votre data warehouse et transforme toute question comportementale sur n'importe quel individu en une prédiction prête pour la production — en heures, pas en mois, sans agrandir votre équipe.

8 B+
Événements par entraînement
18 M+
Clients par entraînement
<1 ms
Latence de classification
9 ms
Recommandations 6 M items par utilisateur (1× H100)

Le pipeline de pré-entraînement et d'ajustement fin

Des données comportementales brutes aux prédictions prêtes pour la production — un pipeline en quatre étapes qui élimine la complexité du ML traditionnel.

Phase 1Cleora-NX

Embeddings d'hypergraphe propriétaires

Chaque événement comportemental est une hyperarête reliant simultanément toutes les parties prenantes — utilisateur, produit, catégorie, marque, horodatage. Cleora-NX — le moteur d'embedding de graphes propriétaire de Synerise, fondé sur les travaux publiés à ICONIP 2021. Uniquement en production ; avec d'importantes extensions de performance et de fonctionnalité — non open source. S'exécute en temps proportionnel au nombre d'hyperarêtes ; converge en quelques itérations sur des graphes comportant des milliards d'interactions, en quelques minutes.

Cleora-NX — propriétaire, jamais publié ; le Cleora open source en est le prédécesseur
Prise en charge multimodale et extensions d'interaction temporelle au-dessus de la mise à jour publique de Cleora
Déterministe — aucune variance d'entraînement, aucun GPU requis
Passe à l'échelle sur des graphes de millions de nœuds et de milliards d'interactions
Phase 2TREMDE

Density sketches propriétaires

Les embeddings Cleora-NX (ainsi que tout embedding texte, image ou tabulaire) sont agrégés en density sketches de taille fixe par TREMDE — l'extension propriétaire et temporellement consciente de Synerise de l'algorithme open source EMDE (Synerise, ICONIP 2021). TREMDE produit des codes sparse composables par sommation — additionner les codes de deux entités donne le code de leur comportement combiné — et ajoute la modélisation des interactions temporelles, des extensions spécifiques par modalité et d'autres améliorations internes non décrites dans l'article EMDE d'origine. Chaque modalité est sketchée indépendamment puis concaténée ; la forme du sketch est auto-ajustée par le pipeline à partir de vos données — pas de configuration manuelle, pas de balayage d'hyperparamètres. Les nouveaux items dotés de caractéristiques de contenu reçoivent immédiatement des codes pertinents — un véritable cold-start sans réentraînement.

TREMDE — propriétaire, jamais publié ; l'EMDE open source en est le prédécesseur
Ajoute la modélisation des interactions temporelles et des extensions par modalité sur l'EMDE public
Forme du sketch auto-ajustée à partir de vos données — zéro configuration manuelle
Multimodal : caractéristiques de graphe, texte, image et tabulaires
Phase 3Foundation

Backbone FFN personnalisé

Pas un MLP de manuel. Un backbone feed-forward personnalisé, conçu spécifiquement pour les séquences comportementales, avec des biais inductifs propriétaires ajustés à la structure des données d'événements. Pas d'attention, pas de récurrence — et pourtant il capture la structure temporelle, les interactions entre caractéristiques et la fusion des modalités, ce qu'un MLP standard ne peut pas faire. L'objectif est l'appariement distributionnel : chaque profondeur du sketch cible est normalisée pour sommer à 1, et la perte est la cross-entropy entre les distributions de profondeur prédites et réelles, moyennée sur les profondeurs et les modalités.

Capture la structure temporelle sans récurrence ni attention
Modélise les interactions entre caractéristiques et la fusion des modalités en une seule passe
Une seule foundation se transfère à travers les scénarios — pas de réentraînement par tâche
Cross-entropy distributionnelle sur les profondeurs et les modalités
Phase 4Serving

Scoring propriétaire · Ray Serve

Les items candidats sont encodés en codes sparse TREMDE (composables par sommation). Les prédictions sont scorées par une méthode d'agrégation propriétaire optimisée pour les sketches comportementaux. Latence de classification inférieure à la milliseconde ; 9 ms par utilisateur pour scorer l'intégralité du catalogue rel-avito de 6 M items sur 1× H100. Servi via Ray Serve.

