IA générative
Modèles, adaptation et exécution
API OpenAI (GPT)
Llama
Qwen
Hugging Face
Ollama
NVIDIA- Hermes Agent Nous Research
- LoRA
- QLoRA
Méthode d’intervention
Réduire l’incertitude, organiser l’action, préparer la continuité
datapredict part d’un besoin métier identifié : la décision à soutenir, les usages attendus et les critères d’utilité sont clarifiés avant tout choix de solution. Le niveau d’analyse et les productions sont ensuite ajustés au contexte et aux conditions d’exploitation.
Séquence d’intervention
Quatre étapes, chacune avec un point de repère explicite
La séquence reste stable ; la profondeur d’analyse et les productions associées s’adaptent au contexte.
-
Clarifier
Expliciter l’objectif, les usages, le périmètre, les interlocuteurs, les responsabilités et les critères de réussite.
- Objectifs et usages attendus
- Périmètre et parties prenantes
- Décision à instruire
Ce qui doit devenir expliciteLe périmètre, les responsabilités et la décision attendue
-
Diagnostiquer
Établir les faits à partir des données disponibles, des processus, des dépendances et des conditions d’exploitation.
- Qualité, flux et architecture
- Risques, sécurité et dépendances
- Écarts et zones d’incertitude
Ce qui doit devenir expliciteLes constats, les risques, les dépendances et les inconnues
-
Arbitrer
Comparer les scénarios, rendre visibles leurs impacts et leurs priorités, puis formaliser la trajectoire retenue.
- Scénarios et impacts
- Priorités et conditions de mise en œuvre
- Trajectoire et séquence d’action
Ce qui doit devenir expliciteLes options comparables, l’arbitrage attendu et la suite à engager
-
Transmettre
Consolider la documentation utile, le backlog, les responsabilités, la passation et les conditions de passage au RUN.
- Gouvernance et responsabilités
- Documentation utile et backlog
- Passation et conditions d’exploitation
Ce qui doit devenir expliciteLes responsabilités, la passation et les conditions de reprise
Socle mobilisable
Technologies et référentiels
Le choix des outils découle des usages, de l’architecture existante, des contraintes d’exploitation et des compétences disponibles. Ce socle présente les principaux environnements mobilisables ; il ne constitue pas un catalogue imposé.
Systèmes agentiques
Frameworks, agents et traçabilité
Pydantic- LlamaIndex
LangChain
LangGraph
CrewAI- BeeAI Framework
AutoGen Microsoft
Google Agent Development Kit ADK
OpenClaw
Model Context Protocol MCP
LangSmith
RAG et recherche vectorielle
Indexation, retrieval et bases vectorielles
fastRAG
Faiss
pgvector
Qdrant
Pinecone
Automatisation et services
Workflows, APIs et connaissance
n8n
Zapier
Make
Celery
API REST
FastAPI
Streamlit
Obsidian
Données et stockage
Cloud, plateformes et bases
Google Cloud GCP
BigQuery
DuckDB- PostgreSQL
Microsoft SQL Server
Oracle Database
MongoDB
Neo4j
Construction des solutions
Data engineering et développement
Python
Scala
Apache Spark
Apache Kafka
Apache Airflow
Bash
Mise en production
Déploiement et observabilité
Docker
Kubernetes
Terraform
GitHub Actions
Elastic Stack ELK
Prometheus / Grafana
Gouvernance et décision
Pilotage, BI et outils métier
DAMA-DMBOK
Everwin
Power BI
Plotly | Dash
Du terrain aux usages
Industrie, edge et applications
LoRaWAN
Raspberry Pi
Principes de travail
Un cadre lisible, adapté à chaque contexte
Faits et traçabilité
Distinguer les éléments disponibles, les hypothèses, les risques et les décisions encore attendues.
Proportion au contexte
Adapter le niveau de détail aux enjeux, aux contraintes et au niveau de maturité du dispositif.
Continuité opérationnelle
Structurer les éléments utiles pour qu’ils puissent être compris, exploités et repris par les parties concernées.
Les exemples publics sont anonymisés et reformulés. Les données, médias et supports internes ne sont pas publiés.
Point de départ
Mettre le contexte à plat avant d’engager la suite
Un premier échange permet de préciser le problème, la décision attendue et le périmètre utile de l’intervention. Aucun document sensible n’est nécessaire à ce stade.