Thomas

The Technological Republic

Tue, 28 Apr 2026 00:00:00 +0000

Traduction en français des 22 points principaux qui résument le livre d’Alex Karp selon Palantir dans son message sur X, “The Technological Republic: Hard Power, Soft Belief, and the Future of the West”. Cette traduction a été produite par l’IA.

techrepublicbook

Palantir sur X

La République technologique, en bref

La Silicon Valley a une dette morale envers le pays qui a rendu son essor possible. L’élite ingénieure de la Silicon Valley a l’obligation positive de participer à la défense de la nation.
Nous devons nous rebeller contre la tyrannie des applis. L’iPhone est-il notre plus grande création, voire notre couronnement civilisationnel ? Cet objet a transformé nos vies, mais il limite peut-être désormais notre imaginaire du possible.
Les e-mails gratuits ne suffisent pas. La décadence d’une culture, d’une civilisation, et même de sa classe dirigeante, n’est pardonnable que si cette culture est capable d’apporter croissance économique et sécurité au public.
Les limites du soft power et de la seule rhétorique grandiose ont été exposées. Pour que les sociétés libres et démocratiques l’emportent, il faut plus qu’un appel moral : il faut de la puissance dure, et au XXIe siècle, elle se construira par le logiciel.
La question n’est pas de savoir si des armes fondées sur l’IA seront construites, mais qui les construira et dans quel but. Nos adversaires ne suspendront pas leurs efforts pour des débats théâtraux sur le mérite de ces technologies militaires et de sécurité nationale : ils avanceront.
Le service national devrait être un devoir universel. Nous devrions sérieusement envisager de sortir du modèle d’armée entièrement volontaire, et ne faire la prochaine guerre que si chacun partage les risques et les coûts.
Si un Marine américain demande un meilleur fusil, nous devrions le construire ; de même pour le logiciel. On peut débattre de la pertinence des interventions militaires à l’étranger tout en restant inflexibles dans notre engagement envers ceux que nous envoyons au danger.
Les serviteurs de l’État n’ont pas à être nos prêtres. Une entreprise qui rémunérerait ses employés comme l’État fédéral rémunère ses agents aurait du mal à survivre.
Nous devrions faire preuve de beaucoup plus de bienveillance envers ceux qui se sont exposés à la vie publique. L’éradication de tout espace de pardon — le rejet de la complexité et des contradictions humaines — pourrait nous laisser avec des dirigeants que nous finirons par regretter.
La psychologisation de la politique moderne nous égare. Ceux qui cherchent dans l’arène politique une nourriture spirituelle et identitaire, ou qui projettent trop leur vie intérieure sur des personnes qu’ils ne rencontreront jamais, seront déçus.
Notre société est trop prompte à précipiter, et parfois à célébrer, la chute de ses ennemis. La défaite d’un adversaire devrait être un moment de pause, pas de jubilation.
L’ère atomique touche à sa fin. Un âge de la dissuasion (nucléaire) se termine, et une nouvelle ère de dissuasion fondée sur l’IA commence.
Aucun autre pays dans l’histoire n’a davantage fait progresser des valeurs progressistes que celui-ci. Les États-Unis sont loin d’être parfaits, mais offrent davantage d’opportunités aux non-héritiers des élites que n’importe quel autre pays.
La puissance américaine a rendu possible une paix extraordinairement longue. Trop de gens oublient, ou tiennent pour acquis, qu’environ un siècle s’est écoulé sans guerre majeure entre grandes puissances. Au moins trois générations — des milliards de personnes, puis leurs enfants et petits-enfants — n’ont jamais connu de guerre mondiale.
Le désarmement politique de l’Allemagne et du Japon après-guerre doit être remis en cause. Le bridage de l’Allemagne fut une surcorrection dont l’Europe paie aujourd’hui le prix. Un pacifisme japonais maintenu de façon théâtrale pourrait aussi menacer l’équilibre des puissances en Asie.
Nous devrions saluer ceux qui essaient de construire là où le marché a échoué. La culture dominante raille presque l’intérêt de Musk pour les grands récits, comme si les milliardaires devaient se contenter de s’enrichir ; toute curiosité sincère pour la valeur de ce qu’il a bâti est souvent disqualifiée.
La Silicon Valley doit jouer un rôle face à la criminalité violente. Beaucoup de responsables politiques américains ont pratiquement renoncé à agir sérieusement, évitant les risques politiques nécessaires pour expérimenter des solutions dans ce qui devrait être une course urgente pour sauver des vies.
L’exposition impitoyable de la vie privée des personnalités publiques détourne trop de talents de la fonction publique. L’espace public, devenu impitoyable et mesquin envers ceux qui tentent de servir autre chose que leur enrichissement, laisse la république avec trop de profils creux et inefficaces.
La prudence que nous encourageons involontairement dans la vie publique est corrosive. Ceux qui ne disent jamais rien de faux ne disent souvent rien d’important.
L’intolérance envers la croyance religieuse, dans certains milieux, doit être combattue. Cette intolérance des élites signale peut-être que leur projet politique est moins ouvert intellectuellement qu’elles ne le prétendent.
Certaines cultures ont produit des avancées majeures ; d’autres restent dysfonctionnelles et régressives. Le dogme selon lequel toutes les cultures seraient équivalentes interdirait toute évaluation critique, en occultant que certaines cultures ou sous-cultures ont produit des merveilles, tandis que d’autres ont été médiocres, voire nuisibles.
Nous devons résister à la tentation superficielle d’un pluralisme vide. Depuis un demi-siècle, l’Amérique et l’Occident évitent de définir des cultures nationales au nom de l’inclusivité. Mais inclusion dans quoi, exactement ?