Méthode d'agrégation propriétaire optimisée pour les sketches comportementaux
Latence inférieure à la milliseconde pour la classification / régression
9 ms par utilisateur pour scorer un catalogue de 6 M items sur 1× H100
Déploiement Ray Serve pour le scoring batch et en ligne

Visualisation de l'espace d'embeddings

BaseModel.ai projette chaque client dans un espace d'embedding comportemental partagé. Les comportements similaires se regroupent — permettant une recherche instantanée par similarité, une segmentation et une détection d'anomalies.

Acheteurs à forte valeur
Risque de départ
Nouveaux utilisateurs
Utilisateurs avancés
Acheteurs saisonniers
Deal Seekers

Regroupement comportemental

Les utilisateurs aux comportements de navigation, d'achat et d'engagement similaires se regroupent naturellement dans l'espace d'embedding — sans aucune règle de segmentation manuelle.

Détection de dérive en temps réel

Lorsque le vecteur d'embedding d'un client se déplace vers un autre groupe (par ex. de « fidèle » à « à risque »), le système déclenche des interventions proactives.

Raisonnement analogique

L'espace d'embedding prend en charge l'arithmétique vectorielle : « acheteur à forte valeur » moins « acheteur fréquent » plus « nouvel utilisateur » révèle les prospects émergents à forte valeur.

Relations inter-entités

Produits, campagnes et canaux coexistent dans le même espace que les utilisateurs — permettant des recommandations par plus proche voisin et l'appariement contenu-utilisateur.

cleora.ai

Cleora.ai — Le moteur d'embeddings

Un moteur d'embedding de graphes à usage général qui transforme des graphes complexes et multi-relationnels en représentations vectorielles denses. Contrairement aux méthodes basées sur les réseaux de neurones, Cleora.ai utilise des projections aléatoires itératives — atteignant une qualité de pointe tout en étant des ordres de grandeur plus rapide et entièrement déterministe.

Les embeddings de Cleora.ai constituent l'épine dorsale représentationnelle de BaseModel.ai. En transformant des milliards d'interactions comportementales en vecteurs significatifs, Cleora.ai fournit le signal de pré-entraînement qui confère à BaseModel sa compréhension profonde du comportement client.

En savoir plus sur Cleora.ai Voir sur GitHub

240×

Nœuds/sec

50×

Dimensions

5 MB

Échelle

0

Entraînement

Entraînement déterministe

Pas de marches aléatoires, pas de gradients stochastiques. Solution en forme fermée via des opérations matricielles itératives — entièrement reproductible à chaque exécution.

Scalabilité linéaire

Le temps d'entraînement évolue linéairement avec la taille du graphe. Des graphes de milliards d'arêtes sur une seule machine en quelques minutes.

Embeddings inductifs

Générez des embeddings pour des nœuds inconnus sans réentraînement. Les nouvelles entités sont projetées dans l'espace existant en temps réel.

Graphes hétérogènes

Graphes multi-relationnels et multimodaux. Utilisateurs, produits, sessions — tous les types d'entités dans un seul espace d'embeddings.

Benchmarks de performance

AlgorithmAccuracyTimeMemory
Cleora0.9901.23 s22 MB
Node2Vec0.95867.9 s—
NetMF0.95728.8 s1,098 MB

Benchmarks sur un jeu de données e-commerce public (plus de 100M d'interactions). Temps d'entraînement mesurés sur une seule machine à 16 cœurs. snap.stanford.edu

Cleora (open source)Algorithme précurseurCleora-NX (propriétaire)
Événements brutsConstruction d'hypergrapheCleora-NX
Cleora-NXEmbeddings comportementauxPré-entraînement BaseModel

BaseModel.ai vs. ML traditionnel

Pourquoi les équipes remplacent l'intégralité de leur stack ML par un seul modèle fondamental.

