Architecture, ingénierie, réglementation —
sans le bullshit marketing.
De la mise en place de garde-fous au fine-tuning d'un modèle aligné — guardrails externes, mécanismes internes (RLHF, DPO, Constitutional AI), datasets ouverts, capacité de calcul nécessaire. Toutes les couches, tous les coûts.
Définition, patterns canoniques (ReAct, Plan-Execute, Reflexion, multi-agent), mémoire, outils, évaluation, frameworks. Le guide de référence pour quiconque conçoit ou intègre un système agentique aujourd'hui.
Passer LangGraph du notebook à la production sérieuse — checkpointing Postgres, human-in-the-loop, streaming, sub-graphs, intégration LangSmith / MLflow. Tous les pièges rencontrés en mission.
Quand un framework générique ne suffit plus — patterns de design (state machine, event sourcing, supervision arborescente, circuit breakers), exemples de code, pièges.
Tracking, Tracing, Evaluation, Prompt Registry, Model Registry — toute la chaîne MLOps LLM avec MLflow. Intégration LangChain / LangGraph / LlamaIndex. Conformité AI Act native.
Comparatif honnête des moteurs d'inférence — PagedAttention, RadixAttention, speculative decoding, prefix caching. Quand utiliser quoi, sans religion ni dogme.
Pourquoi 2× plus rapide et 60 % moins de mémoire, comment ça marche réellement (kernels Triton, FlashAttention, gradient checkpointing), méthodes supportées, exemples complets, limites.
Quoi versionner (poids, adapters, prompts, datasets), où l'entreposer, comment promouvoir (canary, blue-green, shadow). Le guide pratique pour rendre votre IA opérable dans la durée.
safetensors, GGUF, ONNX, TensorRT-LLM, MLX. Quantization FP8, AWQ, GPTQ, MXFP4. Quel format pour quel contexte — sans confusion ni religion.
Classification des risques, obligations concrètes, calendrier d'application, pièges à éviter. Le guide technique que les juristes ne peuvent pas écrire seuls.
Pourquoi héberger votre RAG sur AWS ou Azure expose vos données aux juridictions américaines, même chiffrées, même en Europe.
Le guide de référence complet. Embeddings, hybrid search, reranking, query rewriting, GraphRAG, évaluation RAGAS. Avec tous les schémas.
De la constitution du dataset à l'évaluation post-entraînement. QLoRA sur une seule GPU, pipelines TRL/Axolotl, métriques à surveiller.
vLLM, SGLang, llama.cpp — comment choisir, dimensionner son GPU, quantizer et monitorer en production. Zéro théorie, 100% opérationnel.