Hors model

Horsmodel

Hors Modèle, l'IA telle qu'on l'utilise vraiment. ▎ Pas les promesses des keynotes : ce qui marche, ce qui coûte, ce qui casse. Agents IA, ▎ modèles, outils de code, automatisation… À chaque épisode, un sujet décortiqué de bout en ▎ bout : le mécanisme, un cas concret, ce que ça change pour toi, et ce qui ne tient pas ▎ la route. ▎ Pour les développeurs, les créateurs et les curieux qui veulent comprendre l'IA sans ▎ jargon ni battage. ▎ Retrouve Hors Modèle sur YouTube, TikTok, Instagram et LinkedIn.

  1. Oct 15

    S02 E03: L'incident IA le plus dangereux : la baisse de 2 % par semaine

    Un modèle peut briller sur un benchmark et rater ton lancement sur un format de sortie ou une vérification sautée. Dans cet épisode, on branche l'évaluation sur la vraie vie : les benchmarks remis à leur place, l'évaluation hors ligne qui précède le lancement, puis les trois portes qu'une IA doit passer, bloquante, souple et canari. On parle de l'incident le plus dangereux, la lente dérive qui ne déclenche aucune alerte, et de la boucle qui transforme chaque incident en test. Tu repars avec un système d'évaluation minimum en six pièces, faisable sans plateforme, et un nom pour ce qu'il faut éviter : l'évaluation théâtre. Chapitres : 0:00 Ouverture 0:32 Intro 1:04 Les benchmarks à leur place 1:42 Avant le lancement 2:36 Les trois portes 3:39 Régler le canari 4:17 Après le lancement 5:13 La mémoire de ce qui a cassé 5:56 Le bon niveau de zoom 6:42 Le minimum viable 7:50 Récap et suite #HorsModele #IAenproduction #LLMOps #monitoring #evaluationIA

  2. Oct 15

    S02 E4 :Ton modèle a l'air plus intelligent : il a peut-être vu l'examen

    Ton modèle a l'air plus intelligent, mais il a peut-être vu les réponses de l'examen. Cet épisode remonte à l'entraînement, le premier endroit où tu peux empêcher une faiblesse de s'installer dans le modèle. On passe par les quatre contrôles de données à faire avant d'entraîner, les trois niveaux de fuite entre entraînement et tests, et ce que la courbe de perte ne te dira jamais sur le comportement. Suivre une consigne recouvre trois compétences (intention, contrainte, format), et le réglage par préférences amène trois dérives : sur-refus, réponses génériques et verbosité. Tu repars avec l'ordre de décision pour choisir entre un gros modèle et un petit modèle affiné.Chapitres : 0:00 Ouverture 0:30 Intro 1:09 Les données d'abord 2:07 Les trois niveaux de fuite 2:52 Ce que la courbe ne dit pas 3:19 Trois compétences 4:21 Les dérives des préférences 5:23 Robustesse et lancement 6:10 Gros ou petit modèle 7:16 Récap et suite#HorsModele #evaluationIA #finetuning #LLM

  3. Oct 15

    S02 E05: Ton IA ne doit dire que ce que ses outils ont prouvé

    Ton IA peut écrire une confirmation parfaite sans avoir rien vérifié. Cet épisode transforme l'évaluation en production en système de contrôle, étape par étape : le contrôle à l'accueil des demandes, la consigne versionnée comme du code, et le contrat de sortie avec réparation limitée et réponse de secours. On règle la température selon le niveau de risque, et on passe par les quatre obligations d'un appel d'outil, dont la dernière protège le plus tes clients. On voit aussi comment évaluer la recherche documentaire sans la confondre avec la génération, et les cinq budgets qui tiennent coût et latence. On termine avec l'échelle de déploiement : ombre, canari, pleine charge. Chapitres : 0:00 Ouverture 0:32 Intro 1:10 Deux fils et l'accueil 2:02 La consigne est du code 2:48 Le contrat de sortie3:28 La température selon le risque 4:15 Les quatre obligations 5:05 La recherche documentaire 5:56 Les cinq budgets 6:44 Surveiller et déployer 7:37 Récap et suite #HorsModele #IAenproduction #LLMOps #RAG #evaluationIA

  4. Oct 15

    S02 E01: Ton IA peut décrire une image qu'elle n'a jamais regardée

    Une IA qui lit des images peut écrire un texte impeccable sur une image qu'elle a à peine regardée, et rien dans sa réponse ne t'alerte. On voit où les modèles vision-langage cassent en silence, de l'encodeur au modèle qui écrit, et ce que veut dire l'ancrage visuel sur quatre niveaux : objets, attributs, relations, preuves. On classe un projet par criticité avant d'écrire le moindre test, et on découvre comment une légende parfaitement correcte apprend à une IA à inventer, puis quels pièges la démasquent, du micro-ondes absent aux paires contrefactuelles. On suit ensuite une équipe qui extrait des factures : un taux d'invention de 4,7 % cachait 12 % sur les longues factures et a bloqué son premier lancement. Tu repars avec une règle simple pour tes seuils : les fixer par tranche, après avoir analysé les tranches. Chapitres : 0:00 Ouverture 0:37 Intro 1:16 Où ça casse 1:55 L'ancrage en quatre niveaux 2:48 Classe ton projet d'abord 3:41 La légende qui apprend à halluciner 4:40 Les tests qui démasquent 5:40 L'histoire des factures 6:33 Le chiffre qui cachait tout 7:31 Les portes à part 8:09 Récap et suite #HorsModele #visionIA #evaluationIA #hallucination #IAmultimodale