CapacitéML TraditionnelLLMs / Agents IABaseModel.ai
Ce qu'il produit
Un modèle par question métier
Texte, code ou analyse
Modèles prédictifs prêts pour la production
Échelle des données
Jeux de données curés (Go)
Fenêtre de contexte (128K–1M tokens)
Data warehouses à l'échelle du pétaoctet
Ingénierie des caractéristiques
Des mois de travail manuel par modèle
Peut générer du code de features — reste mono-usage
Entièrement automatisée à partir d'événements bruts
Délai du premier modèle
3 à 6 mois
Heures (mais construit des pipelines traditionnels)
12 h d'entraînement de la foundation sur 1× A100 pour ~8 Md d'événements ; fine-tune par scénario en quelques heures
Modélisation de la population
Statistiques agrégées et segments
Un utilisateur à la fois via des prompts
Modèles au niveau individuel pour toute la population
Transfert inter-domaines
Impossible — chaque modèle est en silo
Sans objet — pas d'état appris persistant
Intégré — un seul modèle dessert tous les domaines
Persistance des connaissances
Réentraînement à partir de zéro pour chaque question
Aucune mémoire entre sessions
Foundation réutilisée dans chaque scénario
Gestion du cold-start
Requiert des seuils minimaux de données
Requiert un contexte de prompt détaillé
Sketches inductifs dès la première interaction
Équipe requise
5–15 ingénieurs ML + data scientists
Data scientist + prompt engineer
Data engineer ou ingénieur ML ; un seul ingénieur ML suffit pour les déploiements typiques
Latence à grande échelle
50–500 ms typique
1 à 30 secondes par génération
Classification sous la ms ; 9 ms/utilisateur pour scorer 6 M items sur 1× H100

Blazingly fast. No clusters needed.

Train on ~18 M clients / ~8 B events in 12 h on a single A100. Serve classification and regression at sub-millisecond latency, and 6 M-item recommendations in 9 ms per user on 1× H100. No distributed infrastructure required.

RelBench MAP — BaseModel vs. meilleur baseline (plus c'est élevé, mieux c'est)

TâcheBaseModel.aiBaselineNom du baseline
rel-amazon review2.531.63ContextGNN
rel-amazon rate3.062.25ContextGNN
rel-hm purchase3.672.93ContextGNN
rel-avito ad-visit4.683.94RelGNN

Source : article BaseModel, RelBench (12 tâches). BaseModel égale ou dépasse le meilleur baseline publié sur 10 des 12 tâches ; les quatre plus grandes victoires sont présentées.

<1 ms

Sub-millisecond latency

Per-request inference time for classification and regression at production scale.

18 M+
Clients par cycle d'entraînement
~8 B événements sur 1× A100 en 12 h
1
Un seul GPU
Aucun cluster requis
<1 ms
Latence de classification
Moins d'une ms par requête
9 ms
Recos sur 6 M d'articles
Par utilisateur sur 1× H100

Impact des déploiements en conditions réelles

À travers la plateforme Synerise propulsée par BaseModel — chiffres issus de plus de 340 déploiements en production.

340+
Déploiements en production
Déploiements entreprise actifs sur 4 continents
2.8B
Prédictions quotidiennes
Prédictions en temps réel servies chaque jour
+23%
Hausse moy. du chiffre d'affaires
Revenus incrémentaux moyens pour les clients retail
+8.2pp
Gain de précision du modèle
Amélioration moyenne de l'AUC par rapport aux modèles ML existants
14 days
Rapidité de déploiement
Délai médian du lancement à la mise en production des prédictions
67%
Réduction des coûts
Réduction des coûts d'infrastructure ML et d'équipe

Un modèle. Chaque question. Toute industrie.

Sélectionnez une industrie pour voir ce que BaseModel.ai peut répondre — prêt à l'emploi.

Général

"Comment les interactions quotidiennes des clients influencent-elles leurs comportements futurs ?"

AI
ML
DL

Compréhension comportementale à 360°

Prêt pour le zero-shot

Conçu différemment

Six principes architecturaux qui font de BaseModel.ai le système d'AI comportementale le plus avancé jamais construit.

Foundation réutilisable

La foundation est entraînée une seule fois sur vos données comportementales. Chaque nouveau scénario — churn, LTV, recommandations — réutilise ces embeddings via un fine-tune rapide ; pas de réentraînement complet par question.

Density sketches multimodaux

Embeddings de graphe, texte, images et caractéristiques tabulaires sont sketchés en une représentation unique de taille fixe par entité — construite à la volée avec un coût linéaire en interactions.

Prédictions zero-shot

Répondez à des questions comportementales que vous n'avez jamais modélisées explicitement — comme le risque de réadmission d'un patient, la propension à monter en gamme d'un abonné ou le risque de départ d'un employé — en définissant une fonction cible et en réutilisant les embeddings de la foundation.

Inférence en temps réel

Latence de classification et de régression inférieure à la milliseconde ; les recommandations scorent l'intégralité du catalogue rel-avito de 6 M items en 9 ms par utilisateur sur 1× H100. Servi via Ray Serve pour les charges batch et en ligne.