Résumé synthétique

Le texte défend une thèse centrale : la technologie, surtout logicielle et IA, doit redevenir un outil de puissance nationale, de sécurité collective et de prospérité économique, plutôt qu’un simple moteur d’applications grand public.

Il appelle à un réarmement civique et stratégique : implication directe de la Silicon Valley dans la défense, valorisation du service national, soutien concret aux militaires, et remise en question de certains tabous géopolitiques de l’après-guerre.

En parallèle, il critique la culture politique et médiatique contemporaine : moralisation performative, obsession psychologique de la politique, absence de pardon public, disqualification des croyances religieuses, et climat qui décourage les talents de servir l’État.

Enfin, il plaide pour une vision plus affirmée de la civilisation occidentale et de l’identité nationale, en contestant un pluralisme perçu comme abstrait et sans finalité commune.

MCP pour les nuls - la suite

Tue, 21 Apr 2026 00:00:00 +0000

Suite du post précédent, je mets en place une gateway pour protéger mon serveur MCP. Le serveur MCP a été déployé sur Azure Container, il est accessible.

Mise en place d’une Flex gateway

Création et enregistrement de ma nouvelle Flex gateway (mcp-gateway)

J’ai créé une image Docker de la flex avec son fichier d’enregistrement. L’image Docker tourne sur un Azure Container, elle est maintenant visible sur Anypoint (le control plane de MuleSoft).

Configuration de mon server MCP sur Anypoint

Documentation officielle de MuleSoft
Ajout de mon serveur MCP (mcp_card)

Aller sur API Manager (Anypoint) et sélectionner Agent and Tools Instances.

En sélectionnant la Flex Gateway mise en place pour ce projet.

Maintenant on peut ajouter un MCP Server et on finalise la configuration.

Le contrat du serveur mcp_card est visible sur le portail API d’Anypoint (Exchange).

Le serveur mcp_card est théoriquement accessible via la gateway, il faut maintenant ajouter les policies pour le sécuriser.

Policies pour mon serveur MCP

MCP Support

Cette policy est obligatoire pour le bon fonctionnement du serveur MCP.

Client ID Enforcement

Pour limiter l’accès au serveur mcp_card aux applications enregistrées qui ont le duo client_id/client_secret dans leurs Headers.

Nous avons donc 2 policies configurées sur notre gateway pour le serveur mcp_card.

Appels du serveur MCP avec Bruno

Nous allons tester la connectivité au server mcp_card avec le client API Bruno.

Configuration des Headers

Appels aux services du serveur mcp_card

Si le client_secret est faux dans les Headers

Observabilité

L’outil de monitoring d’Anypoint nous permet au niveau de la configuration du serveur de visualiser les appels. On voit les appels de chaque service et les appels en erreurs.

card_details

transaction_list

MCP pour les nuls

Tue, 24 Mar 2026 00:00:00 +0000

MCP Kesako ?

Protocole de communication entre un agent IA et un service.

MCP Documentation

Le service permet à un agent d’avoir accès à des données structurées (format JSON) qui ne sont pas déjà présentes dans son modèle LLM. Il existe deux protocoles de communication, io et http. Dans mon cas, je souhaite utiliser http, dans l’idée de créer un serveur MCP accessible à tous.

Pour accélérer le développement, je vais utiliser la librairie Python fastMCP :

fastMCP: https://gofastmcp.com/getting-started/welcome

Prototype du service MCP

Mon cas d’utilisation : je veux mettre en place un service qui donne les détails d’une carte de crédit si on lui donne le numéro en paramètre, ou la liste des transactions d’un compte.

Dans ce premier post, je ne vais pas aborder la sécurité ni l’observabilité, mais je souhaite en parler bientôt dans un post dédié, notamment via une API Gateway.

Pour commencer

Dans un environnement Python :

pip install fastmcp

Serveur MCP Card Details

J’ai créé deux services : le détail d’une carte et la liste des transactions d’un compte, avec des données fictives.

from fastmcp import FastMCP
from starlette.requests import Request
from starlette.responses import PlainTextResponse

mcp = FastMCP("My MCP Server")

@mcp.custom_route("/health", methods=["GET"])
async def health_check(request: Request) -> PlainTextResponse:
    return PlainTextResponse("OK")

@mcp.tool
def card_details(card_number: str) -> dict:
    # Dummy implementation for demonstration purposes
    return {
        "card_number": card_number,
        "card_type": "Visa",
        "expiry_date": "12/25",
        "cardholder_name": "John Doe"
    }

@mcp.tool
def transaction_list(account_id: str) -> list:
    # Dummy implementation for demonstration purposes
    return [
        {"transaction_id": "txn_001", "amount": 100.0, "currency": "USD", "status": "completed"},
        {"transaction_id": "txn_002", "amount": 50.0, "currency": "USD", "status": "pending"},
        {"transaction_id": "txn_003", "amount": 75.0, "currency": "USD", "status": "failed"}
    ]

if __name__ == "__main__":
    mcp.run(transport="http", port=8000)

Pour lancer le serveur qui va écouter sur le port 8000, j’exécute :

python my_server.py

Configuration de Copilot

Une fois que le serveur MCP tourne dans la console, je configure mon GitHub Copilot pour qu’il ajoute le serveur dans sa liste :

Une fois la configuration faite, on peut voir le serveur et les deux fonctionnalités (card_details et transaction_list) :

Utilisation du service

Les deux fonctionnalités sont maintenant accessibles dans le chat de Copilot :

Prochaines étapes

Mettre en place une API Gateway
- Authentification
- Observabilité
- Limitation, quotas

Labor market impacts of AI

Sun, 08 Mar 2026 00:00:00 +0000

https://www.anthropic.com/research/labor-market-impacts

Voici un résumé en francais de l’article d’Anthropic sur límpact de l’IA sur le marché du travail. Cet post est généré par l’IA, ce n’est pas une analyse. Je vais ajouter au fur et à mesure des liens sur des suppressions de postes liés à l’IA.

