Tu veux intégrer de l'IA dans ton produit mais plus tes utilisateurs s'en servent, plus ta facture grimpe et ta marge, elle, ne suit pas.

Le modèle économique du SaaS classique ne survit pas tel quel à l'IA générative, et peu de décideurs produit ont vraiment regardé ce que ça change.

Jean-Philippe Fourès est VP Product chez Iguane Solutions, où il déploie des modèles IA sur infrastructure dédiée pour des clients dans la banque, l'assurance et la santé.

Venu de la tech et du Big Data, il fait le pont entre le fonctionnement réel de l'IA et ce que ça change pour tes arbitrages produit.

Dans cet épisode, il explique :

• Le coût réel d'un token, et ce que ça implique pour une feature IA à l'échelle.
• Closed source, open-weight, modèle hébergé : comment choisir le bon modèle selon ton contexte.
• Pourquoi la vraie question de la souveraineté n'est pas le coût, mais qui peut lire tes données et ce que ton contrat avec un éditeur US ne te protège pas de faire.
• Comment un petit modèle spécialisé, réentraîné en quelques heures, peut battre un modèle frontière hors de prix.

Pour retrouver la communauté Product Partners c'est par là.

Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

Céline Delaugère est la cofondatrice et CEO de MyDataMachine, une entreprise qui accompagne ses clients sur des cas d'usage de l'IA liés à la vidéo : détection d'opportunités de vente en magasin, lutte contre le vol à l'étalage, reconnaissance de tendances mode, classification de véhicules.

Son équipe annote en moyenne 1,5 million d'images par mois pour fiabiliser les modèles de vision de ses clients.

Dans cet épisode, Céline partage son expérience sur le concept de Human-in-the-Loop (HITL) et en quoi cette méthode permet à la fois d'itérer vite et de déployer des systèmes IA robustes.

Tu apprendras :

• Pourquoi un modèle à 70% de réussite peut quand même partir en production.
• Pourquoi l'expertise métier (mode, retail, médical, automobile) devient l'actif le plus rare pour entraîner les IA verticales.
• Pourquoi le métier de data annotator est aujourd'hui dans le top 3 des jobs en croissance sur LinkedIn.
• Les 3 endroits exacts où l'humain doit intervenir dans le cycle de vie d'un modèle IA.
• Comment construire un dataset d'évaluation vraiment robuste.

Retrouve Céline sur LinkedIn et sa newsletter Vision Before Technology ici.

Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

Comment évaluer un agent IA quand il ne se contente plus de répondre, mais choisit ses outils, manipule des données et déclenche des actions ?

Laurent Zhang est le cofondateur de Mankinds, une plateforme d’évaluation d’applications IA incubée à Station F dans le programme F/ai.

Dans cet épisode, il partage son expérience sur l'évaluation des applications d’IA générative et les systèmes agentiques.

Nous discutons notamment des alternatives au "LLM as a judge" avec des tests plus déterministes, auditables et adaptés aux secteurs régulés.

Il explique :

• La différence entre un workflow IA séquentiel vs un agent autonome.
• Les limites de la méthode d'évaluation avec un LLM (LLM as a judge) et les alternatives.
• L'approche d'évaluation que propose Mankind avec des scoreurs déterministes et des datasets contextualisés.
• Pourquoi la conformité n'est pas un frein mais un accélérateur à l'innovation.

(00:00:00) Parcours de Laurent et mission de Mankind

(00:06:21) Systèmes agentiques et limites du LLM as a judge

(00:15:27) Du contexte aux tests déterministes

(00:25:31) Orchestration, modèles et mise en production

(00:36:03) RAG, graphes et adoption de l’IA agentique

Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.