Self-hosted par conception

Déployez dans Snowflake Container Services, Databricks ou votre propre cluster GPU. Les données comportementales ne quittent jamais votre environnement ; aucun corpus de modèle partagé entre clients.

Transfert inter-domaines

Les connaissances comportementales acquises dans un domaine se transfèrent à un autre. Les schémas d'achat améliorent la détection de fraude ; les signaux d'engagement affinent les prédictions de churn — un transfert inter-domaines qu'aucun modèle mono-usage ne peut reproduire.

Gouvernance et explicabilité des modèles

Une gouvernance de niveau entreprise intégrée à chaque couche — de la traçabilité des données d'entraînement à l'audit des prédictions en production.

Cibles définies en YAML

Chaque scénario fine-tuné est décrit par un unique fichier YAML — tables sources, fonction cible, fenêtre d'entraînement. Reproductible par conception ; relancer la config reconstruit le même modèle.

Poids d'échantillons configurables

Les poids d'échantillons par événement et les contrôles d'équilibrage de la cible permettent aux équipes d'ajuster les compromis entre équité et récence au moment de l'entraînement, avec une visibilité complète sur la pondération des exemples.

Souveraineté des données self-hosted

Déployez dans Snowflake Container Services, Databricks ou votre propre cluster GPU. Les données comportementales et les embeddings restent dans votre environnement — aucun corpus de modèle partagé entre clients.

Configurations et lineage reproductibles

L'entraînement de la foundation et chaque exécution de fine-tune sont liés à une configuration YAML et à un schéma de connecteur, ce qui permet de retracer toute prédiction jusqu'aux tables, à la fenêtre temporelle et aux paramètres exacts qui l'ont produite.

Foundations et adapters versionnés

Les checkpoints de la foundation et les fine-tunes par scénario sont versionnés indépendamment. Revenez en arrière sur un scénario sans réentraîner la foundation ; promouvez une nouvelle foundation quand vous êtes prêt.

Hooks de monitoring

Métriques streamées pour la distribution des entrées, la confiance des prédictions et la corrélation aux KPI métier — branchez-les sur votre stack d'observabilité existante pour détecter le drift tôt.

Reconnu par la communauté scientifique

BaseModel.ai s'appuie sur la recherche publiée par Synerise — les articles Cleora et EMDE (ICONIP 2021) et le preprint BaseModel — et s'inscrit dans l'ensemble plus large des 40+ publications de Synerise à NeurIPS, KDD, ICONIP et ACM RecSys.

Preprint 2025

BaseModel : un Foundation Model pour les données comportementales

L'article BaseModel.ai. Définit la formulation foundation-model pour les flux d'événements comportementaux et la suite de benchmarks rapportée sur /research. La version production de BaseModel s'appuie sur Cleora-NX, TREMDE et un backbone FFN personnalisé — extensions internes propriétaires des bases publiées Cleora et EMDE, non décrites dans l'article.

ICONIP 2021

Cleora : un schéma d'embedding de graphes simple, robuste et scalable

Le schéma d'embedding d'hypergraphes publié par Synerise. Définit la mise à jour déterministe et sans paramètre T_{k+1} = normalize(P·T_k). Le prédécesseur open source de Cleora-NX, le moteur propriétaire qui propulse BaseModel.ai en production.

ICONIP 2021

Un estimateur efficace de densité sur variété pour tous les systèmes de recommandation

L'article EMDE. Introduit des density sketches compacts dont les codes sparse se composent par sommation. Le prédécesseur open source de TREMDE, le moteur propriétaire et temporellement conscient de density sketches au cœur de BaseModel.ai.

Prêt à découvrir ce que vos données savent déjà ?

Explorez BaseModel.ai — déployez en heures, pas en mois. Aucune équipe ML requise.

Mariano Gomide de Faria
"Synerise est une perle cachée de Cracovie, Pologne. Le produit BaseModel de Synerise est le modèle fondationnel privé le plus avancé au monde pour les données comportementales. Synerise est un moyen puissant et efficace pour votre entreprise (tech, SI, retail, fabricant ou marque) de faire un bond en avant dans le monde des applications IA, produisant des résultats rapides et évitant de dépenser des millions de CAPEX sur votre modèle d'ingénierie de données. Je suis fier de voir les entreprises technologiques les plus avancées naître dans les marchés émergents. Nous sommes heureux de choisir Synerise comme moteur d'infrastructure IA de VTEX. Nous poursuivons la mission d'être l'épine dorsale du commerce connecté. Les fonctionnalités IA que VTEX pourra déployer avec Synerise sont disruptives."

