Catégorie :
J'ai laissé l'IA construire seule un jeu dans le navigateur : 21 heures, 613 M de tokens et 240 USD. Le rendu est superbe. Le code a accumulé 20 anti-patterns.
Lire la suite: Vibe coding à l'aveugle : un jeu superbe et un code qui ne passe pas à l'échelle →
Les médias reviennent sans cesse à la même question : l'IA ressent-elle, est-elle consciente, a-t-elle peur ? J'explique ici pourquoi un LLM ressemble davantage à une prévision météo très complexe qu'à un esprit — et pourquoi paraître convaincant ne veut pas dire penser.
Lire la suite: L'IA est-elle consciente ? Non : elle calcule des probabilités →
Nous utilisons un vocabulaire cognitif pour décrire ces systèmes, et cela crée des attentes qui se brisent ensuite en production. Je reviens ici sur les notions de base — LLM, MCP, AGI —, sur ce qui se passe vraiment dans un transformer, sur la raison pour laquelle le reasoning n'est pas un nouveau module, et sur les métriques d'Artificial Analysis que j'utilise pour mesurer au lieu de débattre.
Lire la suite: Ce qu'est vraiment un LLM — et comment le mesurer avec Artificial Analysis →
Les AI dev tools sont géniales pour un PoC, mais passer en prod, c'est une autre histoire. Je partage ici mon approche de l'AI SDLC et les bonnes pratiques que j'applique, issues de mon expérience.
Lire la suite: AI SDLC : un recueil de bonnes pratiques pour développer avec l'IA →
Un complément écrit à zerogap.uk/agents — où je présente les architectures RAG, les agentic patterns d'orchestration et comment choisir le bon pour votre problème.
Lire la suite: Agentic Patterns et les multiples visages du RAG →
Une conception possible pour une infrastructure d'agent de niveau production sur AWS : ECS Fargate, CI/CD GitLab avec évaluation automatisée, ingestion via Lambda, observabilité auto-hébergée avec Phoenix, une seule instance RDS avec pgvector, un DR multi-région en pilot light et une boucle d'amélioration continue — avec les coûts mensuels.
Lire la suite: Architecture d'un agent — Infrastructure en production →
Le HyperAgent Cognition Engine est une architecture double de hyper-agent dans laquelle deux pipelines cognitifs complets — un Solver et un Critic — travaillent ensemble, combinant pensée latérale, raisonnement d'experts du domaine, vérification indépendante et affinage itératif dans un seul système cohérent.
Une check-list pratique pour sécuriser les systèmes d'IA : choisir entre LLM et logique déterministe (et quand utiliser MCP), sécuriser les entrées, assainir les sorties, isoler agents et outils, utiliser les modèles locaux en toute sécurité, et évaluer et observer en continu.
Aujourd'hui, on peut créer des sites modernes uniquement en Python, côté frontend comme côté backend, et y intégrer l'IA pour des expériences avancées. Voici comment le faire en toute sécurité, avec un générateur d'histoires pour enfants comme exemple.
Lire la suite: Un site web complet en Python : frontend et backend avec l'IA →
Comment configurer un serveur MCP (Model Context Protocol) distant en Streamable HTTP avec une authentification Okta sécurisée et DPoP, protégé par un reverse proxy en Python.
Lire la suite: Comment configurer un serveur MCP avec Okta et un reverse proxy en Python →
