Machine Learning

Depuis ChatGPT, les modèles de langage (LLMs) peinent à se connecter efficacement aux données et aux services. Le Model Context Protocol (MCP), inspiré du LSP, propose un standard ouvert et modulaire pour intégrer simplement APIs et ressources externes, ouvrant ainsi une nouvelle ère d’interopérabilité.

Les applications basées sur les LLM deviennent de plus en plus nombreuses, complexes et critiques, il devient indispensable d’adopter une approche rigoureuse pour garantir leur bon fonctionnement et leur amélioration continue. L’observabilité et l’évaluation doivent être repensés pour s'adapter.

L'Évaluation est au coeur du développement de tout projet d’Intelligence artificielle. Tout ce qu'il faut savoir pour mettre en place une évaluation rigoureuse et assurer la mise en production des projets RAG (Retrieval Augmented Generation).

Avec l'explosion de l'IA et des LLMs, notre manière de gérer la connaissance, qu'elle soit personnelle ou collective, est en pleine transformation. Lors d'une récente présentation, Matthieu Lagacherie a exploré les enjeux et les solutions possibles pour mieux capter, organiser et exploiter l'information à l'ère de l'IA générative

Advisor, c’est un rôle en transverse qui cherche à concilier les enjeux courts termes, sous la responsabilité des équipes, avec la dimension long terme d'évolutivité et d'exploitabilité des algorithmes d'AI.

Dans cet article nous partageons le talk donné par Philippe Prados à la Grosse Conf 2025, ayant pour sujet LangChain, son histoire et évolution, des bonnes pratiques pour travailler avec le framework, ainsi qu'un exemple de pourquoi il faut en explorer le code source.

Ce compte-rendu fait écho au replay vidéo du comptoir sur les données synthétiques, disponible ici, animé par Louison Roger (Senior ML Engineer @ OCTO), ainsi que André Amalor (Expert Données Synthétiques @ OCTO) qui sont intervenus sur plusieurs projets nécessitant l’usage de ces données synthétiques pour entraîner des modèles d’IA.

Dans cet article, nous allons découvrir comment l’alliance de modèles de machine learning, couplés à des méthodes d’optimisation, peut répondre à des problématiques complexes issues de processus réels, qu’ils soient physiques, chimiques ou industriels.

Dans un article précédent, nous avons évoqué la difficulté de rendre résiliente une application RAG. Dans cet article, nous allons particulièrement traiter de solutions, dans le cadre de l’utilisation de langchain.

This article gives some best practices for understanding and choosing which drift detector method to use in your project.