Réalisations

Ce que nous avons déjà construit, en conditions réelles.

Quelques missions menées pour des équipes qui avaient des données précieuses et un problème concret à régler.

Sécurité · détection de menaces internes

Des signaux dispersés à un système de détection entraînable.

Le besoin

Repérer les comportements à risque venant de l'intérieur, là où les règles statiques produisent surtout du bruit et où il n'existait aucun jeu de données étiqueté sur lequel apprendre.

Ce que nous avons construit

Nous avons construit le jeu de données de bout en bout (collecte, structuration, étiquetage, documentation), puis le système de classification entraîné dessus.

L'actif qui leur reste

Un jeu de données étiqueté et documenté, réutilisable pour réentraîner, comparer ou auditer les modèles, et un système de classification qui tourne sur leurs propres données.

Ce que ça change pour un dirigeant : Une capacité de détection qui apprend de vos propres données, au lieu de règles que vos équipes passent leur temps à ajuster.

Cosmétique · évaluation d'un système en production

Évaluer un assistant produit avec des conversations synthétiques.

Le besoin

Savoir si l'assistant répondait juste pour de vrais clients, au-delà de quelques tests manuels qui ne couvraient ni la variété des profils ni les échanges à plusieurs tours.

Ce que nous avons construit

Génération de conversations multi-tours pilotées par personas, jouées contre le RAG en production, avec les critères permettant de juger chaque réponse.

L'actif qui leur reste

Un harnais d'évaluation reproductible : personas, conversations et critères rejouables à chaque évolution du système, pour voir les régressions avant les clients.

Ce que ça change pour un dirigeant : La preuve chiffrée que l'assistant répond juste avant de l'exposer à vos clients, et un test à rejouer à chaque mise à jour.

R&D IA · comportement des modèles

Comprendre ce que fait vraiment un agent, à partir de ses traces.

Le besoin

Les traces d'exécution s'accumulaient sans jamais devenir exploitables : le comportement du modèle restait une impression, discutée d'anecdote en anecdote.

Ce que nous avons construit

Une chaîne qui transforme les traces d'exécution des agents en jeu de données structuré et analysable.

L'actif qui leur reste

Un jeu de données du comportement réel de leurs agents : une base d'analyse, de comparaison et d'amélioration continue plutôt qu'un flux de logs.

Ce que ça change pour un dirigeant : Savoir enfin ce que fait votre IA au quotidien : des faits mesurables à présenter en comité, pas des impressions.

IA en production · dépréciation de modèles

Changer de modèle de langage sans repartir de zéro.

Le besoin

Les fournisseurs déprécient leurs modèles : celui sur lequel le système repose disparaît, la migration a une date limite imposée, et personne ne sait ce que le remplaçant va casser.

Ce que nous avons construit

Une suite de tests de non-régression bâtie sur leurs propres cas d'usage : chaque modèle candidat est rejoué sur les mêmes tâches et comparé au comportement de référence, réponse par réponse.

L'actif qui leur reste

Une suite de non-régression rejouable à chaque annonce de dépréciation ou de nouveau modèle : la comparaison entre modèles devient chiffrée, pas ressentie.

Ce que ça change pour un dirigeant : Vous changez de modèle quand vous le décidez, avec la preuve que rien ne s'est dégradé, au lieu de subir le calendrier de votre fournisseur.

R&D IA · pipelines neuro-symboliques

Des pipelines pour que les modèles apprennent d'eux-mêmes.

Le besoin

Améliorer un modèle de langage sur un domaine précis sans dépendre d'annotations humaines à chaque itération.

Ce que nous avons construit

Des pipelines neuro-symboliques d'auto-distillation : le modèle génère ses propres exemples, la couche symbolique les vérifie et filtre ce qui ne tient pas, et seul ce qui passe sert à l'entraînement.

L'actif qui leur reste

Un pipeline reproductible et les données qu'il produit, réexécutables à chaque nouvelle version du modèle.

Ce que ça change pour un dirigeant : Un modèle qui s'améliore sur votre métier sans mobiliser vos experts à chaque itération, et sans envoyer vos données ailleurs.

Le fil conducteur

Dans chacune de ces missions, le livrable n'est pas une démo : c'est un actif de données documenté, reproductible, que l'équipe garde et réutilise. C'est exactement ce que l'audit sert à cadrer pour vous.

Votre tour

Discutons de ce que vos données peuvent produire.

Trente minutes, gratuites et sans engagement, pour savoir si un audit est la bonne étape suivante.

Réserver un audit de préparation à l'IA