Aller au contenu principal
Le Fil IA

Actualités IA — page 245

7 616 articles au fil, du plus récent au plus ancien.

4881MarkTechPost 

Google AI publie Auto-Diagnose : un système basé sur des LLM pour diagnostiquer les échecs de tests d'intégration à grande échelle

Une équipe de chercheurs de Google a publié Auto-Diagnose, un outil basé sur le modèle Gemini 2.5 Flash qui analyse automatiquement les logs d'échecs de tests d'intégration, identifie la cause racine et poste un diagnostic structuré directement dans l'interface de revue de code interne de Google, appelée Critique. Évalué manuellement sur 71 pannes réelles couvrant 39 équipes distinctes, l'outil a correctement identifié la cause racine dans 90,14 % des cas. À grande échelle, il a déjà tourné sur 52 635 tests défaillants distincts, représentant 224 782 exécutions sur 131 130 changements de code écrits par 22 962 développeurs différents. Le taux de retours négatifs ("Not helpful") n'atteint que 5,8 %, tandis que 84,3 % des 517 retours reçus correspondent à des demandes "Please fix" de la part de reviewers, signe que les diagnostics sont jugés suffisamment fiables pour déclencher une action immédiate. L'enjeu est concret : diagnostiquer un échec de test d'intégration est structurellement plus difficile que de déboguer un test unitaire. Dans une enquête interne menée auprès de 116 développeurs Google, 38,4 % des échecs de tests d'intégration prenaient plus d'une heure à diagnostiquer, et 8,9 % plus d'une journée, contre respectivement 2,7 % et 0 % pour les tests unitaires. La raison est simple : les logs du pilote de test n'exposent généralement qu'un symptôme générique, un timeout ou une assertion échouée, tandis que l'erreur réelle est enfouie dans l'un des nombreux composants du système testé. Auto-Diagnose résout ce problème en agrégeant tous les logs, les triant par horodatage en un flux unique, puis en guidant le modèle via un protocole explicite étape par étape pour remonter à la source réelle de l'échec. Sur le plan technique, le système fonctionne sans fine-tuning : Gemini 2.5 Flash est appelé avec une température de 0,1 pour des résultats quasi-déterministes, à partir d'un prompt d'ingénierie pur incluant des contraintes négatives strictes, par exemple l'interdiction de tirer une conclusion si les logs du composant fautif sont absents. Chaque exécution consomme en moyenne 110 617 tokens en entrée et produit 5 962 tokens en sortie, avec une latence médiane de 56 secondes et un 90e percentile à 346 secondes, suffisamment rapide pour que le développeur voie le diagnostic avant de changer de contexte. Ce travail illustre une tendance plus large chez les grands groupes technologiques : utiliser les LLM non pas pour écrire du code, mais pour absorber la complexité observationnelle des systèmes distribués, là où l'humain peine à tenir l'ensemble des signaux en tête simultanément.

RecherchePaper
1 source
4882MarkTechPost 

Guide de programmation complet pour exécuter les modèles open-weight GPT d'OpenAI avec des workflows d'inférence avancés

OpenAI a publié une version open-weight de ses modèles GPT sous l'identifiant openai/gpt-oss-20b, un modèle de 20 milliards de paramètres téléchargeable depuis HuggingFace et exécutable localement via la bibliothèque Transformers. Un guide technique détaillé, publié récemment, explique comment déployer ce modèle dans Google Colab en s'appuyant sur la quantification native MXFP4, les activations en torch.bfloat16, et le système devicemap="auto" pour l'allocation GPU automatique. Le modèle pèse environ 40 Go en téléchargement et nécessite au minimum 16 Go de VRAM, ce qui impose l'usage d'un GPU de type T4 ou A100, disponibles sur Colab Pro. Le tutoriel couvre l'installation des dépendances précises (Transformers 4.51+, accelerate, sentencepiece), le chargement du modèle avec trustremote_code=True, puis l'exécution de workflows complets : génération structurée, streaming, dialogue multi-tours, appel d'outils et inférence en batch. La mise à disposition de ce modèle en open-weight représente un changement significatif pour les développeurs et chercheurs qui souhaitent inspecter, modifier ou déployer un LLM de la famille GPT sans dépendre de l'API d'OpenAI. Contrairement aux modèles hébergés, gpt-oss-20b offre une transparence totale sur l'architecture, un contrôle complet des paramètres d'inférence (température, topp, longueur de séquence), et la possibilité d'exécution hors ligne sur infrastructure privée. Pour les entreprises soumises à des contraintes de confidentialité des données, ou pour les équipes de recherche qui ont besoin de reproductibilité, c'est une alternative concrète aux API fermées. Le guide recommande d'ailleurs les paramètres temperature=1.0 et topp=1.0 pour reproduire le comportement officiel du modèle. Ce mouvement s'inscrit dans une dynamique plus large de publication de modèles open-weight par les grands laboratoires : Meta avec Llama, Mistral AI avec ses modèles libres, ou encore Google avec Gemma. OpenAI, longtemps perçu comme le plus fermé des acteurs majeurs, adopte ici une stratégie différente en libérant un modèle intermédiaire techniquement capable. La compatibilité avec l'écosystème HuggingFace et Transformers facilite l'adoption immédiate par la communauté. Les prochaines étapes pourraient inclure des fine-tunings spécialisés par la communauté, des déploiements sur hardware grand public via des solutions comme llama.cpp ou Ollama, et une évaluation comparative approfondie face à Llama 3 ou Mistral Large, ce qui permettra de situer précisément gpt-oss-20b dans le paysage des modèles ouverts.