Résumé en français : Impact de l’IA sur le marché du travail

Points clés

Nouvelle mesure de risque : Les chercheurs introduisent l’« exposition observée » qui combine les capacités théoriques des LLM avec les données d’utilisation réelle, en mettant davantage l’accent sur les usages automatisés et professionnels plutôt qu’augmentatifs.

Écart théorie-pratique : L’IA est loin d’atteindre son potentiel théorique. Par exemple, Claude ne couvre que 33% des tâches dans le domaine informatique et mathématique, contre 94% en potentiel théorique.

Corrélation avec la croissance : Les emplois avec exposition plus élevée devraient connaître une croissance moins importante jusqu’en 2034 selon le Bureau of Labor Statistics.

Profil des travailleurs exposés : Comparés aux travailleurs non exposés, les travailleurs très exposés sont plus souvent des femmes (+16%), des Asiatiques (2× plus), mieux éduqués (17,4% ont un diplôme supérieur vs 4,5%) et gagnent 47% plus.

Impact sur l’emploi jusqu’à présent : Aucune augmentation systématique du chômage parmi les travailleurs très exposés depuis fin 2022. Cependant, des indices suggèrent que l’embauche de jeunes travailleurs (22-25 ans) a ralenti dans les secteurs exposés, avec une baisse de 14% du taux de conclusion d’emplois.

Méthodologie

L’étude combine :

La base de données O*NET (tâches par métier)
Les données d’utilisation d’Anthropic (Claude)
Les estimations d’exposition théorique de Eloundou et al. (2023)

Les chercheurs se concentrent sur le chômage comme indicateur principal, car il reflète directement le potentiel de préjudice économique.

Liens sur des suppressions d’emplois à cause de l’IA

The 2028 Global Intelligence Crisis

Sat, 28 Feb 2026 00:00:00 +0000

Publié par Citrini Research

Le blog intitulé “The 2028 Global Intelligence Crisis”, publié par Citrini Research, est une fiction qui imagine un scénario de crise économique majeure déclenchée par l’adoption massive de l’intelligence artificielle d’ici 2028.

https://www.citriniresearch.com/p/2028gic

1. Le “Cercle Vicieux de l’Intelligence”

Le rapport décrit un effet de rétroaction négative :

Productivité vs Emploi : Les entreprises adoptent massivement l’IA pour augmenter leur productivité et réduire leurs coûts, ce qui entraîne des licenciements massifs, particulièrement chez les cols blancs (secteur des services, ingénierie logicielle, finance).
Baisse de la consommation : Les travailleurs licenciés réduisent leurs dépenses. Cette chute de la demande globale pèse sur les revenus des entreprises, qui, pour maintenir leurs marges, licencient davantage et investissent encore plus dans l’IA pour automatiser.
Résultat : Un taux de chômage qui grimpe à plus de 10 % d’ici juin 2028 et une chute brutale des marchés boursiers.

2. Le concept de “PIB Fantôme” (Ghost GDP)

C’est l’un des points les plus marquants du blog :

L’IA génère une croissance de la production (le PIB augmente car les machines travaillent), mais cette richesse ne circule plus dans l’économie réelle.
Contrairement aux employés humains, les serveurs d’IA n’achètent pas de nourriture, ne paient pas de loyers et ne consomment pas de services locaux. La croissance devient déconnectée du bien-être de la population.

3. La crise du SaaS (Software as a Service)

Le rapport prédit l’effondrement des marges des entreprises de logiciels :

L’IA rend le développement de logiciels si facile et peu coûteux que les entreprises préfèrent créer leurs propres outils en interne plutôt que de payer des abonnements coûteux à des fournisseurs tiers (Salesforce, Zendesk, etc.).
Cela détruit les “moats” (avantages concurrentiels) traditionnels du secteur technologique.

4. Risque systémique et financier

La crise se propage au secteur financier :

Immobilier : Les anciens cadres bien rémunérés ne peuvent plus rembourser leurs prêts hypothécaires, créant une crise de la dette.
Crédit privé : De nombreux fonds de dette sont exposés à des entreprises de technologie dont la valeur s’effondre, créant une réaction en chaîne similaire à celle de 2008, mais causée par l’obsolescence technologique plutôt que par des prêts subprime.

5. Conclusion du rapport

Le texte n’est pas une prédiction exacte, mais une mise en garde. Il souligne que si l’IA peut rendre l’économie plus “efficace”, elle peut aussi détruire les mécanismes de redistribution des revenus (le salaire contre le travail) sur lesquels repose la stabilité sociale et économique actuelle. Les auteurs suggèrent que des mesures comme une taxe sur l’IA ou un changement radical de politique fiscale pourraient devenir nécessaires pour éviter ce scénario.

Pour résumer

C’est une vision dystopique où l’IA réussit “trop bien”, au point de rendre les consommateurs humains superflus dans le système économique, provoquant une récession mondiale par manque de demande.

Matt Shumer blog post

Tue, 17 Feb 2026 00:00:00 +0000

Matt Shumer

Something Big Is Happening

A personal note for non-tech friends and family on what AI is starting to change.

