Du ML en production, pas des expériences de labo.
Des modèles de vision, de langage et de prédiction branchés sur les outils que votre équipe utilise déjà — livrés en production, mesurés sur des résultats business, et maintenus par les ingénieurs qui les ont construits.
Contenu revu en
La plupart des projets ML meurent entre le notebook et la production. Les nôtres tournent.
Le secteur regorge de proofs-of-concept qui ont impressionné un comité de pilotage sans jamais traiter une seule transaction réelle. Le plus dur en machine learning n'a jamais été le modèle — c'est la plomberie des données, la boucle de réentraînement, le budget de latence, et le tableau de bord qu'un humain consulte vraiment à 8 h du matin.
Nous construisons l'ensemble. Chaque modèle que nous livrons est branché sur vos opérations — il ingère des données en direct, est surveillé contre la dérive, et reste la responsabilité des ingénieurs seniors qui l'ont construit. Si une heuristique bat un réseau de neurones sur votre problème, nous vous le dirons, et vous facturerons moins.
L'intelligence, appliquée.
Les six missions que nous menons le plus souvent — chacune cadrée sur un indicateur que votre équipe suit déjà.
Prévision de la demande & des ventes
Des modèles qui ingèrent historique, saisonnalité et signaux en direct, pour que commandes de stock et plannings d'équipe partent d'un chiffre que vous pouvez défendre.
Vision par ordinateur
Des pipelines de détection, de classification et d'OCR exécutés en edge ou dans le cloud — conçus pour des images réelles, imparfaites.
NLP & intelligence documentaire
Extraction, classification et synthèse sur contrats, factures, tickets et e-mails — ancrées dans votre corpus.
Analytique prédictive
Des scores de churn, de risque et de propension livrés dans les outils où vos équipes travaillent déjà.
Intégration IA & MCP
Des fonctionnalités LLM intégrées à votre produit existant — avec le Model Context Protocol pour connecter les modèles à vos systèmes en toute sécurité.
Model ops & réentraînement
Surveillance de la dérive, harnais d'évaluation et réentraînements planifiés, pour que la précision survive au trimestre suivant.
Une rigueur ennuyeuse, des résultats enthousiasmants.
La même discipline que pour tous nos logiciels — adaptée aux systèmes qui apprennent.
01L'audit des données d'abord
Avant de parler modèle, nous auditons ce que vous avez vraiment — couverture, qualité, risques de fuite. La semaine un se conclut par une réponse claire sur la faisabilité.
02Une base avant la profondeur
Nous livrons le modèle le plus simple qui fait bouger l'indicateur, puis gagnons le droit à la complexité. Pas de facture GPU sans business case.
03Itérer sur vos métriques
Des évaluations hebdomadaires sur la métrique qui compte pour vous, que ce soit des euros, des heures ou des ruptures de stock.
04Livrer, surveiller, réentraîner
Déploiement en production avec alarmes de dérive et boucle de réentraînement. Le modèle continue d'apprendre ; l'équipe aussi.
Votre produit pourrait être le prochain cas sur cette page.
Commencer par un atelier gratuit de 4 heuresLe modèle derrière les 98%.
Une plateforme de prévision par machine learning que nous avons conçue, livrée et que nous exploitons encore — en production, payée, et rentable.
Forecasting Model
Elle ingère l'historique des ventes, la saisonnalité et des signaux en direct pour prédire la demande — afin que les équipes planifient stocks, effectifs et dépenses avec confiance plutôt qu'au doigt mouillé.
L'atelier de modélisation.
Pas de framework maison. Ces outils ont gagné leur place dans notre ML de production ; quand un projet demande autre chose, nous changeons.
Ce qu'un projet ML entraîne avec lui.
Le modèle n'est qu'une partie du travail. Ces trois disciplines portent le reste, au sein de la même mission.
Huit questions, huit réponses.
Les questions qui ouvrent chaque conversation ML, avec les réponses que nous donnerions autour d'une table.
Posez-la dans un brief. Elle arrive chez un ingénieur ML senior, et la réponse prend au plus un jour ouvré.
Faut-il notre propre modèle, ou peut-on construire sur une API ?
Le plus souvent, l'approche API-first l'emporte : plus rapide à livrer, moins chère à exploiter, plus facile à remplacer. Nous passons aux modèles custom ou fine-tunés quand la latence, la confidentialité ou l'économie unitaire l'exigent — et nous vous montrerons les calculs avant de recommander l'un ou l'autre.
De combien de données avons-nous besoin pour démarrer ?
Moins que vous ne le craignez. Beaucoup de missions démarrent avec quelques milliers d'exemples étiquetés ou deux ans d'historique transactionnel. L'audit des données de la première semaine vous dit exactement où vous en êtes — avant de vous engager dans un build.
Combien de temps avant une mise en production ?
Un atelier gratuit de 4 heures, puis un périmètre écrit et un devis sous 3 jours ouvrés. La plupart des équipes ont un vrai modèle derrière un vrai endpoint, sur leur propre infrastructure, en six à dix semaines. Ensuite, nous itérons chaque semaine sur la métrique business.
Et les hallucinations, et la précision ?
Chaque fonctionnalité LLM que nous livrons est ancrée dans vos données via le retrieval, des sorties contraintes et un harnais d'évaluation exécuté à chaque changement. Pour les modèles prédictifs, la précision est mesurée sur un jeu de validation et surveillée contre la dérive en production.
Où vivent nos données, et qui peut les voir ?
Dans votre propre compte cloud — le déploiement vit dans votre AWS. Vos données ne servent jamais à entraîner des modèles partagés ou tiers, les accès sont en moindre privilège et journalisés, et NDA et accords de traitement des données sont signés avant le premier transfert de dataset.
Qui possède les modèles, le code et les poids ?
Vous — l'intégralité. Code, poids fine-tunés, pipelines, prompts et documentation vous sont cédés au contrat. Pas de rétro-licence, pas de lock-in : n'importe quelle équipe compétente pourrait reprendre demain. La plupart des clients restent quand même, parce que le système continue de s'améliorer.
Combien coûte une mission IA / ML ?
Nous facturons le résultat, pas les heures. Tout commence par un atelier gratuit de 4 heures ; ensuite, vous recevez un périmètre écrit, des jalons fixes et un devis ferme. Ce qui fait varier le chiffre : l'état et l'accessibilité de vos données, le choix entre un modèle existant et un fine-tuning, les systèmes à brancher et le niveau de contrôle et de traçabilité exigé. Si le problème reste flou, un sprint de découverte payant vient d'abord, et il est déduit en totalité du build.
Que se passe-t-il après le lancement ?
Une garantie de 30 jours, puis à vous de choisir. Après la garantie, un plan de support optionnel couvre la surveillance de la dérive, les réentraînements planifiés et un ingénieur senior qui connaît le système. Un modèle que personne ne surveille perd en précision sans bruit ; nous recommandons donc de garder ce suivi en place.
Des données que personne
n'exploite ?
Dites-nous ce que vous cherchez à prédire, automatiser ou comprendre. Un ingénieur ML senior répond sous un jour ouvré et vous dit honnêtement si c'est faisable.