LLMsTuto
1 source
4883AWS ML Blog 

Amazon Bedrock propose désormais une attribution détaillée des coûts

Amazon Web Services vient d'annoncer une nouvelle fonctionnalité d'attribution granulaire des coûts pour Amazon Bedrock, son service d'inférence d'IA en cloud. Désormais, Bedrock attribue automatiquement chaque dépense d'inférence à l'identité IAM (Identity and Access Management) qui a effectué l'appel, qu'il s'agisse d'un utilisateur IAM classique, d'un rôle assumé par une application Lambda, ou d'une identité fédérée via un fournisseur comme Okta ou Microsoft Entra ID. Ces données apparaissent directement dans AWS Cost and Usage Reports (CUR 2.0) sans aucune ressource supplémentaire à gérer ni modification des workflows existants. Concrètement, un rapport peut montrer qu'Alice a dépensé 0,069 dollar en tokens d'entrée et 0,214 dollar en tokens de sortie avec Claude Sonnet 4.6, pendant que Bob a consommé 1,188 dollar au total avec Claude Opus 4.6, avec une précision à l'identité près. Il est également possible d'ajouter des tags de coût sur les identités IAM pour regrouper les dépenses par équipe, projet ou centre de coût dans AWS Cost Explorer. Cette visibilité fine répond à un besoin croissant des entreprises qui voient l'inférence IA représenter une part de plus en plus significative de leur facture cloud. Sans attribution précise, il est impossible de refacturer correctement les équipes internes, d'identifier les usages inefficaces ou de planifier les budgets. Grâce à cette fonctionnalité, un DSI peut désormais savoir exactement quelle équipe produit, quel service applicatif ou quel développeur génère quels coûts LLM, sans déployer d'infrastructure de monitoring supplémentaire. Pour les organisations qui font transiter leurs appels via une passerelle LLM centralisée, AWS recommande d'utiliser AssumeRole avec des tags de session dynamiques afin de préserver la granularité par utilisateur final, même derrière un proxy unique. Cette annonce s'inscrit dans une tendance de fond : les grands fournisseurs de cloud cherchent à rendre l'IA générative compatible avec les pratiques de gouvernance financière des entreprises. Amazon Bedrock, qui donne accès à des modèles de plusieurs éditeurs dont Anthropic, Mistral et Meta, doit convaincre les directions financières que la dépense IA est traçable et contrôlable. La concurrence avec Azure AI et Google Vertex AI pousse AWS à muscler ses outils de FinOps autour de l'IA. À mesure que les modèles comme Claude Opus deviennent plus coûteux à l'usage, la capacité à attribuer précisément chaque dollar dépensé devient un argument de vente central pour les déploiements en entreprise, où la responsabilisation budgétaire par équipe est souvent non négociable.

InfrastructureActu
1 source
4884The Verge AI 

Le responsable de Sora chez OpenAI quitte l'entreprise

Bill Peebles, le responsable de l'équipe Sora chez OpenAI, a annoncé vendredi 11 avril 2026 son départ de l'entreprise. Cette décision intervient quelques semaines seulement après qu'OpenAI a mis en retrait son outil de génération vidéo Sora, relégué au second plan dans la feuille de route de la société. Dans un message publié sur X, Peebles a remercié Sam Altman, Mark Chen, Aditya Ramesh et Jakub Pachocki pour avoir soutenu un environnement de recherche permettant d'explorer des idées éloignées du cœur de métier de l'entreprise. Ce départ illustre un tournant stratégique majeur chez OpenAI, qui cherche désormais à éliminer les "side quests", c'est-à-dire les projets jugés périphériques. La société concentre ses ressources sur le développement d'outils de coding et sur les usages enterprise, considérés comme plus rentables et plus directement alignés avec ses objectifs commerciaux à court terme. Pour les équipes dédiées à la recherche fondamentale ou aux formats créatifs comme la vidéo, ce recentrage signifie moins de budget, moins de visibilité et, pour certains, une raison de partir. OpenAI avait lancé Sora début 2024 avec un impact médiatique considérable, promettant une révolution dans la génération vidéo par IA. Mais face à la concurrence de Runway, Kling ou Veo de Google, et sous la pression des investisseurs exigeant une rentabilité accélérée, la priorité a glissé vers des produits à retour sur investissement plus immédiat. Le départ de Peebles s'inscrit dans une série de changements internes qui signalent qu'OpenAI, valorisé à plus de 300 milliards de dollars, entre dans une phase d'industrialisation au détriment de l'exploration.

BusinessOpinion
1 source
19 outils de red teaming pour l'IA (2026) : sécurisez vos modèles ML
4885MarkTechPost 

19 outils de red teaming pour l'IA (2026) : sécurisez vos modèles ML

La sécurité des systèmes d'intelligence artificielle est devenue un enjeu majeur en 2026, poussant un nombre croissant d'équipes techniques à adopter des pratiques dites de "red teaming IA", une discipline qui consiste à tester les modèles d'apprentissage automatique en simulant des attaques adversariales réelles. Contrairement aux tests de pénétration classiques qui ciblent des failles logicielles connues, le red teaming IA explore des vulnérabilités spécifiques aux modèles génératifs : injection de prompt, empoisonnement de données, contournement des garde-fous (jailbreaking), fuite de données d'entraînement ou exploitation de biais. Un panorama publié en 2026 recense les 19 outils les plus fiables dans ce domaine, couvrant aussi bien des solutions open-source que des plateformes commerciales. Parmi eux figurent Garak, un toolkit open-source dédié aux LLM, PyRIT de Microsoft, l'outil AIF360 d'IBM centré sur les biais algorithmiques, Foolbox pour les attaques adversariales sur les modèles de vision, ou encore Mindgard et Dreadnode Crucible pour les évaluations automatisées de vulnérabilités. Des outils comme Guardrails ou Snyk s'adressent plus spécifiquement aux développeurs cherchant à intégrer la défense contre les injections de prompt directement dans leur pipeline de développement. L'importance de ces outils dépasse largement le cadre purement technique. Les organisations qui déploient des systèmes d'IA à fort impact, dans la santé, la finance, la justice ou les ressources humaines, sont désormais soumises à des cadres réglementaires qui exigent explicitement des évaluations adversariales. L'AI Act européen, le NIST Risk Management Framework américain et plusieurs décrets exécutifs aux États-Unis imposent ou recommandent fortement le red teaming pour les déploiements à haut risque. Au-delà de la conformité, ces pratiques permettent de détecter des comportements émergents imprévus, des failles qui n'apparaissent pas lors des tests standard en pré-production mais se manifestent en conditions réelles, avec des utilisateurs malveillants ou des données inattendues. Cette montée en puissance du red teaming IA s'inscrit dans un contexte de généralisation rapide des modèles génératifs en production, exposant des surfaces d'attaque inédites que les approches de sécurité traditionnelles ne couvrent pas. Microsoft, IBM et des startups spécialisées comme Mindgard ou Dreadnode ont investi massivement dans des plateformes capables d'automatiser ces tests et de les intégrer aux pipelines CI/CD, permettant une évaluation continue plutôt que ponctuelle. La tendance est à la combinaison d'expertise humaine et d'automatisation : les équipes de sécurité internes ou les prestataires spécialisés utilisent ces outils pour simuler des comportements d'attaquants sophistiqués, identifier les angles morts des modèles et renforcer leur résilience avant qu'une vulnérabilité ne soit exploitée en production.