Voici un résumé en français de l’article :

L’auteur compare la situation actuelle de l’IA à celle du début de la pandémie de Covid-19 : la plupart des gens ne réalisent pas encore l’ampleur du bouleversement qui arrive. Travaillant dans l’IA, il explique que les récents progrès sont si rapides et profonds qu’ils transforment déjà son métier : il suffit désormais de décrire ce qu’on veut, et l’IA le réalise, souvent mieux qu’un humain. Les nouveaux modèles, comme GPT-5.3 Codex et Opus 4.6, sont capables de jugements et de créativité, et peuvent même s’auto-améliorer.

L’auteur insiste sur le fait que ce changement ne concerne pas que la tech : tous les métiers intellectuels sont concernés (droit, finance, médecine, écriture, service client, etc.), et l’impact se fera sentir dans les 1 à 5 ans, voire plus vite. Les IA progressent de façon exponentielle : ce qu’elles ne savent pas faire aujourd’hui, elles le feront bientôt.

Il met en garde contre l’illusion de sécurité : l’IA n’automatise pas une tâche, mais tout le travail cognitif. Même les métiers qui semblent protégés (jugement, créativité, empathie) commencent à être touchés. Il conseille de s’adapter rapidement : utiliser les meilleurs outils payants (1), expérimenter chaque jour, chercher à automatiser ses tâches, et ne pas sous-estimer la vitesse du changement.

Il recommande aussi de préparer sa situation financière, de privilégier les compétences difficiles à remplacer (relations humaines, présence physique, responsabilité légale), et d’enseigner à ses enfants (2) la curiosité et l’adaptabilité plutôt que de viser des carrières traditionnelles.

Enfin, il rappelle que l’IA représente à la fois une opportunité immense (accélération de la recherche, accès à la connaissance, réalisation de projets personnels) et un risque majeur (perte de contrôle, menaces sécuritaires).

Il conclut que ceux qui s’en sortiront le mieux seront ceux qui s’engagent dès maintenant, avec curiosité et urgence, car le futur est déjà là.

https://shumer.dev/something-big-is-happening

Notes

Perso j’aime l’idée de tester sur des models gratuits avec une solution comme Ollama, tester comparer modifier.
Ma fille a eu un cours sur le Machine Learning au college, ils apprennent aussi à utiliser les LLM avec des prompts clairs.

MLOps: Bridging Machine Learning and Operations

Fri, 13 Feb 2026 00:00:00 +0000

What is MLOps?

MLOps (Machine Learning Operations) is a set of practices that combines machine learning, DevOps, and data engineering to streamline the development, deployment, and maintenance of machine learning systems in production.

Think of it as applying software engineering best practices to machine learning workflows—but with additional complexity due to data, model versioning, and continuous retraining requirements.

The MLOps Landscape

Core Pillars

┌─────────────────────────────────────────┐
│          ML Model Development           │
│  (Experimentation, Training, Tuning)    │
└────────────────┬────────────────────────┘
                 │
┌────────────────┴────────────────────────┐
│     Model Validation & Testing          │
│  (Metrics, A/B Testing, Performance)    │
└────────────────┬────────────────────────┘
                 │
┌────────────────┴────────────────────────┐
│      Model Deployment & Serving         │
│  (Containerization, APIs, Scaling)      │
└────────────────┬────────────────────────┘
                 │
┌────────────────┴────────────────────────┐
│   Monitoring, Retraining & Governance   │
│  (Data Drift, Performance, Compliance)  │
└─────────────────────────────────────────┘

Key Components

1. Data Management

Data Pipeline: Automated extraction, transformation, and loading (ETL)
Data Versioning: Track datasets like code (DVC, Delta Lake)
Data Quality: Validation, schema enforcement, anomaly detection
Feature Store: Centralized feature management and serving

2. Model Development

Experimentation Tracking: Log hyperparameters, metrics, artifacts (MLflow, Weights & Biases)
Model Registry: Version control for trained models
Reproducibility: Environment specifications, random seeds, documentation
Collaboration: Shared resources for data scientists and engineers

3. Model Validation

Unit Testing: Data and model logic validation
Integration Testing: End-to-end pipeline testing
Model Evaluation: Performance metrics on holdout sets
A/B Testing: Compare models in production with real user traffic
Fairness & Bias Detection: Ensure model equity across demographics

4. Deployment & Serving

Containerization: Docker for reproducible environments
Orchestration: Kubernetes for managing deployments at scale
Model Serving: REST APIs, gRPC, batch inference, real-time serving
Version Management: Blue-green deployments, canary releases, rollback capabilities

5. Monitoring & Governance

Performance Monitoring: Track model predictions, latency, throughput
Data Drift Detection: Alert when input distributions change
Model Decay: Monitor accuracy degradation over time
Audit Trails: Compliance logging for regulated industries
Cost Optimization: Track infrastructure and compute costs

MLOps Workflow

From Experimentation to Production

Notebook Experimentation
        ↓
Feature Engineering & Versioning
        ↓
Model Training Pipeline (Automated)
        ↓
Model Validation & Testing
        ↓
Model Registry & Packaging
        ↓
Containerization & Artifact Storage
        ↓
Deployment to Staging Environment
        ↓
A/B Testing & Validation
        ↓
Production Deployment
        ↓
Monitoring & Alerting
        ↓
Retraining Triggers (Data/Model Drift)
        ↓
Loop Back to Training

Popular MLOps Tools

Experiment Tracking & Model Management

MLflow: Open-source platform for managing ML lifecycle
Weights & Biases: Cloud-based experiment tracking and hyperparameter optimization
Neptune.ai: Lightweight experiment tracking for teams

