FAQ — Artificial Intelligence en pratique

Cela dépend du type de modèle. Pour un classifieur de texte (par exemple trier des emails de réclamation), quelques centaines de documents annotés peuvent suffire si les catégories sont bien distinctes. Pour de la prévision de séries temporelles (demande, stocks, trafic), nous recommandons au moins 18 mois d'historique avec une granularité journalière.

Si vous avez moins de données, nous pouvons parfois compenser avec des techniques de data augmentation ou du transfer learning. L'audit initial sert précisément à évaluer si le volume disponible est suffisant pour atteindre le niveau de précision que vous visez.

Non. Nous avons l'habitude de travailler avec des sources hétérogènes : tableurs, exports CSV, bases Access, PDF scannés et même des photos de formulaires papier. Nos pipelines d'extraction utilisent l'OCR pour les documents non structurés et des parseurs spécialisés pour les formats tabulaires.

Le nettoyage et la normalisation des données représentent en général 30 à 40 % du temps total du projet. C'est normal et c'est inclus dans nos devis.

Oui. Nous signons systématiquement un accord de confidentialité (NDA) avant tout échange de données. Les données sont stockées sur des serveurs situés dans l'Union européenne et chiffrées au repos comme en transit.

Pour les projets particulièrement sensibles (données médicales, financières), nous pouvons travailler directement sur votre infrastructure, sans que les données ne quittent vos murs. Nous avons déjà mené des projets dans des environnements air-gapped pour des clients du secteur bancaire.

Un prototype ciblé (un seul cas d'usage, données déjà disponibles) démarre à 8 000 €. Cela couvre l'audit des données, l'entraînement du modèle, les tests de performance et un rapport de résultats.

Les projets complets d'industrialisation (déploiement API, monitoring, formation des équipes) se situent entre 25 000 € et 80 000 € selon le nombre de sources de données, la complexité du modèle et les exigences d'intégration avec vos systèmes existants.

Nous facturons en trois jalons : 30 % à la signature, 40 % à la livraison du prototype validé, 30 % à la mise en production. Pas de frais cachés.

Comptez une à deux semaines pour l'audit, quatre à six semaines pour le prototype, puis deux à quatre semaines pour l'industrialisation. Au total, entre sept et douze semaines pour un projet standard.

Le facteur qui rallonge le plus souvent le calendrier est la disponibilité des données côté client. Si vos données sont déjà centralisées et documentées, nous gagnons facilement deux semaines.

Oui. Nous proposons des contrats de support mensuels qui incluent le monitoring de la dérive du modèle, les réentraînements périodiques et un temps de réponse garanti de 4 heures ouvrables en cas d'incident. Le tarif dépend du nombre de modèles en production et de la fréquence de réentraînement souhaitée.

Certains clients préfèrent gérer la maintenance en interne après la formation. Dans ce cas, nous fournissons la documentation technique complète et restons disponibles pour du conseil ponctuel à la journée.

Nos modèles sont développés principalement en Python, avec scikit-learn pour les approches classiques (régression, forêts aléatoires, gradient boosting) et PyTorch pour le deep learning (réseaux récurrents, transformers). Pour le NLP multilingue, nous utilisons des modèles pré-entraînés comme CamemBERT (français) et BERTje (néerlandais), que nous affinons sur vos données spécifiques.

Le déploiement se fait via des conteneurs Docker orchestrés avec Kubernetes, exposés par une API REST documentée avec OpenAPI. Nous utilisons MLflow pour le suivi des expériences et Evidently AI pour le monitoring de la dérive en production.

Le modèle est exposé via une API REST sécurisée (authentification par clé API ou OAuth2). Votre application envoie les données en JSON, reçoit la prédiction en retour en quelques millisecondes. Nous fournissons des exemples de code en Python, JavaScript et Java pour faciliter l'intégration.

Si vous utilisez un ERP (SAP, Odoo) ou un CRM (Salesforce, HubSpot), nous pouvons développer un connecteur dédié. Pour les cas simples, un webhook ou un plugin Zapier peut suffire.

La dérive des données est un phénomène normal : les comportements clients changent, les produits évoluent, les conditions de marché fluctuent. Notre système de monitoring détecte automatiquement quand les prédictions s'éloignent des résultats observés au-delà d'un seuil défini ensemble.

Quand ce seuil est franchi, nous déclenchons un réentraînement sur les données récentes. En général, un réentraînement trimestriel suffit pour la plupart des cas d'usage. Pour les environnements très volatils (trading, e-commerce saisonnier), nous mettons en place un réentraînement automatique hebdomadaire.