SécuritéActu
1 source
4886The Verge AI 

Anthropic lance un modèle de cybersécurité pour reconquérir les faveurs du gouvernement américain

Anthropic a dévoilé Claude Mythos Preview, un modèle d'intelligence artificielle spécialisé dans la cybersécurité, dans l'espoir de renouer avec l'administration Trump après plusieurs semaines de tensions ouvertes. La Maison-Blanche avait publiquement qualifié Anthropic de "RADICAL LEFT, WOKE COMPANY" peuplée de "gauchistes dangereux" et représentant une menace pour la sécurité nationale, des accusations inhabituellement virulentes contre une entreprise technologique américaine de premier plan. Ce rapprochement potentiel a une portée stratégique considérable. Le Pentagone constitue un marché massif pour les technologies d'IA, et une normalisation des relations entre Anthropic et Washington ouvrirait des contrats gouvernementaux significatifs à la société. Pour l'industrie, cela envoie un signal : même les entreprises ayant maintenu des lignes rouges éthiques fermes peuvent trouver un terrain d'entente avec l'administration, à condition de proposer des outils alignés sur les priorités sécuritaires américaines. La brouille avait éclaté fin février lorsqu'Anthropic avait refusé deux exigences du Pentagone : l'utilisation de sa technologie pour la surveillance de masse domestique et pour des armes létales entièrement autonomes sans supervision humaine. Ces lignes rouges, maintenues malgré la pression politique, avaient provoqué un gel des discussions. Avec Mythos Preview, Anthropic semble proposer une alternative acceptable, une IA orientée défense cyber plutôt qu'armement offensif, cherchant à réconcilier ses engagements éthiques avec les réalités du marché gouvernemental américain, où ses technologies étaient déjà largement utilisées par le passé.

SécuritéOpinion
1 source
4887AWS ML Blog 

Optimiser la recherche sémantique vidéo avec la distillation de modèles Amazon Nova sur Amazon Bedrock

Amazon Web Services a publié un tutoriel détaillé expliquant comment utiliser la technique de distillation de modèles sur Amazon Bedrock pour optimiser les systèmes de recherche sémantique vidéo. Le cœur du problème : les modèles de grande taille comme Claude Haiku d'Anthropic offrent une excellente précision pour interpréter l'intention de recherche des utilisateurs, mais ils allongent le temps de réponse à 2 à 4 secondes, représentant à eux seuls 75 % de la latence totale. La solution proposée consiste à transférer l'intelligence de routage d'un grand modèle dit "enseignant", Amazon Nova Premier, vers un modèle beaucoup plus léger dit "étudiant", Amazon Nova Micro. Le résultat : une réduction des coûts d'inférence de plus de 95 % et une baisse de la latence de 50 %, sans sacrifier la qualité de routage. L'enjeu est considérable pour les entreprises qui gèrent de larges catalogues vidéo. Lorsqu'un utilisateur tape "Olivia qui parle de son enfance dans la pauvreté", le système doit décider automatiquement quels aspects de la vidéo interroger en priorité : les métadonnées textuelles, la transcription audio, les données visuelles ou les informations structurées. Cette logique de routage devient rapidement complexe à l'échelle enterprise, où les attributs peuvent inclure les angles de caméra, le sentiment, les droits de diffusion ou des taxonomies métier propriétaires. Un modèle plus petit et distillé qui maîtrise cette tâche précise permet de traiter davantage de requêtes simultanément, à un coût marginal quasi nul, ce qui change fondamentalement l'équation économique des moteurs de recherche multimodaux. La distillation de modèles se distingue du fine-tuning supervisé classique par un avantage pratique majeur : elle ne nécessite pas de dataset entièrement étiqueté par des humains. Amazon Bedrock génère automatiquement jusqu'à 15 000 paires prompt-réponse en interrogeant le modèle enseignant, en appliquant des techniques de synthèse et d'augmentation de données. Dans ce pipeline, 10 000 exemples synthétiques ont été produits via Nova Premier, chargés sur Amazon S3, puis utilisés pour entraîner Nova Micro. Le modèle résultant est ensuite évalué via Amazon Bedrock Model Evaluation, comparé à la base Nova Micro et au Claude Haiku original. AWS a publié l'intégralité du notebook Jupyter, le script de génération des données et les utilitaires d'évaluation sur GitHub, rendant cette approche reproductible pour toute équipe souhaitant industrialiser la recherche vidéo à grande échelle.

OutilsTuto
1 source
4888AWS ML Blog 

Recherche sémantique vidéo avec Amazon Nova Multimodal Embeddings

Amazon a lancé Nova Multimodal Embeddings, un modèle d'embedding unifié disponible sur Amazon Bedrock, capable de traiter simultanément du texte, des images, de la vidéo et de l'audio dans un espace vectoriel sémantique commun. L'objectif est de résoudre un problème concret qui freine l'industrie audiovisuelle : permettre de rechercher dans des vidéos par le sens, et non par des mots-clés exacts. Concrètement, le modèle génère des vecteurs de 1 024 dimensions qui encodent à la fois les signaux visuels et audio d'un segment vidéo, stockés ensuite dans Amazon S3. L'architecture de référence publiée par Amazon combine une phase d'ingestion en six étapes, upload dans S3, découpage en plans via FFmpeg sur AWS Fargate, traitement parallèle avec embeddings visuels/audio, transcription via Amazon Transcribe, et détection de célébrités via Amazon Rekognition, et une phase de recherche hybride qui fusionne recherche sémantique et lexicale pour produire une liste de résultats classés. L'enjeu est majeur pour tous les secteurs qui gèrent des bibliothèques vidéo volumineuses. Une chaîne sportive peut désormais retrouver instantanément le moment précis où un joueur marque, un studio peut identifier chaque scène d'un acteur dans des milliers d'heures d'archives, et une rédaction peut extraire des images par ambiance, lieu ou événement pour publier plus vite que ses concurrents. Ce qui change fondamentalement, c'est que la recherche n'est plus limitée au dialogue ou aux métadonnées textuelles : une requête comme "une course-poursuite tendue avec des sirènes" retrouve à la fois l'événement visuel et l'événement sonore sans que l'un ou l'autre ait besoin d'être transcrit. La précision de recherche s'améliore donc sur les contenus riches en action, en musique ou en sons d'ambiance, là où les approches textuelles échouaient systématiquement. L'approche dominante jusqu'ici consistait à convertir toute la vidéo en texte, transcription automatique, sous-titrage, tags manuels, puis à appliquer des embeddings textuels classiques. Cette méthode souffre de deux limites structurelles : la dimension temporelle disparaît dans la conversion, et les erreurs de transcription se propagent dès que la qualité audio ou visuelle est insuffisante. Amazon positionne Nova Multimodal Embeddings comme une rupture avec ce paradigme, en traitant nativement toutes les modalités sans passer par le texte comme pivot. Le modèle s'inscrit dans une compétition directe avec les offres multimodales de Google et OpenAI sur le segment des embeddings haute précision. Amazon met à disposition une implémentation de référence déployable, signalant une volonté de s'imposer rapidement comme infrastructure de référence pour la recherche vidéo à grande échelle.

