Articles
Agentic Engineering : Au-delà du prototype
Un agent de code impressionne sur un prototype. Sur un produit en production, il doit composer avec des exigences, un historique et une équipe qu’il ne voit pas. Cinq freins expliquent pourquoi la promesse du x10 s’y heurte.
- Agentic Engineering
- Développement logiciel
Harnessing des agents : 9 pratiques venant du logiciel
Pour encadrer les agents de code, pas besoin de réinventer l’ingénierie logicielle : neuf pratiques éprouvées peuvent être adaptées au travail avec eux.
- Agentic Engineering
- Développement logiciel
Les tests d’architecture logicielle : 4 exemples pour les adopter
Une règle d’architecture que personne ne vérifie finit toujours par être oubliée. Voici quatre façons de l’exécuter comme un test, jusque dans la CI.
- Architecture
- Développement logiciel
MLOps : En phase de run, le toil est un ennemi à regarder dans les yeux
Le premier produit ML se maintient à la main. Au dixième, les mêmes gestes répétés paralysent l’équipe : c’est le toil. Il faut d’abord le voir et le mesurer avant de pouvoir l’éliminer.
Avec Aurélien Massiot.
- MLOps
- Développement logiciel
Architecture Decision Record : on commence aujourd’hui
Pourquoi cette architecture a-t-elle été choisie ? Quand plus personne ne sait répondre, l’ADR manque déjà. Markdown, Git et diagrammes as code suffisent pour commencer.
- Architecture
- Collaboration
Compte rendu du talk de Benjamin Bayart – « Sous le capot du cloud souverain »
« Souverain » n’est pas une propriété magique du cloud. Le compte rendu du talk de Benjamin Bayart invite à partir des contraintes juridiques, techniques et stratégiques, puis à regarder les solutions sans complexe.
- Cloud
- Sécurité
Monitoring & proactive notification d’une application de ML
Une application ML peut rester disponible tout en donnant des résultats de moins en moins fiables : ce guide part des causes d’erreur pour construire des sondes et des alertes utiles.
- MLOps
- Monitoring
Intégrer au plus tôt la sécurité dans les delivery de Machine Learning
Empoisonnement des données, vol du modèle, fuite d’informations : le Machine Learning ouvre des surfaces d’attaque particulières. La sécurité doit donc entrer dans le delivery avant la production.
- MLOps
- Sécurité
Matrice Cynefin x Machine Learning – Aller vite en production pour minimiser le risque des systèmes complexes
Mettre vite en production réduit-il vraiment le risque ? Cela dépend du type de problème. Croisé avec le Machine Learning, Cynefin aide à décider quand apprendre du réel et quand avancer avec davantage de précautions.
- Data Science & IA
- Agilité
Et si les métriques de monitoring de ML devenaient fonctionnalités ?
Le monitoring n’est pas forcément réservé à l’équipe technique. Montrer à l’utilisateur la fraîcheur des données ou la fiabilité d’une prédiction peut devenir une fonctionnalité à part entière.
Avec Touraya El Hasssani et Antoine Moreau.
- MLOps
- Monitoring
Rendre visible la chaîne de valeur dans un projet de Delivery de Machine Learning
Cartographier le chemin entre l’idée métier et le modèle en production fait apparaître ce que les indicateurs de livraison cachent : attentes, reprises et tâches manuelles.
Avec Guillaume Pivette.
- MLOps
- Agilité
Métiers et Data Scientists doivent collaborer pour concevoir des algorithmes fiables
Un algorithme fiable ne se construit pas dans un tête-à-tête entre un Data Scientist et ses données. Le métier doit aussi expliciter l’objectif, les compromis et les erreurs acceptables.
- Data Science & IA
- Collaboration
La gestion des données de tests en delivery de Machine Learning
Pas de tests fiables sans données de test maîtrisées. L’article compare plusieurs stratégies pour en obtenir à la demande sans sacrifier leur pertinence ni leur confidentialité.
- MLOps
- Développement logiciel
La gestion visuelle dans un projet de Machine Learning Delivery
Comment rendre visible un travail fait d’expérimentations, d’entraînements et d’annotations ? En adaptant la gestion visuelle au delivery de Machine Learning plutôt qu’en plaquant un Kanban standard.
Avec Maria Mokbel.
- MLOps
- Agilité
Nos 10 convictions pour mieux réussir nos projets de Data Science en 2021
En 2021, nous avons posé dix convictions issues de nos projets de Data Science. Leur fil conducteur reste simple : livrer tôt, confronter le modèle à ses utilisateurs et travailler réellement avec le métier.
Avec Eric Biernat.
- Data Science & IA
- Collaboration
Les difficultés pour récupérer la prédiction idéale
En production, la bonne prédiction reste souvent inconnue, arrive trop tard ou dépend d’un retour utilisateur. Sans cette vérité terrain, impossible de savoir si le modèle atteint encore son objectif.
- MLOps
- Monitoring
Une alternative au monitoring de distributions
Surveiller toutes les distributions revient souvent à collectionner les courbes. Mieux vaut partir des incertitudes du pipeline et placer quelques sondes là où une défaillance devient observable.
Avec Mehdi Houacine.
- MLOps
- Monitoring
Interprétabilité des systèmes de Data Science
« Ce modèle doit être interprétable. » D’accord, mais pour qui, pour quelle décision et avec quel niveau d’effort ? Poser ces questions évite de chercher une explication universelle qui n’existe pas.
- Data Science & IA
Benchmark de dataPreparation versus du R standard
Sur de petits volumes, R standard fait le travail. Quand les données grossissent, ce benchmark mesure ce que dataPreparation gagne en temps et en mémoire pour centrer et réduire les variables.
- Data Engineering
- Développement logiciel
De la donnée et de la qualité
Les problèmes de qualité commencent souvent bien avant que la donnée soit utilisée. Remonter à leur source fait apparaître cinq leviers concrets pour les réduire.
- Data Engineering
- Data Science & IA
IA, la fin de l’emploi ?
L’IA annonce-t-elle la fin de l’emploi ou une nouvelle définition du travail ? Ce billet remonte aux précédentes révolutions technologiques pour replacer la peur actuelle dans une histoire plus longue.
- Data Science & IA
- Société