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.
La plupart des projets ML meurent entre le notebook et la production. Pas les nôtres.
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 business mesurable, pas sur un score de précision dans un slide.
Prévision de la demande & des ventes
Des modèles qui ingèrent historique, saisonnalité et signaux en direct, pour planifier stocks, effectifs et dépenses en confiance.
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. Vous obtenez une lecture honnête de 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 — euros, heures, ruptures de stock — pas des benchmarks abstraits.
04Livrer, surveiller, réentraîner
Déploiement en production avec alarmes de dérive et boucle de réentraînement. Le modèle continue d'apprendre ; l'équipe aussi.
Nous l'avons déjà livré.
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.
Choisis pour le problème, pas pour le CV.
Nous sommes agnostiques sur les frameworks et exigeants sur les résultats. La stack se plie au problème — jamais l'inverse.
Une seule équipe. Zéro passation.
Les disciplines le plus souvent combinées avec l'IA / ML — même architecture, mêmes ingénieurs, aucune taxe d'intégration.
Des réponses franches, par écrit.
Les huit questions que les acheteurs d'IA / ML nous posent le plus — avec les réponses que nous donnerions en réunion.
Posez-la dans un brief. Un ingénieur ML senior — pas un commercial — répond sous un jour ouvré.
Q.01Faut-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.
Q.02De 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.
Q.03Combien de temps avant une mise en production ?
La découverte dure une à deux semaines et se conclut par un plan fixe. La plupart des équipes voient une première tranche de qualité production — un vrai modèle, derrière un vrai endpoint, sur votre infrastructure — en six à dix semaines. Ensuite, nous itérons chaque semaine sur la métrique business.
Q.04Et 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.
Q.05Où vivent nos données, et qui peut les voir ?
Dans votre compte cloud — nous déployons dans votre AWS, pas le nôtre. 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.
Q.06Qui 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.
Q.07Combien coûte une mission IA / ML ?
Des résultats facturés, pas des heures. Après un sprint de découverte, vous obtenez des jalons fixes et un budget fixe par écrit. Les premières missions se situent généralement entre $25k et $75k ; vous voyez le chiffre avant que quiconque s'engage.
Q.08Que se passe-t-il après le lancement ?
Nous restons. Chaque mission inclut un support à vie : surveillance de la dérive, réentraînements planifiés et un ingénieur senior qui connaît le système — il répond en heures, pas via une file de tickets. Les modèles se dégradent en silence quand personne ne regarde. Les nôtres sont surveillés.
Des données qui devraient
travailler plus dur ?
Dites-nous ce que vous cherchez à prédire, automatiser ou comprendre. Un ingénieur ML senior répond sous un jour ouvré avec une lecture honnête de la faisabilité.