IA en production.
Assistants, agents et entraînement sur une infrastructure que nous opérons. Évaluation comprise.
Desmodèlesdelangagesurtélémétrieendirect.Desagentsquifontunvraitravailentreserveurs.Despolitiquesdecontrôleentraînéessurjumeauxnumériquesavantd'atteindrelebord.Chaquechangementpasseunjeud'évaluationfixeavantdesortir.Notrepropreentreprisefonctionneainsi.
Assistants LLM sur données en direct
Réponses depuis un flux MQTT ou une base de données en direct, pas un corpus statique. En production pour un opérateur d'infrastructure depuis 2026. Modèles auto-hébergés ou par API.
Agents via MCP
Systèmes multi-agents sur notre propre serveur MCP sur plusieurs hôtes. Coder, déployer, tester, surveiller. Le même serveur fait tourner Blackcycle.
Entraînement sur jumeaux numériques
Apprentissage par renforcement multi-agent sur jumeaux SUMO avec RLlib et PettingZoo. La politique entraînée passe au nœud edge en changeant un paramètre. Préprint et jeu de données sur Zenodo.
RAG et recherche vectorielle
PostgreSQL avec pgvector par défaut, Qdrant à l'échelle. Qualité de récupération mesurée avant que le modèle réponde.
Questions Fréquentes
Les deux. Modèles ouverts sur nos GPU quand les données ne peuvent pas sortir du périmètre. Claude ou des API similaires quand la qualité ou le contexte priment. Même évaluation pour les deux.
Un jeu fixe de cas avec réponse correcte conçue, exécuté N fois par version de prompt. Exactitude, latence p50 et p95, résistance à l'injection de prompt. Pas de régression, pas de sortie.
Une seule interface d'outils. Les agents découvrent et appellent ERP, CRM, bases de données, CI/CD et infrastructure par un protocole. Permissions gérées en un seul endroit.
Une politique de contrôle doit essayer de mauvaises actions pour apprendre. Impossible sur un carrefour réel. Le jumeau exécute des milliers d'épisodes. Les données réelles le calibrent.