2025¶

Comment réussir à rester à jour en IA générative ?

Introduction

Aborder l'IA en général est déjà assez complexe. D’un point de vue externe, on n’a pas idée à quel point le domaine est vaste. Et une fois qu’on est dedans, c’est infini. On peut passer toute une carrière sur une petite spécialité de l’IA, comme par exemple les séries temporelles, ou encore travailler sur le traitement du langage (NLP), sans forcément savoir ce qui se passe dans les autres catégories d’IA comme les systèmes de recommandation, la vision par ordinateur, etc.

Vous vous dites que c’est déjà compliqué, mais imaginez maintenant qu’il y ait des nouveautés toutes les semaines. C’est exactement ce qu’on vit depuis 2-3 ans avec l’IA générative, une catégorie de l’IA qui évolue extrêmement vite, avec de nombreux acteurs : OpenAI, Anthropic, Deepseek, Alibaba, XAi, HuggingFace, Pleias, Mistral... Bref, je pense que cela pourrait faire l’objet d’un article de blog à part entière.

Suivre tout cela est donc très complexe : des modèles sortent presque tous les jours, de nouvelles techniques, des produits... 24 heures ne suffisent clairement pas pour tout voir.

Comme c’est mon métier et que je suis passionné par le sujet, j’ai pris l’habitude de suivre un peu tout ça au quotidien, en essayant de ne pas trop en faire et en gardant du plaisir. Je me suis donc dit qu’il serait intéressant d’écrire un article sur la façon dont j’essaie de rester à jour.

Mon RAG ne marche pas : pourquoi l’analyse d’erreur change tout

Introduction

J’ai déjà écrit un article sur comment améliorer le RAG ici, mais le sujet est tellement vaste qu’il y a toujours de nouvelles choses à partager. D’autant plus que j'entends souvent des remarques comme :
"Je ne comprends pas, pourtant j’ai ajouté [la techno à la mode], mais le résultat n’est pas bon."

Comprendre l'intelligence artificielle : L'IA générative (Partie 2)

Introduction

Dans la première partie de cette exploration de l'intelligence artificielle, j'ai cherché à rendre accessibles des notions souvent floues comme le machine learning et le deep learning. Dans cet article, je vous propose de plonger ensemble dans un domaine dont tout le monde parle depuis deux ans : l'IA générative.

Avec l'essor impressionnant d'outils comme ChatGPT, Perplexity ou Midjourney, l'IA générative s'est imposée sur le devant de la scène. Contrairement aux autres formes d'IA qui se contentent d'analyser ou de classer des données, cette technologie est capable de créer de nouvelles données. Que ce soit pour générer du texte, des images, ou même de l'audio. En gros, tout réside dans le mot "Générative" : pour faire simple c'est une forme ou domaine d'IA qui va permettre de générer un nouveau contenu.

Dans cette partie, je vais simplement expliquer ce qu'est l'IA générative, comment ça marche, donner des exemples concrets, et montrer à quoi ça sert vraiment. L'idée, c'est de voir comment les machines ne se contentent plus de comprendre ce qu'on leur donne, mais arrivent carrément à créer du nouveau contenu.

Comprendre l'intelligence artificielle : Guide pratique simple (Partie 1)

Introduction

L'intelligence artificielle séduit de plus en plus de curieux et de professionnels, grâce à des outils révolutionnaires comme ChatGPT. Ces avancées ont non seulement transformé notre manière d'interagir avec la technologie, mais ont aussi rendu l'IA incontournable dans les discussions contemporaines. Avec l'IA générative, nous pouvons désormais produire du texte, des images et bien d'autres contenus grâce à de puissants modèles d'apprentissage.

Comment améliorer le RAG

Souvent, pour améliorer une application d'IA comme un RAG ou un agent, il est plus judicieux de se concentrer sur l'analyse fine des erreurs plutôt que de céder à la tentation d'ajouter systématiquement de nouveaux outils. Voyons pourquoi cette approche pragmatique est souvent la plus efficace.

La course aux outils : Une fausse bonne idée ?

Lorsqu'on cherche à améliorer une application IA, qu'il s'agisse d'un système RAG (Retrieval-Augmented Generation) ou d'un agent conversationnel plus complexe, l'écosystème technologique nous présente une multitude d'outils. Frameworks, bases de données vectorielles, modèles d'embedding, techniques de réécriture de prompt... chacun promettant d'améliorer significativement les performances.

Pourtant, céder à cette "course aux outils" sans une compréhension claire du problème à résoudre peut s'avérer contre-productif. L'approche la plus pragmatique, et souvent la plus efficace sur le long terme, repose moins sur l'accumulation de nouvelles briques technologiques que sur une analyse rigoureuse des erreurs et l'amélioration continue de l'architecture existante.