Mariano Gomide de Faria

Co-CEO, VTEX

VTEX

TerrariumDB

TerrariumDB.
Le moteur de données comportementales.

TerrariumDB capture, résout et active chaque signal comportemental en temps réel. C'est le socle de données vivant qui alimente BaseModel.ai — transformant les événements bruts en identités clients dynamiques et évolutives à grande échelle.

57B+
Événements par mois
<50ms
Latence de traitement
6B+
Profils comportementaux
99.99%
SLA de disponibilité

De l'événement à l'insight en millisecondes

Un pipeline en quatre étapes qui transforme le bruit comportemental brut en intelligence client exploitable et en temps réel.

01

Capture

Event Ingestion

Every behavioral signal — from clicks and page views to transactions and API calls — is captured in real time via SDKs, APIs, or server-side connectors.

02

Enrich

Identity Resolution

Raw events are matched to unified profiles through deterministic and probabilistic identity resolution. Cross-device, cross-channel, cross-session — one identity.

03

Profile

Dynamic Aggregation

Every resolved event updates living behavioral profiles in real time. Aggregates, sequences, and computed attributes refresh within milliseconds.

04

Activate

Graph & Stream

Enriched profiles feed the identity graph and stream to downstream systems — powering BaseModel.ai, decisioning engines, and personalization in real time.

Conçu pour les données comportementales à grande échelle

Six capacités fondamentales qui font de TerrariumDB le moteur de données comportementales en temps réel le plus avancé disponible.

Ingestion en temps réel

Capture chaque signal comportemental à l'instant où il se produit — clics, transactions, pages vues, appels API — sans aucun décalage entre l'événement et votre couche de données.

Profils vivants

Les données ne sont pas stockées sous forme d'enregistrements statiques. Chaque événement enrichit une identité comportementale dynamique et évolutive qui reflète qui est le client à l'instant présent — et non qui il était la semaine dernière.

Graphe d'identité unifié

Chaque événement enrichit un graphe d'identité unifié à travers les canaux et les appareils. Sessions anonymes, utilisateurs connectés et parcours multi-appareils fusionnent en une vérité unique.

Traitement en moins d'une seconde

De la capture de l'événement à l'enrichissement du profil en moins de 50 millisecondes. La prise de décision en temps réel dépend de données en temps réel — TerrariumDB fournit les deux.

Ingestion sans schéma

Aucun schéma prédéfini requis. Envoyez n'importe quel payload JSON et TerrariumDB l'indexe, l'enrichit et le rend interrogeable automatiquement. Les modèles de données évoluent en temps réel au rythme de votre activité.

Streaming d'événements et CDC

Capture des changements de données (CDC), webhooks et connecteurs de données en temps réel intégrés. Diffusez des événements enrichis vers tout système en aval — entrepôts de données, pipelines ML ou moteurs d'activation.

Conçu pour la scalabilité horizontale

Chaque couche de la stack est conçue pour évoluer linéairement — des services sans état aux bases de données partitionnées et aux zones de calcul indépendantes.

Horizontal Scalability

  • Stateless services
  • Load Balancing
  • Microservices architecture

Database Scalability

  • Core technologies linearly scalable (TerrariumDB, Kafka, ScyllaDB)
  • Data sharding by profileId

Event-Driven Reactive Architecture

  • Data streaming via Kafka
  • Asynchronous processing in stateless microservices

Auto-Scaling Infrastructure

  • Containerization (Docker)
  • Kubernetes native workloads
  • Horizontal pod autoscaler
  • Cloud-Based Auto-Scaling

Monitoring

  • Continuous monitoring with long history

Noisy Neighbor Solution

  • Separate Kafka topics per workspace
  • Dedicated compute zones for workflows and AI recommendations
  • Zones scale independently

Le socle de données pour BaseModel.ai

TerrariumDB n'est pas qu'une base de données — c'est le substrat vivant qui alimente le premier modèle fondationnel comportemental au monde. Chaque événement capturé, chaque profil enrichi et chaque identité résolue par TerrariumDB devient un signal d'entraînement pour BaseModel.ai.