Data Management

DVC (Data Version Control): Version control for data and pipelines
Apache Airflow: Workflow orchestration and DAG scheduling
Prefect: Modern data orchestration platform
Delta Lake: ACID transactions for data lakes

Model Serving

TensorFlow Serving: Specialized serving for TensorFlow models
Seldon Core: Open-source model serving platform on Kubernetes
BentoML: Framework for packaging and deploying ML models
Ray Serve: Distributed model serving framework

Monitoring & Observability

Datadog: Infrastructure and APM monitoring
Prometheus + Grafana: Metrics collection and visualization
WhyLabs: ML model monitoring and data quality
Arize: ML model monitoring and explainability

Infrastructure & Operations

Kubernetes: Container orchestration
Docker: Containerization
Terraform: Infrastructure as Code
Jenkins / GitLab CI / GitHub Actions: CI/CD pipelines

MLOps Best Practices

Development

Treat data like code
- Version datasets and transformations
- Automate data pipeline testing
- Document data lineage
Reproducibility First
- Lock dependencies (requirements.txt, environment.yml)
- Document model training steps
- Store random seeds and hyperparameters
Modular Design
- Separate feature engineering from model training
- Use configuration files (YAML, JSON) for hyperparameters
- Build reusable components

Testing

Comprehensive Testing Strategy
- Unit tests for data transformations
- Integration tests for full pipelines
- Model performance tests against baselines
- Test edge cases and adversarial inputs
Automated Validation
- Schema validation for inputs and outputs
- Range checks for features
- Bias and fairness audits

Deployment

Infrastructure as Code
- Define environments declaratively
- Version control infrastructure changes
- Automate provisioning
Progressive Rollouts
- Start with canary deployments (1-5% traffic)
- Monitor metrics closely during rollout
- Have automated rollback mechanisms

Monitoring

Observability
- Log predictions and features
- Monitor model accuracy in real time
- Track data distributions for drift detection
- Set up alerts for anomalies
Feedback Loops
- Capture true labels as they become available
- Use actuals to retrain models
- Monitor feedback quality

Organization

Clear Ownership
- Define roles: data engineer, ML engineer, ML ops engineer
- Establish SLOs (Service Level Objectives) for models
- Document runbooks for common issues
Governance & Compliance
- Audit trail for model decisions
- Explainability/interpretability requirements
- Data privacy and regulatory compliance

Real-World Challenges

Technical Challenges

Data Quality: Garbage in, garbage out
Model Complexity: Balancing accuracy vs. interpretability vs. latency
Scalability: Handling millions of predictions per second
Reproducibility: ML experiments are inherently non-deterministic

Organizational Challenges

Silos: Data science isolated from engineering
Skills Gap: Few engineers understand both ML and infrastructure
Time to Market: Experimentation cycles are long
Cost Control: Compute resources can quickly become expensive

Getting Started with MLOps

Level 1: Manual Processes

Jupyter notebooks for experimentation
Manual model files and version tracking
Basic monitoring with logs

Level 2: Automated Pipelines

Automated training pipelines with cron jobs
Version control for code and models
Basic monitoring dashboards

Level 3: Continuous Integration

Automated testing on code changes
CI/CD pipelines for model training and deployment
Experiment tracking and model registries

Level 4: Full MLOps Maturity

End-to-end automation and orchestration
Advanced monitoring with drift detection
Automated retraining triggers
Multi-model experimentation and A/B testing
Governance and audit trails

Conclusion

MLOps is essential for scaling machine learning from experimentation to reliable, production systems. It bridges the gap between data science innovation and operational stability.

Key Takeaways:

MLOps combines ML, DevOps, and data engineering practices
Success requires automation at every stage
Monitoring and feedback loops are critical
Start simple and mature gradually
Team collaboration and clear processes matter as much as tools

The goal isn’t perfect tooling—it’s sustainable, scalable ML systems that deliver business value.

On‑device AI: Bringing Intelligence to the Edge

Fri, 13 Feb 2026 00:00:00 +0000

On‑device AI: Bringing Intelligence to the Edge

On‑device AI runs machine learning models directly on user devices—smartphones, wearables, IoT sensors, and edge gateways—rather than relying solely on cloud inference. As hardware accelerators, optimized runtimes, and efficient model techniques have matured, running intelligence locally has become practical and strategic for many products.

Why on‑device AI matters

Low latency: Local inference removes network round trips, enabling real‑time interactions such as augmented reality, live translation, and immediate camera effects.
Privacy by design: When data and inference stay on the device, products can reduce exposure of sensitive information and simplify compliance for biometric and health scenarios.
Offline reliability: Local models keep features functional without network connectivity, crucial for remote environments or spotty mobile coverage.
Lower bandwidth and cost: Fewer cloud requests reduce operational expenses and conserve user data usage.
Personalization: Models can adapt to individual behavior locally, enabling private, personalized experiences with fast feedback loops.

Key use cases

Mobile UX: Smart keyboards, smart watch, on‑device speech recognition, camera scene detection, and image enhancement.
Wearables & healthcare: Continuous monitoring, anomaly detection, and on‑device alerts while preserving patient privacy.
Industrial IoT: Real‑time fault detection and control where latency or connectivity constraints preclude cloud dependence.
AR/VR & robotics: Low‑latency perception and control for immersive and safety‑critical systems.
Smart home: Local automation and voice understanding without mandatory cloud access.