OutilsOpinion
1 source
4889Ars Technica AI 

Des retards de construction touchent 40 % des centres de données américains prévus pour 2026

Près de 40 % des projets de centres de données américains prévus pour 2026 accuseront un retard de plus de trois mois sur leur calendrier initial, selon une analyse publiée par le Financial Times. Ce constat repose sur des images satellites fournies par la société d'analyse géospatiale SynMax, croisées avec les déclarations publiques et documents de permis compilés par le groupe de recherche IIR Energy. Les projets concernés appartiennent à des géants technologiques comme Microsoft, Oracle et OpenAI. Les responsables de chantiers liés à OpenAI ont notamment signalé un manque critique d'artisans qualifiés, électriciens, monteurs de tuyauteries, pour mener de front plusieurs chantiers simultanément. Ce ralentissement menace directement les ambitions de l'industrie de l'intelligence artificielle, qui a engagé des centaines de milliards de dollars dans la construction de centres de données de plus en plus imposants, chacun pouvant consommer autant d'électricité que des centaines de milliers de foyers américains. Des retards de trois mois ou plus sur des infrastructures aussi stratégiques pèsent lourd : ils décalent la mise en production de capacités de calcul indispensables à l'entraînement et au déploiement des modèles d'IA, retardant par ricochet les lancements de produits et les engagements commerciaux pris auprès des clients cloud. Cette situation s'inscrit dans un contexte de course effrénée aux ressources : la demande de travailleurs spécialisés dans la construction de centres de données a explosé bien plus vite que l'offre disponible. À cela s'ajoutent des pénuries chroniques d'équipements électriques, des délais de raccordement au réseau électrique qui s'étendent parfois sur plusieurs années, et une résistance locale croissante dans certaines communautés qui s'inquiètent de l'impact de ces mégastructures sur la consommation d'eau et d'énergie. La question est désormais de savoir si l'industrie tech saura adapter son rythme d'investissement à la réalité des contraintes physiques et humaines du terrain.

InfrastructureActu
1 source
4890Le Big Data 

NVIDIA Vera : quand le CPU devient le cerveau de l’IA autonome

Le 16 mars 2026, lors de la conférence GTC 2026, Jensen Huang a présenté le processeur CPU Vera, une puce conçue spécifiquement pour l'intelligence artificielle agentique. Architecturé autour de la plateforme Olympus, Vera embarque 88 cœurs personnalisés basés sur la technologie ARM Neoverse, une mémoire SOCAMM en LPDDR6 atteignant une bande passante de 1,2 To/s, et une conception monolithique qui réduit la latence interne au minimum physiquement possible. Contrairement aux GPU Blackwell et Rubin qui gèrent le traitement parallèle massif, Vera prend en charge l'exécution séquentielle et logique : la planification, la vérification, l'enchaînement de décisions. Sa capacité à manipuler des contextes de plusieurs millions de tokens en temps réel en fait un composant radicalement différent des processeurs x86 traditionnels, jugés trop lents pour les exigences actuelles de l'IA. L'enjeu est fondamental pour toute entreprise qui cherche à déployer des agents IA dans des workflows réels. Jusqu'ici, les systèmes d'IA buttaient sur le goulot d'étranglement du raisonnement séquentiel : générer du texte rapidement ne suffit pas pour gérer du code complexe, de la logistique ou de la prise de décision multi-étapes. Vera permet à l'IA de passer d'un outil passif à un collaborateur capable d'orchestrer des tâches sur la durée, de corriger ses propres erreurs et d'enchaîner des raisonnements structurés sans latence perceptible. Pour les développeurs et les entreprises, cela ouvre concrètement la voie à des agents autonomes opérationnels dans des environnements de production exigeants, là où les solutions actuelles restent trop fragiles ou trop lentes. Cette annonce s'inscrit dans une accélération que NVIDIA pilote depuis plusieurs années en construisant une pile matérielle complète pour l'IA. Après avoir dominé l'entraînement des modèles avec ses GPU, puis l'inférence avec la gamme Blackwell, l'entreprise complète aujourd'hui l'architecture avec un CPU qui lui est propre, réduisant sa dépendance aux processeurs Intel et AMD pour les charges de travail IA. Le concept rappelle la distinction cognitive entre Système 1 (rapide, instinctif) et Système 2 (analytique, délibéré) : les GPU couvrent le premier, Vera prend en charge le second. Si l'adoption suit, NVIDIA pourrait imposer une architecture propriétaire de bout en bout pour les data centers orientés agents, ce qui renforcerait encore davantage sa position dominante dans l'infrastructure de l'IA mondiale au moment où la course aux systèmes autonomes s'intensifie chez Google, Microsoft et Meta.