Les séquences comportementales en temps réel alimentent directement l'entraînement des modèles
Le graphe d'identité garantit la qualité des embeddings sur des parcours fragmentés
L'architecture sans schéma s'adapte à de nouvelles sources de données sans réingénierie
L'enrichissement en moins de 50 ms permet l'inférence en temps réel au moment de la prédiction
Pipeline en direct
Événements capturés
1.4B/day
Profils mis à jour
892M/day
Correspondances d'identité
234M/day
Latence moyenne
23msp99

Architecture de niveau entreprise

Conçu de zéro pour les charges de travail de données comportementales critiques à l'échelle planétaire.

Déploiement multi-régions

Déployez dans n'importe quelle région cloud avec conformité automatique à la résidence des données. Prêt pour GDPR, CCPA et LGPD dès le départ, avec des contrôles de souveraineté des données configurables.

Durabilité garantie

La journalisation write-ahead, la synchronisation multi-répliques et la récupération à un instant précis garantissent une perte de données nulle. Chaque événement est durable dès sa confirmation.

Sécurité et conformité

Certifié SOC 2 Type II avec chiffrement de bout en bout au repos et en transit. Contrôle d'accès basé sur les rôles, journalisation d'audit et masquage des données intégrés à chaque couche.

Vos données, vivantes et prêtes.

Découvrez comment TerrariumDB transforme les événements bruts en intelligence comportementale en temps réel — alimentant les prédictions, la personnalisation et la prise de décision à grande échelle.

Recherche IA de Synerise

AI fondée sur la science

Une recherche de classe mondiale qui remporte des compétitions internationales et fait progresser l'état de l'art en systèmes de recommandation, apprentissage sur graphes et AI comportementale.

50+
Articles publiés
15+
Victoires en compétition
1,200+
Citations

Victoires en vedette

Domination des compétitions mondiales d'AI

KDD Cup — 1re place
ACM RecSys Challenge — Plusieurs victoires
Booking.com Challenge — 1re place
Rakuten Data Challenge — 1re place
OGB Large-Scale Challenge — Meilleur classement
"Synerise a constitué l'une des équipes de recherche en AI appliquée les plus impressionnantes que j'ai rencontrées. Leur travail sur les graph embeddings et la modélisation comportementale fait avancer l'état de l'art."

Prof. Jure Leskovec — Stanford University

Dernières nouvelles de SAIR

Recherche8 min de lecture

BaseModel vs TIGER pour les recommandations séquentielles

La comparaison entre BaseModel et TIGER révèle des différences substantielles dans leurs choix architecturaux et leurs performances.

Recherche8 min de lecture

BaseModel vs HSTU pour les recommandations séquentielles

Pour évaluer BaseModel par rapport à HSTU, nous avons reproduit exactement les protocoles de préparation des données, d'entraînement, de validation et de test.

Recherche8 min de lecture

Encodage par caractéristiques de Fourier des variables numériques

Le prétraitement des données brutes est une partie très importante de tout pipeline de machine learning, souvent cruciale pour les performances du modèle final.

Ingénierie12 min de lecture

EMDE vs encodage par hachage multirésolution

Lorsque nous avons créé notre algorithme EMDE, nous avions principalement en tête le domaine du profilage comportemental.

Futur6 min de lecture

Pourquoi nous avons besoin d'une intelligence artificielle surhumaine

Nous nous demandons sans cesse combien de temps il faudra encore avant que l'AI atteigne le niveau de compétence humaine dans ces tâches.

Outils8 min de lecture

Hachage efficace de paires d'entiers

Les modèles mentaux sont des expressions simples de processus ou de relations complexes.

Système de design Colloid

Le langage de design
derrière la plateforme.

Colloid est le système de design propriétaire et open source de Synerise — une bibliothèque de 117 packages de composants React versionnés indépendamment, 1 189 icônes personnalisées et une infrastructure de thèmes complète alimentant chaque écran de la plateforme.

Construit avec TypeScript, Styled Components et react-intl dès le premier jour. Pas un wrapper autour de Material UI ou Ant Design — un système conçu de zéro pour les exigences uniques des interfaces de données comportementales, des tableaux de bord en temps réel et des workflows pilotés par l'AI.

117

Packages de composants

1,189

Icônes personnalisées

4

Variantes de taille d'icônes

100%

Couverture TypeScript

Explorer le système de design Voir sur GitHub
Colloid Design System — Synerise UI components

117 Packages React

Chaque composant est un package npm versionné indépendamment — de ds-button à ds-table en passant par ds-wizard. Installez uniquement ce dont vous avez besoin.