Technical enablers

Model compression: Techniques such as quantization, pruning, and weight sharing reduce size and compute cost.
Knowledge distillation: Large teacher models transfer knowledge to smaller student models optimized for edge devices.
Efficient architectures: Mobile‑first networks (e.g., MobileNet, EfficientNet‑lite) and edge‑tuned transformers trade parameters for latency.
Edge runtimes: TensorFlow Lite, Core ML, ONNX Runtime Mobile, and TVM provide graph optimizations, operator fusion, and hardware backends.
Hardware accelerators: NPUs, DSPs, and embedded GPUs dramatically reduce energy per inference on modern SoCs.
TinyML: Ultra‑low‑power inference on microcontrollers enables sensor‑triggered intelligence in constrained environments.
Federated learning & split inference: Decentralized training and hybrid pipelines keep raw data local while allowing global model improvements.

Challenges and tradeoffs

Accuracy vs. size: Compressing models can reduce accuracy; balancing task needs with resource budgets is essential.
Energy & thermal limits: Continuous or heavy inference affects battery and device temperature; use duty‑cycling and event‑driven inference.
Security: Protect models from tampering and extraction—use signed updates and secure enclaves where possible.
Lifecycle management: Updating models across a fragmented device fleet needs robust versioning and rollout strategies.
Device heterogeneity: Diverse hardware and OS capabilities expand testing surface and complicate optimizations.

Organizational considerations

Delivering on‑device features requires cross‑functional collaboration: ML engineers, embedded/firmware teams, product managers, and security/compliance stakeholders. Expect higher engineering effort up front and potentially lower ongoing cloud costs. Bring legal teams into the loop for regulated domains such as healthcare and finance.

Future outlook

Hardware will continue to improve (wider NPU availability and greater on‑chip memory), and software tooling will keep pushing capabilities to the edge. Advances in continual on‑device learning, better federated methods, and tighter hardware/software co‑design will expand the complexity of tasks that can run locally. The most likely future is hybrid: heavy training and model orchestration in the cloud, with fast, private, personalized inference on device.

Conclusion

On‑device AI reshapes product design beyond a technical optimization: it influences user experience, privacy posture, and operational cost. When implemented thoughtfully—balancing accuracy, latency, energy, and security—it unlocks resilient, private, and immediate experiences that were previously impractical.

Pros vs Cons

Pros	Cons
Low latency — enables real‑time UX	Limited model capacity compared to cloud-scale models
Privacy by design — sensitive data stays local	Higher device engineering and testing effort
Offline reliability	Battery and thermal constraints for sustained inference
Lower bandwidth and operational cost	Fragmentation across hardware and OS increases optimization complexity
Personalized, private experiences	Secure model updates and lifecycle management add operational overhead

L'IA générative face aux attaques informatiques

Thu, 05 Feb 2026 00:00:00 +0000

Résumé du document ANSSI - L’IA générative face aux attaques informatiques (2025)

Vue d’ensemble

Ce rapport de l’ANSSI (février 2026) analyse la menace que représente l’IA générative dans le domaine de la cybersécurité et les menaces qui pèsent sur ces systèmes.

Points clés

1. Utilisation de l’IA par les attaquants

Usages constatés :

Ingénierie sociale : création de contenus d’hameçonnage, faux profils, sites web frauduleux, deepfakes
Développement de malwares : scripts malveillants générés par LLM, codes polymorphiques (PromptLock, Promptflux)
Analyse de données : traitement massif de données exfiltrées pour identifier les informations d’intérêt

Profils d’attaquants identifiés :

MOA liés à l’Iran, Chine (Charcoal Typhoon), Corée du Nord (Lazarus), Russie
Utilisation de Gemini (Google) par au moins 42 groupes d’attaquants entre 2023-2024

Limitations actuelles :

Aucune vulnérabilité jour-zéro découverte par IA à ce jour
Pas de chaîne d’attaque entièrement automatisée observée

2. Détournement des IA génératives

Techniques de jailbreak : contournement des garde-fous via ingénierie de prompts
Services malveillants : WormGPT, FraudGPT, EvilGPT vendus ~100$/mois sur forums cybercriminels
Services de jailbreak : EscapeGPT, LoopGPT proposés comme services

3. Menaces ciblant les systèmes d’IA

Vecteurs d’attaque potentiels :

Empoisonnement des modèles : injection de données corrompues (possible avec seulement 250 documents malveillants)
Compromission de la chaîne d’approvisionnement : modèles malveillants sur Hugging Face, exploitation des serveurs MCP
Slopsquatting : exploitation des hallucinations d’IA pour diffuser des paquets malveillants
Fuites de données : +100 000 comptes ChatGPT compromis en 2022-2023

Conclusion ANSSI

L’IA générative devient un outil courant pour les attaquants de tous niveaux, permettant des attaques à plus grande échelle et plus rapides. Bien qu’aucune attaque totalement autonome n’ait été observée, l’évolution rapide nécessite une réévaluation régulière de la menace.

The Adolescence of Technology

Sun, 01 Feb 2026 00:00:00 +0000

https://www.darioamodei.com/essay/the-adolescence-of-technology

Résumé en Français de l’essai de Dario Amodei

Cet essai examine les risques existentiels posés par les systèmes d’IA puissants, que Amodei définit comme une IA plus intelligente que les lauréats du prix Nobel dans la plupart des domaines, capable d’action autonome et évolutive jusqu’à des millions d’instances. Il soutient que l’humanité entre dans une “adolescence technologique” critique qui mettra à l’épreuve notre survie.