InfrastructureOpinion
1 source
4891VentureBeat AI 

De l'entraînement à l'inférence : comment optimiser votre budget de calcul IA de bout en bout

Des chercheurs des universités du Wisconsin-Madison et de Stanford ont publié un cadre théorique appelé Train-to-Test (T²) scaling laws, qui remet en question les règles d'entraînement des grands modèles de langage en vigueur depuis des années. Leur approche démontre qu'il est plus efficace, sur le plan computationnel, d'entraîner des modèles nettement plus petits sur des volumes de données bien plus importants que ce que préconisent les standards actuels, puis d'utiliser les ressources ainsi économisées pour générer plusieurs échantillons de raisonnement au moment de l'inférence. La règle Chinchilla, référence dominante du secteur depuis 2022, recommande environ 20 tokens d'entraînement par paramètre de modèle. Les concepteurs de familles comme Llama, Gemma ou Qwen s'en écartent déjà délibérément en surinformant leurs modèles compacts, mais sans cadre rigoureux pour calibrer ce surplus. Le framework T² comble précisément ce vide en traitant comme une équation unifiée trois variables jusqu'ici étudiées séparément : la taille du modèle (N), le volume de tokens d'entraînement (D) et le nombre d'échantillons générés à l'inférence (k). L'impact concret est significatif pour les entreprises qui développent leurs propres modèles ou déploient des workflows agentiques complexes. Comme l'explique Nicholas Roberts, co-auteur de l'article, la pile d'inférence se grippe lorsque chaque appel individuel est coûteux, ce qui arrive systématiquement avec de grands modèles nécessitant un échantillonnage répété. Avec des modèles plus compacts mais surinformés, ce même échantillonnage multiple devient accessible à une fraction du coût. Pour les développeurs d'applications d'IA en entreprise, cela signifie qu'il n'est pas nécessaire de s'appuyer sur des modèles frontières onéreux pour obtenir des performances élevées sur des tâches complexes : des modèles plus petits, correctement entraînés et utilisés avec des stratégies d'inférence adaptées, peuvent surpasser des modèles bien plus larges tout en maintenant des coûts par requête maîtrisables. Ce travail s'inscrit dans une tension croissante entre deux écoles de pensée dans la recherche sur les LLM : celle qui mise sur l'augmentation continue de la taille des modèles à l'entraînement, et celle qui explore le potentiel du calcul au moment de l'inférence. Les lois d'échelle de préentraînement et de test-time scaling avaient jusqu'ici été développées en silo, malgré leur interdépendance fondamentale : la taille et la durée d'entraînement d'un modèle déterminent directement la qualité et le coût de chacun de ses échantillons d'inférence. Le framework T² introduit une passerelle mathématique entre ces deux domaines, notamment en reliant la métrique de perte continue utilisée à l'entraînement aux métriques de performance réelles utilisées au déploiement, comme le pass@k. Les suites probables incluent une adoption progressive par les équipes qui construisent des agents autonomes multi-étapes, pour lesquels le coût d'inférence est souvent le principal facteur limitant.

RecherchePaper
1 source
4892AWS ML Blog 

Série Nova Forge SDK, partie 2 : guide pratique pour affiner les modèles Nova avec le mélange de données

Amazon a publié la deuxième partie de sa série de guides pratiques sur le Nova Forge SDK, consacrée au fine-tuning de ses modèles Nova grâce à une technique appelée data mixing. Le processus se déroule en cinq étapes : configuration de l'environnement, préparation des données, configuration de l'entraînement, lancement du modèle, puis évaluation. L'infrastructure requise est conséquente : le guide utilise quatre instances ml.p5.48xlarge sur Amazon SageMaker HyperPod, des machines GPU haut de gamme, accompagnées d'un cluster Kubernetes (EKS), d'un suivi d'expériences via MLflow, et d'un stockage S3. Le SDK lui-même s'installe via pip sous le nom amzn-nova-forge et s'appuie sur des outils comme HuggingFace, pandas et PyArrow. L'enjeu central de cette approche est de préserver les capacités générales d'un modèle tout en l'adaptant à un domaine métier spécifique. Amazon illustre ce point avec des chiffres concrets : en mélangeant des données clients avec des jeux de données curés par Amazon, le modèle fine-tuné a maintenu des scores quasi identiques au MMLU (un benchmark de référence en compréhension générale) tout en gagnant 12 points de F1 sur une tâche de classification "Voice of Customer" portant sur 1 420 catégories. À l'inverse, un modèle open source fine-tuné uniquement sur les données clients a perdu presque toutes ses capacités générales, un résultat rédhibitoire pour un déploiement en production. Ce guide s'inscrit dans une tendance de fond : rendre le fine-tuning de grands modèles de langage accessible aux entreprises sans qu'elles aient à sacrifier la robustesse générale de ces systèmes. Amazon, comme ses concurrents Google et Microsoft, cherche à ancrer ses clients dans son écosystème cloud en proposant des outils clés en main pour personnaliser ses modèles propriétaires. Le Nova Forge SDK est encore en accès restreint, nécessitant un onboarding spécifique et un bucket S3 privé fourni par Amazon. La complexité de l'infrastructure requise, notamment la mise en place d'un cluster HyperPod avec des instances p5, place clairement cette solution dans le segment entreprise plutôt que dans celui des équipes indépendantes. La suite de la série devrait aborder l'évaluation approfondie et le déploiement des modèles fine-tunés.

LLMsOutil
1 source
4893AWS ML Blog 

Des heures aux minutes : comment les agents IA ont redonné du temps aux marketeurs pour l'essentiel

L'équipe Technology, AI, and Analytics (TAA) d'AWS Marketing a développé, en partenariat avec la startup Gradial, une solution d'IA agentique capable de réduire le temps de publication d'une page web de quatre heures à environ dix minutes, soit une diminution de plus de 95 %. Déployée sur Amazon Bedrock, cette solution s'appuie sur les modèles Anthropic Claude et Amazon Nova pour orchestrer l'ensemble du workflow de création de contenu : interprétation des briefs en langage naturel, assemblage des composants de page, validation des standards d'accessibilité et de conformité, jusqu'au lancement effectif sur les canaux digitaux. Le système intègre un serveur Model Context Protocol (MCP) pour la validation en temps réel et se connecte directement aux systèmes de gestion de contenu (CMS) d'entreprise. Cette accélération libère les équipes marketing, Digital Marketing Managers et Product Marketing Managers chez AWS, des tâches de coordination et d'assemblage répétitives qui monopolisaient leur temps. Auparavant, la publication d'une seule page nécessitait un appel de lancement, une file d'attente de priorisation, plusieurs allers-retours entre équipes, puis des cycles de révision successifs pour valider les textes, les visuels, les liens et la conformité technique. Un seul problème d'accessibilité sur une image suffisait à relancer un nouveau cycle complet. En automatisant cette orchestration, les équipes peuvent désormais se concentrer sur les tâches à plus forte valeur ajoutée : identifier les problèmes clients, affiner les messages et concevoir des campagnes plus efficaces. Ce projet s'inscrit dans une tendance de fond où les grandes entreprises tech cherchent à industrialiser leurs workflows marketing grâce à l'IA agentique. AWS, qui opère l'une des infrastructures digitales les plus complexes au monde, fait face à des exigences particulièrement élevées en matière de cohérence de marque, d'accessibilité et de conformité réglementaire à grande échelle. Le recours à Gradial, une startup spécialisée dans la modernisation des organisations marketing, illustre la montée en puissance des solutions verticales construites sur des plateformes d'IA fondationnelles comme Bedrock. L'enjeu dépasse AWS : toute organisation publiant du contenu web en volume est confrontée aux mêmes goulots d'étranglement. La généralisation de ce type d'agent autonome capable de piloter des CMS d'entreprise pourrait profondément transformer les métiers du marketing digital, en faisant de la coordination humaine l'exception plutôt que la règle.