1 189 Icônes Personnalisées

Une bibliothèque d'icônes propriétaire en 4 variantes de taille (M, L, XL, color) — conçue spécifiquement pour les plateformes de données, l'analytique et les interfaces d'AI comportementale.

Storybook Open Source

Chaque composant est documenté et interactif dans une instance Storybook publique. Les designers vérifient, les ingénieurs construisent, le QA teste — à partir d'une source unique de vérité.

TypeScript Natif

Entièrement écrit en TypeScript avec des types statiques prévisibles. IntelliSense complet, sécurité à la compilation et zéro ambiguïté sur chaque API de composant.

Composants stylisés

Stylisation pilotée par thème avec Styled Components. Chaque token — couleur, espacement, typographie, élévation — provient d'un objet de thème central pour une personnalisation instantanée.

i18n par Défaut

Internationalisation intégrée via react-intl. Chaque libellé, espace réservé et message est traduisible — prenant en charge les déploiements entreprise mondiaux nativement.

Vitrine des composants

Colloid Design System — Aperçu en direct

Répliques visuelles de @synerise/ds-* composants, correspondant aux tokens et patterns du système de design Colloid utilisés en production.

Variantes de ds-button

Tailles de bouton

import DSButton from '@synerise/ds-button';
<DSButton type="primary">Primary</DSButton>

Les composants suivent les tokens de design Colloid — espacement, couleurs et typographie correspondent au système de design en production.

Ouvrir Storybook

Vrais composants issus du dépôt

Chaque composant ci-dessous est un vrai package npm @synerise/ds-* publié indépendamment — issu directement du dépôt GitHub open source.

Saisie de données18
InputInputNumberSelectAutocompleteCascaderCheckboxRadioSwitchSliderDatePickerDateRangePickerTimePickerColorPickerEmojiPickerFileUploaderCodeAreaInlineEditSubtleForm
Navigation12
MenuAppMenuNavbarSidebarSidebarObjectTabsCardTabsStepperPaginationBreadcrumbsWizardPageHeader
Affichage des données17
TableListListItemCardCardSelectMetricCardAvatarAvatarGroupBadgeTagTagsStatusDescriptionTypographyStepCardInformationCardItemsRoll
Retour d'information16
AlertInlineAlertModalDrawerToastPopconfirmPopoverTooltipResultLoaderSkeletonProgressBarSectionMessageBannerBroadcastBarConfirmation
Mise en page et structure12
GridFlexBoxLayoutPanelPanelsResizerDividerBlockTrayToolbarFooterScrollbarActionArea
Avancé17
FilterItemFilterItemPickerFactorsOperatorsConditionLogicManageableListSortableCollectorColumnManagerMappingInsightSearchBarContextSelectorCompletedWithinEstimation
Open Source · Licence MIT

Explorez la documentation vivante.

Chaque composant est livré avec une documentation Storybook interactive — montrant les variantes, les états, les props, les notes d'accessibilité et des exemples d'utilisation concrets. Les designers examinent. Les ingénieurs construisent. Le QA teste. Le tout à partir de la même source.

Colloid n'est pas qu'un kit d'interface utilisateur — c'est le langage partagé entre produit, design et ingénierie chez Synerise. Il encode des années d'apprentissage sur la construction d'interfaces pour les données comportementales, les prédictions AI et l'automatisation en temps réel à l'échelle planétaire.

Ouvrir Storybook synerise-design
@synerise/ds-*

// Installer les paquets individuels

yarn add @synerise/ds-core

yarn add @synerise/ds-button

yarn add @synerise/ds-table

// Encapsulez votre application

import { DSProvider } from '@synerise/ds-core'

import Button from '@synerise/ds-button'

<DSProvider>

<Button>Cliquez ici !</Button>

</DSProvider>

Sécurité Entreprise

Sécurité et infrastructure de confiance
Certifications de conformité, souveraineté des données et respect de la vie privée dès la conception.

Infrastructure de qualité entreprise avec certifications de conformité, souveraineté des données et respect de la vie privée dès la conception — soutenant les organisations mondiales avec les normes de sécurité les plus élevées.

SaaS

Cloud entièrement géré

Private Cloud

Infrastructure dédiée

On-Premise

Votre centre de données

SOC 2 Type II

Contrôles de sécurité audités

GDPR

Protection des données UE

CCPA

Conformité à la confidentialité californienne

ISO 27001

Sécurité de l'information

Vidéos

Les dernières vidéos de notre chaîne

Voir toutes les vidéos