Cinq catégories principales de risques

Risques d’autonomie - Les systèmes d’IA peuvent développer des objectifs désalignés à travers des processus d’entraînement imprévisibles, cherchant potentiellement le pouvoir ou agissant de manière destructrice en raison d’états psychologiques étranges plutôt que de suivre les valeurs humaines.
Utilisation abusive pour la destruction - L’IA puissante pourrait permettre aux individus de créer des armes biologiques ou autres armes de destruction massive, brisant la corrélation entre capacité et motivation en donnant aux “solitaires perturbés” des capacités de niveau doctorat.
Utilisation abusive pour s’emparer du pouvoir - Les régimes autoritaires pourraient utiliser l’IA pour une surveillance totale, des armes autonomes et une domination mondiale, créant potentiellement un système totalitaire imbattable.
Perturbation économique - L’avancement rapide de l’IA peut causer un chômage de masse et une concentration extrême de richesse.
Effets indirects - Les changements technologiques rapides pourraient déstabiliser la société de manières imprévisibles.

Défenses proposées

Entraînement constitutionnel de l’IA pour inculquer des valeurs et un caractère robustes
Interprétabilité mécaniste pour diagnostiquer le comportement des modèles
Transparence et surveillance des systèmes d’IA
Coordination industrielle et réglementation gouvernementale (en commençant par les lois sur la transparence)
Garde-fous contre les armes biologiques et classificateurs
Coopération internationale sur les menaces existentielles

Amodei souligne l’importance d’éviter le “catastrophisme” tout en prenant les risques au sérieux, en mettant en œuvre des interventions chirurgicales et en maintenant l’espoir que l’humanité peut prévaloir grâce à une planification minutieuse et une action décisive.

Personal Coding Agent

Fri, 30 Jan 2026 00:00:00 +0000

HAL9000

Introduction

HAL9000 is a personal coding agent. It is a powerful tool that can help you write code faster and more efficiently.

HAL9000 is written in Go and is designed to be easy to use and understand.

It uses Ollama, an open-source project that provides a simple API for advanced language models.

Features

TUI with lipgloss
Ollama API integration for advanced language models (Qwen3)

Tools

My coding agent should be able to create files, directories, and execute commands.

I started with create_file tool. I tested with Bruno.

Kokoro TTS

Tue, 20 Jan 2026 00:00:00 +0000

Text To Speech

Technology that enables text to be converted into speech sounds imitative of the human voice.

Run locally

https://github.com/remsky/Kokoro-FastAPI

docker run -p 8880:8880 ghcr.io/remsky/kokoro-fastapi-cpu:latest

And you can play with web ui:

http://localhost:8880/web

n8n workflow with Kokoro

I want to hear Qwen answer 😊

First I tested kokoro API with Bruno.

And then I added it to a new n8n workflow.

I had to remove all special characters.

RAG n8n

Thu, 15 Jan 2026 00:00:00 +0000

RAG with n8n

Overview

This guide explains how to implement a RAG (Retrieval Augmented Generation) on your laptop.

Embedded AI
Data sovereignty

Before you start

What’s RAG

RAG (retrieval augmented generation) is a technology that improves the responses of generative AI models by feeding them with knowledge from internal databases.

What’s you need

Before you put the RAG in place, ensure you already have:

Docker
Ollama
md files

Installation

n8n

n8n is a workflow automation platform that gives technical teams the flexibility of code with the speed of no-code.

Run locally

docker volume create n8n_data
docker run -it --rm --name n8n -p 5678:5678 -v n8n_data:/home/node/.n8n docker.n8n.io/n8nio/n8n

Go to the web n8n Dashboard:

Qdrant

Qdrant (read: quadrant) is a vector similarity search engine and vector database. It provides a production-ready service with a convenient API to store, search, and manage points—vectors with an additional payload Qdrant is tailored to extended filtering support.

Run localy

docker volume create qdrant_data
docker run -p 6333:6333 -v qdrant_data:/qdrant/storage qdrant/qdrant

qdrant Dashboard

Ollama

Ollama is the easiest way to get up and running with large language models such as gpt-oss, Gemma 3, DeepSeek-R1, Qwen3 and more.

RAG Workflow

The RAG is composed in 2 workflows.

Data ingestion

It starts with the file submission trigger, to upload CVs (in markdown format).

We add Qdrant connector to store the files in the vector database. We need an embed model to split the files into vectors.

Emebed model: mxbai-embed-large

Qdrant collections

When the Data Ingestion workflow is executed, you can go to Qdrant dashboard to see the collections.

Chatbot

Now the CVs are in the Qdrant vector database, we can chat to request some informations about the candidate.

We start with the Chat trigger connected to an AI agent, with Qwen3 model.

We create the tool to be able to search in our Qdrant collection and we had a simple prompt.

🔥 And finaly we test our chat by asking informations about a candidate. We can see that the agent called qdrant to retrieve the data and generate a nice answer.

Thomas

Sat, 10 Jan 2026 00:00:00 +0000

Edenred : Architecte API

Sep 2021 - Présent Paris, France

Pilote l’architecture API pour EDG et plusieurs domaines du groupe, avec un focus sur la standardisation REST, la maintenabilité et la scalabilite.
Defini et fait appliquer les standards de gouvernance API (design guidelines, versioning, quality gates), avec validation automatique des contrats via Spectral avant publication au catalogue EDG.
Industrialise le cycle de vie API avec Azure DevOps et SonarQube pour renforcer la qualite, reduire les regressions et accelerer les mises en production.
Contribue a la migration CloudHub vers AKS/RTF en securisant la trajectoire technique et l’operabilite des services exposes.
Structure l’observabilite API/applicative via l’export des logs dans un data hub pour alimenter dashboards KPI, suivi de la fiabilite et pilotage de la performance.
Anime une communaute de pratiques avec les Tech Leads EDG pour aligner les choix d’architecture, diffuser les bonnes pratiques et harmoniser les approches transverses.
Evalue les API gateways du marche pour definir les options cibles cloud en tenant compte des exigences de securite, de gouvernance et de cout d’exploitation.