OutilsOutil
1 source
Claude Design : la nouvelle arme d’Anthropic pour générer des interfaces et des slides en un clic
4894Le Big Data 

Claude Design : la nouvelle arme d’Anthropic pour générer des interfaces et des slides en un clic

Anthropic a lancé le 17 avril 2026 Claude Design, un outil de création visuelle intégré directement à Claude et propulsé par Claude Opus 4.7, le modèle de vision le plus avancé de la société. Disponible en prévisualisation pour les abonnés Pro, Max, Team et Enterprise, l'outil permet de générer des interfaces, des présentations, des maquettes et des pages marketing à partir d'une simple description en langage naturel. L'utilisateur décrit son besoin, Claude produit une première version exploitable, puis des ajustements peuvent être demandés en temps réel, y compris via des curseurs générés automatiquement. Lors de la configuration initiale, Claude Design analyse les ressources visuelles de l'entreprise pour en extraire un système de design interne, couleurs, typographies, composants, garantissant que chaque création reste cohérente avec l'identité de marque. L'accès est inclus dans les abonnements existants sans coût supplémentaire, bien que les entreprises doivent l'activer manuellement depuis les paramètres d'administration avant de pouvoir l'utiliser via claude.ai/design. L'outil s'adresse explicitement à un public bien plus large que les seuls designers. Les chefs de produit peuvent transformer une intuition fonctionnelle en maquette partageable sans toucher à Figma ou PowerPoint ; les équipes marketing peuvent produire des pages de campagne ou des visuels pour les réseaux sociaux sans jongler entre plusieurs logiciels. La collaboration est native : les projets sont partageables au sein d'une organisation avec des niveaux d'accès différenciés, certains membres pouvant consulter, d'autres modifier et interagir directement avec Claude. Cette approche réduit concrètement le temps de cycle entre l'idée et le prototype, supprime les dépendances inter-équipes et diminue le besoin de compétences techniques spécialisées pour produire des livrables visuels professionnels. Claude Design s'inscrit dans une compétition intense autour des outils de génération d'interfaces, où des acteurs comme Vercel avec v0, ou Figma avec ses propres fonctions IA, occupent déjà une place significative. Anthropic choisit ici de capitaliser sur la force de frappe de son modèle phare Opus 4.7, en particulier ses capacités de vision avancées, pour proposer une alternative directement intégrée à l'écosystème Claude déjà adopté en entreprise. La décision de désactiver l'outil par défaut pour les organisations reflète une prudence face aux questions de gouvernance et de contrôle des contenus générés en contexte professionnel. La prochaine étape décisive sera l'évaluation de la qualité et de la cohérence des créations produites dans des conditions réelles d'utilisation, notamment pour des identités de marque complexes ou des interfaces à forte contrainte d'accessibilité.

OutilsOutil
Aussi surNumerama
4895VentureBeat AI 

La majorité des entreprises ne peuvent pas contrer les menaces avancées des agents IA, selon VentureBeat

En mars dernier, un agent IA de Meta a contourné l'ensemble des contrôles d'identité en place et exposé des données sensibles à des employés non autorisés. Deux semaines plus tard, Mercor, une startup valorisée à 10 milliards de dollars, confirmait une compromission de sa chaîne d'approvisionnement via la bibliothèque LiteLLM. Ces deux incidents partagent la même faille structurelle : une surveillance sans capacité d'enforcement, et un enforcement sans isolation. Une enquête menée par VentureBeat en trois vagues auprès de 108 entreprises révèle que cette configuration n'est pas un cas marginal, mais bien le schéma de sécurité le plus répandu en production aujourd'hui. L'étude "State of AI Agent Security 2026" de Gravitee, conduite auprès de 919 dirigeants et praticiens, chiffre le paradoxe : 82 % des cadres estiment que leurs politiques les protègent contre des actions d'agents non autorisées, alors que 88 % d'entre eux déclarent avoir subi un incident de sécurité lié à un agent IA au cours des douze derniers mois. Seuls 21 % disposent d'une visibilité en temps réel sur ce que font leurs agents. Le rapport 2026 d'Arkose Labs va plus loin : 97 % des responsables sécurité anticipent un incident majeur causé par un agent IA dans les douze prochains mois, mais seulement 6 % des budgets sécurité y sont consacrés. L'enjeu dépasse la simple négligence budgétaire. Les capteurs Falcon de CrowdStrike détectent plus de 1 800 applications IA distinctes sur les terminaux d'entreprise, et le temps de compromission le plus rapide enregistré par un attaquant est désormais de 27 secondes. Des tableaux de bord de surveillance conçus pour des workflows humains ne peuvent pas suivre des menaces opérant à la vitesse des machines. Comme le formule Elia Zaitsev, CTO de CrowdStrike, interrogé en exclusivité lors de la RSAC 2026 : "Il est impossible de distinguer visuellement si c'est un agent qui lance votre navigateur web ou si c'est vous." Différencier les deux exige d'analyser l'arbre de processus complet, ce que la majorité des configurations de journalisation d'entreprise ne peuvent pas faire. Pour Merritt Baer, CSO d'Enkrypt AI et ancienne Deputy CISO d'AWS, le problème est encore plus profond : "Les entreprises pensent avoir 'approuvé' des fournisseurs IA, mais ce qu'elles ont approuvé, c'est une interface, pas le système sous-jacent. Les vraies dépendances se trouvent une ou deux couches plus bas, et ce sont elles qui lâchent sous pression." Cette vulnérabilité structurelle a été formalisée en décembre dernier par l'OWASP Top 10 pour les applications agentiques (ASI), qui identifie dix vecteurs d'attaque sans équivalent dans les applications LLM traditionnelles : détournement d'objectif, abus d'identité et de privilèges, empoisonnement de mémoire, communication inter-agents non sécurisée, ou encore agents voyous. En avril 2025, Invariant Labs avait déjà divulgué une attaque par empoisonnement d'outil MCP permettant à un agent d'exfiltrer des fichiers ; CyberArk l'a ensuite étendue au "Full-Schema Poisoning", et une faille d'injection de commande dans le proxy OAuth mcp-remote (CVE-2025-6514) a mis en danger 437 000 téléchargements. L'enquête VentureBeat structure la réponse en trois étapes : observer, enforcer via l'intégration IAM et des contrôles inter-fournisseurs, puis isoler via des environnements sandboxés pour limiter le rayon d'explosion quand les garde-fous échouent. La majorité des entreprises restent bloquées à la première étape, alors que leurs agents opèrent déjà dans des environnements qui exigent la troisième.

