Notes de terrain sur l’IA en entreprise
Ce que j’apprends en construisant : arbitrages techniques, coûts réels, pièges fréquents. Les articles rédigés avec l’assistance d’une IA le signalent en tête ; tous sont relus et validés avant publication.
S’abonner au flux RSS · Poser une question à ces articles
-
Règles de tri email : authentifier l’expéditeur pour éviter les usurpations
Comment j’ai corrigé une faille permettant à n’importe qui de déclencher une alerte urgente en usurpant un domaine client.
-
Quand l’agent ne peut pas cliquer : Tailscale SSH
Mon agent d’infrastructure lance SSH sans terminal. Quand Tailscale exigeait une reconnexion, il ne voyait qu’un délai dépassé. Ce que j’ai changé.
-
Persistance des conversations : SQLite et SQLAlchemy dans the_orchestrator
Comment j’ai implémenté la persistance des conversations avec SQLite et SQLAlchemy, et ce que ça a révélé sur mon workflow.
-
bge-m3 a résolu les noms propres en français dans Mnemo
Migration des embeddings de nomic-embed-text vers bge-m3 pour passer de 30 % à 90 % de Hit@1 sur un corpus français.
-
Artefact d’entraînement : quand le RNG trompe le LLM
Un mot identiquement placé dans cinq générations sans rapport. La cause : une graine mal partagée.
-
Comment construire un assistant qui ne répond qu’à partir de vos documents ?
Celui de ce site répond à partir des seuls articles publiés, cite ses sources et se tait sinon. Corpus, consigne, vérification, jeu d’évaluation, coûts bornés.
-
Un watchdog pour les API wallets d’Hyperliquid Bot V10
Un bot de trading mort quatorze jours sans alerte, puis une clé qui expire en silence : ce que j’ai ajouté au watchdog externe, et ce que le projet a prouvé.
-
Agent IA connecté au SI : quels connecteurs, quelle sécurité ?
Un agent qui écrit dans vos outils est un composant du SI : compte, droits, journaux, validation humaine. Ce que ça implique, et ce que j’ai construit.
-
Combien coûte un assistant IA sur les documents internes d’une entreprise ?
Trois postes de coût, pas un prix : cadrage et évaluation, construction, exploitation. Prix publics, un scénario calculé, et ce que mon propre RAG m’a coûté.
-
Combien coûte l’hébergement d’un LLM en interne ?
Mémoire, machine, électricité, personnes : les quatre postes d’un modèle hébergé chez vous, avec des prix publics et le calcul complet pour un serveur à un GPU.
-
Comment évaluer un système RAG ? Les métriques qui comptent
Deux questions séparées : le bon passage est-il retrouvé, la réponse lui est-elle fidèle ? Les métriques, un jeu d’évaluation écrit avant, un cas chiffré.
-
IA et RGPD : héberger ses traitements en France, ce que ça implique vraiment
Héberger en France règle le transfert, pas le reste. Les neuf étapes de la CNIL pour un assistant IA, le règlement sur l’IA, et ce que je fais sur mon site.
-
LLM open source auto-hébergé ou API propriétaire : comment arbitrer ?
Quatre critères dans l’ordre, ce que « ouvert » veut dire vraiment, et ce que j’ai mesuré en faisant tourner des modèles sur un portable de 2019.
-
Nos données partent-elles chez OpenAI quand on utilise un LLM ?
Par API, pas d’entraînement mais trente jours de journaux ; grand public, c’est l’inverse. OpenAI, Anthropic et Mistral comparés, et où placer le curseur.
-
Pourquoi les POC IA n’arrivent jamais en production ?
Un prototype convainc en réunion, puis s’arrête. Ce que disent Gartner et RAND, ce que l’exploitation m’a appris, et cinq conditions pour la production.
-
Quel premier cas d’usage IA choisir ?
Le premier cas d’usage IA est celui qu’on peut mesurer, exploiter et arrêter sans regret. Une grille en cinq critères, en conclusion de la série.
-
Collecte et entraînement continu : les limites du MacBook
Pour entraîner un LLM sur MacBook, j’ai dû choisir entre pytorch et max. Pytorch a gagné pour sa portabilité.
-
Découper un moteur de trading pour le rendre testable
Comment j’ai restructuré mon moteur de trading pour le rendre plus lisible et testable. Découpage des règles, gestion des positions, et réessais HTTP.
-
5 processus qu’une PME peut automatiser avec l’IA dès demain
Cinq automatisations réalistes, à petite échelle : factures, demandes entrantes, comptes rendus, réponses au support, contrôle de dossiers. Gains et limites.
-
RAG ou fine-tuning : lequel choisir pour ses documents métier ?
Le RAG cherche dans vos documents, le fine-tuning modifie le modèle. Critères, coûts publics, et ce que j’ai appris en entraînant un modèle de zéro.