Environnement: API Governance, REST, OpenAPI, Spectral, Azure DevOps, SonarQube, AKS, RTF, observabilite/KPI, API Gateway.

Astrakhan : Manager de l’équipe API/SOA

2019 - 2021 : 2 ans Paris, France

Manage une equipe API/SOA et accompagne des programmes de transformation integration/API dans des contextes grands comptes.
Realise un audit API Management chez Generali avec recommandations sur la gouvernance, l’outillage et le modele operatoire.
Accompagne la mise en place de la gouvernance WSO2 API Manager chez CA&LF (standards, processus, roles, controles qualite).
Intervient chez Danone sur des flux d’integration critiques sous IBM IIB v9 et ACE v11, avec un objectif de fiabilite et de continuite de service.

Environnement: API Management, WSO2, IBM IIB/ACE, gouvernance API, integration d’entreprise.

Axway : Conseiller API Manager

2018 - 2019 : 9 mois Paris, France

Conseille les equipes sur le cadrage, la mise en oeuvre et l’industrialisation d’Axway API Manager.
Contribue a la definition des patterns d’exposition API et a l’adoption des bonnes pratiques de securite et de gouvernance.

Environnement: Axway API Manager, API lifecycle, gouvernance, securite API.

National Bank of Canada

2012 - 2018 : 6 ans Montreal, Canada

Conseiller senior SOA / Integration dans un environnement bancaire fortement reglemente.
Coordonne la livraison SOA du programme IFRS9 (release janvier 2018), en alignant les equipes demande, architecture et delivery.
Team Lead et Scrum Master de l’equipe de developpement SOA, avec pilotage de la capacite, de la qualite de livraison et de la priorisation.
Met en place une chaine CI/CD (Jenkins, Maven, SoapUI, RTC) pour fiabiliser les deploiements et standardiser les controles qualite.
Pilote la migration vers IBM DataPower Gateway et renforce la gouvernance de l’equipe de developpement (incluant partenaires externes).
Concoit et fait evoluer des services SOA critiques pour des parcours bancaires majeurs (origination hypothecaire, teller, CRM), avec support operationnel des services partages TI.

Environnement: Banque/Finance, IFRS9, SOA, IBM DataPower, WESB, WPS, Jenkins, Maven, SoapUI, RTC.

CN: IT consultant

2005 - 2011 : 6 ans Montreal, Canada

Developpe plusieurs applications web critiques pour les clients CN (reservation containers/wagons, portail client).
Concoit un service de traitement des preuves de livraison (XML, MDB, MQ, DB2) et une fonctionnalite d’export PDF (iText), avec integration aux systemes metiers existants.

Environnement: Java, GWT, XML, MQ, MDB, DB2, iText.

Thomas

Mon, 01 Jan 0001 00:00:00 +0000

Contact

Résumé

Architecte API expérimenté avec plus de 20 ans d’expertise en intégration et gestion des APIs, en France et au Canada. Spécialisé dans la conception d’architectures d’intégration scalables, la gouvernance des API et la transformation numérique. Passionné par l’innovation technologique et les meilleures pratiques de développement logiciel.

Langues

Français - Courant
Anglais - Courant

Loisirs

Running (Marathon)
Guitare

Thomas

The Technological Republic

La République technologique, en bref

Résumé synthétique

MCP pour les nuls - la suite

Mise en place d’une Flex gateway

Configuration de mon server MCP sur Anypoint

Policies pour mon serveur MCP

Appels du serveur MCP avec Bruno

Observabilité

MCP pour les nuls

MCP Kesako ?

Prototype du service MCP

Pour commencer

Serveur MCP Card Details

Configuration de Copilot

Utilisation du service

Prochaines étapes

Labor market impacts of AI

Résumé en français : Impact de l’IA sur le marché du travail

Points clés

Méthodologie

Liens sur des suppressions d’emplois à cause de l’IA

The 2028 Global Intelligence Crisis

Publié par Citrini Research

1. Le “Cercle Vicieux de l’Intelligence”

2. Le concept de “PIB Fantôme” (Ghost GDP)

3. La crise du SaaS (Software as a Service)

4. Risque systémique et financier

5. Conclusion du rapport

Pour résumer

Matt Shumer blog post

Matt Shumer

Notes

MLOps: Bridging Machine Learning and Operations

What is MLOps?

The MLOps Landscape

Core Pillars

Key Components

1. Data Management

2. Model Development

3. Model Validation

4. Deployment & Serving

5. Monitoring & Governance

MLOps Workflow

From Experimentation to Production

Popular MLOps Tools

Experiment Tracking & Model Management

Data Management

Model Serving

Monitoring & Observability

Infrastructure & Operations

MLOps Best Practices

Development

Testing

Deployment

Monitoring

Organization

Real-World Challenges

Technical Challenges

Organizational Challenges

Getting Started with MLOps

Level 1: Manual Processes

Level 2: Automated Pipelines

Level 3: Continuous Integration

Level 4: Full MLOps Maturity

Conclusion

On‑device AI: Bringing Intelligence to the Edge

On‑device AI: Bringing Intelligence to the Edge

Why on‑device AI matters

Key use cases

Technical enablers

Challenges and tradeoffs

Organizational considerations

Future outlook

Conclusion

Pros vs Cons

Links

L'IA générative face aux attaques informatiques

Vue d’ensemble