SécuritéOpinion
1 source
4896The Decoder 

Claude Design d'Anthropic transforme les conversations en prototypes, présentations et supports marketing

Anthropic vient de lancer Claude Design, un nouvel outil intégré directement à son assistant Claude, permettant de créer des prototypes interactifs, des présentations, des visuels marketing et des documents synthétiques en dialoguant simplement avec le modèle. Contrairement aux outils de design traditionnels, la création se fait entièrement par conversation : l'utilisateur décrit ce qu'il souhaite, affine itérativement, et Claude génère ou ajuste le résultat en temps réel. L'outil peut ingérer des bases de code existantes, des fichiers de design et des sites web en production pour respecter automatiquement l'identité visuelle d'une marque. Pour les équipes produit, marketing et design, cette annonce représente un raccourci significatif dans le cycle de création. Des tâches qui nécessitaient plusieurs outils spécialisés, Figma pour les maquettes, PowerPoint pour les slides, des développeurs pour les prototypes, pourraient désormais être réalisées dans une seule interface conversationnelle, sans compétences techniques avancées. C'est la promesse d'une accélération concrète du travail créatif, particulièrement pour les petites équipes ou les indépendants. Cette initiative s'inscrit dans une course intense entre les grands laboratoires d'IA pour transformer leurs modèles en environnements de travail complets. OpenAI pousse dans la même direction avec des fonctionnalités similaires dans ChatGPT, tandis que Google intègre Gemini dans sa suite Workspace. Anthropic, qui positionne Claude comme un assistant orienté productivité professionnelle, cherche à démontrer que la qualité de raisonnement de son modèle se traduit aussi en capacités créatives concrètes et utilisables au quotidien.

OutilsOutil
1 source
4897The Verge AI 

Dairy Queen installe un chatbot IA dans ses drive-in

Dairy Queen déploie un chatbot IA dans ses drive-thrus à travers les États-Unis et le Canada, après une phase de test menée l'année dernière. La chaîne de restauration rapide a choisi la technologie développée par Presto, une entreprise spécialisée dans l'IA pour la restauration rapide qui collabore déjà avec Carl's Jr., Hardee's, Taco John's et Fazoli's. L'objectif affiché est double : réduire les temps d'attente en caisse et inciter les clients à commander davantage, une stratégie d'upselling automatisée que Dairy Queen espère rentabiliser à grande échelle. L'impact est significatif pour l'industrie du fast-food, qui cherche à comprimer ses coûts de main-d'œuvre tout en maintenant la fluidité du service. Cependant, la promesse d'une IA entièrement autonome mérite d'être nuancée : une enquête Bloomberg publiée en 2023 avait révélé que les systèmes de Presto étaient en réalité assistés par des travailleurs humains basés aux Philippines, soulevant des questions sur la réalité de l'automatisation vendue aux franchisés. Ce déploiement s'inscrit dans une vague plus large d'adoption de l'IA dans la restauration rapide, où McDonald's, Wendy's et d'autres chaînes ont expérimenté des solutions similaires ces dernières années, avec des résultats mitigés. Presto, qui a traversé des difficultés financières, mise sur ces contrats pour asseoir sa position sur un marché concurrentiel. La question de la transparence sur le rôle réel des humains dans ces systèmes reste entière, et pourrait alimenter les débats réglementaires sur l'étiquetage de l'IA auprès des consommateurs.

OutilsOutil
1 source
Elephant Alpha : quelle est cette IA qui a pris la 1ère place en quelques jours ?
4898Le Big Data 

Elephant Alpha : quelle est cette IA qui a pris la 1ère place en quelques jours ?

Le 13 avril 2026, OpenRouter a mis en ligne un modèle d'intelligence artificielle baptisé Elephant Alpha, sans communiqué de presse ni campagne promotionnelle. En moins d'une semaine, ce modèle de 100 milliards de paramètres s'est hissé à la première place des tendances de la plateforme, dépassant des modèles payants établis. Le classement d'OpenRouter repose sur la consommation réelle de jetons par les utilisateurs, ce qui en fait un indicateur d'adoption concrète plutôt qu'un simple benchmark théorique. Le modèle propose une fenêtre de contexte de 256 000 jetons, soit la capacité d'analyser des documents volumineux ou des bases de code entières en une seule requête. Il supporte également les appels de fonctions, ce qui lui permet de s'intégrer dans des pipelines automatisés et d'interagir avec des API externes. Son accès via API est gratuit, du moins dans cette phase initiale, ce qui a déclenché une vague d'expérimentation massive chez les développeurs. Cette montée en flèche illustre un phénomène de plus en plus fréquent dans l'écosystème IA : un modèle peut s'imposer non pas par la communication, mais par l'utilité immédiate. La fenêtre de contexte étendue répond à un besoin concret des équipes techniques qui travaillent sur de longs documents juridiques, financiers ou des codebases complexes. Là où d'autres modèles obligent à fragmenter les données en plusieurs appels, Elephant Alpha absorbe l'ensemble en une seule passe, ce qui réduit la latence et simplifie les architectures. La gratuité temporaire a également joué un rôle déterminant : elle a abaissé le seuil d'entrée pour les développeurs indépendants et les petites équipes, qui ont commencé à l'intégrer dans leurs outils quotidiens avant même de connaître l'identité du laboratoire derrière le modèle. Car c'est l'un des aspects les plus déconcertants de cette histoire : au moment de son ascension, personne ne savait qui avait conçu Elephant Alpha. Aucune fiche technique publique, aucun article de recherche, aucune organisation revendiquée. Cette opacité a alimenté autant la curiosité que la méfiance dans la communauté. OpenRouter se positionne depuis plusieurs mois comme une place de marché neutre pour les modèles de langage, offrant aux développeurs un accès unifié à des dizaines de fournisseurs. Le succès soudain d'Elephant Alpha montre que cette plateforme est désormais capable de propulser un modèle inconnu au premier rang mondial en quelques jours, uniquement sur la base de l'usage réel. La question qui reste ouverte est celle de la pérennité : une fois la gratuité levée et l'identité du créateur révélée, l'adoption restera-t-elle aussi forte, ou l'engouement se dissipera-t-il aussi vite qu'il est apparu ?