  5. Oct 15

    S02 E07: L'image que tu envoies à ton IA n'est pas celle qu'elle voit

    Entre ton scan et le modèle, l'image est redimensionnée, découpée, recompressée, et un montant lisible peut arriver sous la forme d'une tache floue. Dans cet épisode, on met en production le modèle qui lit des factures, là où il n'existe plus aucune réponse de référence. On voit pourquoi il faut enregistrer l'image telle que le modèle la reçoit, ce que coûte vraiment la résolution, et pourquoi un montant n'est accepté qu'avec trois preuves : une zone citée, l'accord de l'OCR et une confiance suffisante. On parle aussi des politiques par qualité d'image et des dérives que personne ne note, comme un changement de scanner. Deux incidents illustrent le tout : une attaque cachée dans un pied de page de facture, et un nouveau scanner qui a fait dérailler l'IA en 48 heures.

  6. Oct 15

    S02 E08: Au tour 1, un nodule bénin. Au tour 10, une tumeur. Rien n'a changé.

    Au premier tour, l'assistant médical parle d'un nodule bénin, et au dixième d'une tumeur possible, sans aucune nouvelle image. Cet épisode évalue les assistants IA qui voient, écoutent et parlent, sur toute la durée d'une conversation. On parcourt le cycle en dix phases, on voit comment les retours produits trahissent une IA qui invente, ce que la transcription de la voix efface, et comment mesurer les contradictions entre ce que l'IA voit et ce qu'elle conclut. On décortique la dérive conversationnelle et la remise à l'ancre qui la révèle, puis les deux taux qui disent si ton IA sait passer la main. Tu repars avec une fiche en six lignes pour chaque indicateur. hapitres :0:00 Ouverture 0:36 Intro 1:13 Dix phases 2:02 Données et modalités 2:45 Ce que la transcription efface 3:36 Les contradictions 4:30 La dérive 5:30 Robustesse et équité 6:15 Passer la main 7:09 La fiche d'indicateur 7:38 Récap et suite #HorsModele #IAmultimodale #evaluationIA #IAsante #IAenproduction

  7. Oct 15

    S02 E09 :Ton IA a des centaines de spécialistes, peut-être trois au travail

    Ton modèle d'IA a peut-être des centaines de spécialistes internes, et n'en fait travailler que quelques-uns. Cet épisode évalue le mélange d'experts, une architecture où un aiguilleur envoie chaque morceau de texte vers quelques spécialistes. On voit comment repérer l'effondrement des experts, pourquoi un expert inactif peut être en parfaite santé, comment surveiller les experts rarement sollicités, et ce que révèle la marge de confiance de l'aiguilleur. On découvre aussi que le goulot se trouve parfois dans le transport entre machines, et que sous forte charge, un modèle peut abandonner des morceaux de texte sans rien dire, au point de paraître excellent en moyenne et d'échouer dans une langue précise. Chapitres : 0:00 Ouverture 0:32 Intro 1:24 L'effondrement 2:07 Mort ou rare 3:08 Les experts froids 3:55 L'aiguillage en production 4:49 Le transport 5:34 Les morceaux abandonnés 6:32 Des experts d'accord 7:19 Récap et suite #HorsModele #MoE #evaluationIA #LLMOps #IAenproduction

  8. Oct 15

    S02 E10: L'agent devait annuler une livraison, il a cliqué sur « confirmer »

    Un agent IA devait annuler une livraison : il a cliqué sur « confirmer », appelé la mauvaise interface, réessayé la même étape ratée et envoyé une mise à jour irréversible, puis il a répondu « C'est fait ». Cet épisode montre comment évaluer un agent qui utilise l'ordinateur, une action à la fois, en distinguant l'automatisation robotisée, l'agent et le modèle d'action. Tu verras pourquoi un appel d'API parfaitement valide peut tourner à la catastrophe, quels contrôles appliquer à chaque étape et comment repérer un agent qui tourne en rond. On décompose le temps et le coût des longues tâches, puis on classe chaque tâche en cinq issues au lieu de réussi ou raté. On finit avec le petit modèle qui traduit les intentions en appels de fonctions, jugé aussi sur sa capacité à s'abstenir. Chapitres : 0:00 Ouverture 0:38 Intro 1:22 Robot, agent, modèle d'action 2:29 Faisable n'est pas valide 3:22 Trois contrôles par étape 4:05 Tourner en rond 4:46 Le temps et l'argent 5:27 Cinq issues, pas deux 6:27 Les violations 6:59 Le petit modèle d'appel 7:41 Récap et suite #HorsModele #agentsIA #evaluationIA #functioncalling #automatisation

See All (25)

About

Hors Modèle, l'IA telle qu'on l'utilise vraiment. ▎ Pas les promesses des keynotes : ce qui marche, ce qui coûte, ce qui casse. Agents IA, ▎ modèles, outils de code, automatisation… À chaque épisode, un sujet décortiqué de bout en ▎ bout : le mécanisme, un cas concret, ce que ça change pour toi, et ce qui ne tient pas ▎ la route. ▎ Pour les développeurs, les créateurs et les curieux qui veulent comprendre l'IA sans ▎ jargon ni battage. ▎ Retrouve Hors Modèle sur YouTube, TikTok, Instagram et LinkedIn.

Information

  • Creator
    Horsmodel
  • Episodes
    25
  • Rating
    Clean
  • Copyright
    © Horsmodel
  • Show Website
    Hors model