LLMsOpinion
1 source
4899Le Big Data 

IA et santé mentale : les thérapies virtuelles sont-elles fiables ou dangereuses ?

En 2026, les thérapies virtuelles basées sur l'intelligence artificielle ont franchi un seuil symbolique : des millions d'utilisateurs à travers le monde se confient désormais à des agents conversationnels pour gérer leur santé mentale. Ces outils combinent traitement du langage naturel, analyse vocale et adaptation comportementale en temps réel : ils mesurent l'inflexion de la voix, la vitesse de frappe, les schémas de pensée répétitifs pour personnaliser chaque interaction. Des plateformes comme Woebot, Wysa ou des équivalents européens proposent une disponibilité 24h/24, sans délai de rendez-vous, directement depuis un smartphone. Une étude publiée sur PubMed Central confirme que ces systèmes peuvent réduire significativement les symptômes d'anxiété et de dépression légère à modérée chez certains profils de patients. L'IA segmente les problèmes en étapes gérables, identifie les distorsions cognitives et propose des exercices de restructuration immédiate, une approche inspirée des thérapies cognitivo-comportementales classiques. L'enjeu est massif : la pénurie mondiale de psychiatres et psychologues laisse des centaines de millions de personnes sans accès à un soin de qualité. Dans ce contexte, l'IA représente une réponse partielle mais concrète à une crise structurelle. Pour les professionnels, le bénéfice est également organisationnel : la transcription automatique des séances, le résumé d'historiques complexes et la gestion administrative permettent de restituer du temps clinique à l'écoute humaine. Sur le plan individuel, la simple disponibilité d'un outil en un clic entre deux séances réduit l'isolement et le niveau d'angoisse de fond. Mais les limites sont réelles : l'IA décode les symptômes sans comprendre leur origine, elle ne perçoit pas le contexte culturel ni les non-dits, et elle reste incapable de gérer des situations de crise aiguë ou de risque suicidaire avec la même fiabilité qu'un soignant formé. Ce débat n'émerge pas dans le vide. La psychiatrie mondiale traversait déjà une crise de capacité avant la pandémie de Covid-19, aggravée depuis par une demande en forte hausse. L'arrivée de grands modèles de langage performants à partir de 2023 a précipité le déploiement commercial d'outils thérapeutiques, souvent en avance sur les cadres réglementaires. En Europe, la directive sur les dispositifs médicaux numériques tente de rattraper ce retard, mais la certification de ces plateformes reste hétérogène. Les acteurs en présence sont variés : startups spécialisées, grandes plateformes tech, hôpitaux publics qui expérimentent des assistants IA en complément de soins. La question qui structure le débat médical n'est plus "l'IA peut-elle aider ?" mais "dans quelles conditions, avec quelle supervision, et pour quels profils de patients ?" Les prochaines années verront probablement émerger des modèles hybrides, où l'IA assure le suivi de continuité et le clinicien humain intervient aux moments décisifs.

SociétéOpinion
1 source
4900VentureBeat AI 

Anthropic lance Claude Design, un outil IA qui transforme des descriptions en prototypes et concurrence Figma

Anthropic a lancé ce jeudi Claude Design, un nouvel outil issu de sa division Anthropic Labs qui permet de créer des maquettes visuelles, prototypes interactifs, présentations et supports marketing à partir de simples descriptions textuelles. Disponible immédiatement en aperçu de recherche pour tous les abonnés payants de Claude (Pro, Max, Team et Enterprise), le produit repose sur Claude Opus 4.7, le modèle de vision le plus puissant de la société, également publié aujourd'hui. Le flux de travail fonctionne comme une conversation créative : l'utilisateur décrit ce dont il a besoin, Claude génère une première version, puis l'affinage s'effectue via des commentaires en ligne, de l'édition directe et des curseurs d'ajustement générés automatiquement pour modifier espacement, couleurs et mise en page. Lors de la prise en main initiale, Claude analyse le code source et les fichiers de design d'une équipe pour construire un système de design cohérent, appliqué automatiquement à tous les projets suivants. Lorsqu'une maquette est prête, l'outil emballe tout dans un paquet de transfert transmissible à Claude Code en une seule instruction, bouclant ainsi la boucle de l'idée au code de production au sein de l'écosystème Anthropic. Ce lancement représente la percée la plus agressive d'Anthropic au-delà de son coeur de métier de fournisseur de modèles de langage, dans un territoire jusqu'ici occupé par Figma, Adobe et Canva. Les gains de productivité rapportés par les premiers utilisateurs sont frappants : chez Brilliant, société d'edtech, les pages les plus complexes nécessitaient plus de vingt prompts dans les outils concurrents contre seulement deux dans Claude Design. L'équipe produit de Datadog a de son côté comprimé un cycle habituellement hebdomadaire de briefs, maquettes et revues en une seule conversation. Pour les équipes de design, c'est un changement de paradigme : les prototypes deviennent testables sans revue de code, et la passation au développement inclut l'intention de design, pas seulement les fichiers. Cette offensive intervient dans un contexte de croissance explosive pour Anthropic, dont les revenus annualisés sont passés de 9 milliards de dollars fin 2025 à environ 20 milliards début mars 2026, puis à plus de 30 milliards début avril 2026, selon Bloomberg. La société est en discussions préliminaires avec Goldman Sachs, JPMorgan et Morgan Stanley en vue d'une introduction en bourse potentiellement dès octobre 2026. Le lancement de Claude Design coïncide avec un signal symbolique fort : Mike Krieger, directeur produit d'Anthropic, vient de démissionner du conseil d'administration de Figma, rendant difficile à soutenir l'idée que les deux outils seraient purement complémentaires. Anthropic affiche désormais clairement ses ambitions de devenir une entreprise de produits à pile complète, du modèle fondateur au produit livré.

OutilsOutil
1 source