Julien Simon
Chief Evangelist
Hugging Face
Dans cette présentation, vous découvrirez comment les modèles open source peuvent vous aider à développer des applications d'intelligence artificielle de haute qualité, qu'elles soient génératives ou non, tout en vous offrant plus de flexibilité, de contrôle et de retour sur investissement que les API basées sur des modèles fermés. Nous mettrons en avant les modèles les plus récents et performants, et vous montrerons comment les tester en quelques minutes. En cours de route, vous en apprendrez également davantage sur l'écosystème technique de Hugging Face, allant des modèles et jeux de données aux intégrations cloud et à l'accélération matérielle.
Julie François-Franco
Juriste
CNIL
Un grand pouvoir implique de grandes responsabilités. L’Union européenne l’a compris et se dote d’un règlement à la mesure des enjeux de l’émergence et de la généralisation des intelligences artificielles. Nous verrons ensemble les coulisses de cet accord, les lignes de force mais aussi la portée d’une régulation qui trace l’équilibre en ligne de crète entre régulation et soutien à l’innovation. En s’accordant à 27, l’Union européenne nous prouve qu’à défaut d’être un géant de la tech, elle est bel et bien un géant de la régulation.
Eric Biernat
Directeur Intelligence Artificielle
30 novembre 2022. Le grand public découvre que l'IA maîtrise le langage. Ne vous trompez pas ! Cette prouesse n’est pas un aboutissement mais plutôt une naissance prématurée tout aussi excitante qu’inquiétante. Pour le monde des affaires qui flaire les opportunités et qui se remet à peine de sa révolution digitale, voici déjà poindre un nouveau cycle de transformation… Et si l’IA était l’alibi dont les entreprises avaient besoin pour repenser de façon plus vertueuse leur modèle d'affaires ? Nous explorerons une infime partie des questions essentielles concernant la cohabitation intelligence biologique/artificielle, comment l’émergence de l’IA perturbe des normes établies depuis des siècles, et la manière dont les entreprises sont appelées à repenser leurs modèles, leurs processus et leurs chaînes de valeur, notamment la nécessité d'appréhender cette révolution avec sagesse.
Aurélien Massiot
ML Engineer
Après avoir franchi de nombreux écueils, des modèles de ML sont enfin en production. Nos utilisateurs s’en servent, de la valeur est apportée au quotidien. Tout va bien… sauf que… nos équipes qui assurent le run sont au four et au moulin, et pour tenir ce rythme d’enfer, il faut staffer toujours plus de personnes. Cet exemple vous parle ? Dans ce talk, Aurélien introduira le toil, ce nouvel ennemi au bestiaire qui paralyse les équipes de ML en run. Il nous expliquera d’où il vient, de comment le museler et même de comment éviter de l’affronter.
Sofia Calcagno
ML Engineer
Construire un produit avec du machine learning vient avec son lot d'incertitudes. Il y a celles liées à son succès économique, celles inhérentes au développement logiciel, et celles issues du machine learning. Plus ces incertitudes sont grandes, plus il est difficile de prendre des décisions stratégiques au sujet du produit : la vision du produit est-elle en accord avec les réalités du marché ? Combien faudra-t-il investir dans le développement du produit ? Le machine learning sera-t-il vraiment un facteur différenciant pour les utilisateurs ? Ce talk propose des pratiques MLOps qui permettront de réduire rapidement l'incertitude
Nicolas Cavallo
Head of Generative AI
Préparez-vous à accueillir les agents IA dans vos applications et systèmes d'information. Ces agents, doués de raisonnement et de compétences linguistiques, dialogueront avec votre patrimoine informationnel. Vous leur donnerez également tous les droits nécessaires pour opérer dans vos services et se développer à l’infini. Vous n’êtes pas convaincu ? Dans ce talk, Nicolas introduira le concept d’agent, leur évolution vers des capacités de raisonnement et de dialogue, et comment ils vont devenir la composante essentielle d’une architecture informatique modulaire et intelligente.
Tristan Nitot
Directeur associé Communs numériques et anthropocène
Depuis plus de 50 ans, la loi de Moore régit les industries du logiciel et du matériel, générant les immenses succès commerciaux que l'on connaît, de l'Apple II à l'iPhone en passant par le PC et les datacenters, avec les fortunes colossales qui vont de pair. Mais la loi de Moore s'essouffle, et on réalise que le numérique a un impact démesuré sur le changement climatique et le dépassement des limites planétaires. Que signifierait l'arrêt de la loi de Moore pour le numérique, la data, l’intelligence artificielle ? Pourrait-on réduire drastiquement l'impact du numérique sur le vivant tout en préservant l'innovation ? L'IA générative ne pourra-t-elle exister à grande échelle que si la loi de Moore perdure ? Voici quelques questions qui seront abordées dans ce talk mêlant histoire du numérique, technique et prospective.
Marine Dussaussois
Data Product Owner
Aujourd'hui, d'après le Gartner, 8 projets de data science sur 10 finissent à la poubelle. Ma conviction : c'est parce qu'ils ne sont pas utilisables. Si vous aussi, vous avez construit un super algorithme de machine learning dont les résultats ne sont même pas regardés par vos métiers car “ce serait plus pratique de les avoir dans Excel”, “il y a trop d’alertes”, etc., alors cette présentation est pour vous. Décryptons ensemble les pratiques qui mènent nos projets à l'échec. Au cours de ce talk, Marine présentera des pratiques techniques et méthodologiques issues de la culture produit et applicables dans des écosystèmes data afin de concevoir des produits data utiles, utilisables et utilisés. Vous repartirez avec 5 ingrédients qui garantiront l'usage, la valeur et l'impact !
Philippe Prados
Pionnier de l'informatique
Un des usages les plus fréquents des Larges Languages Models (LLM) consiste à répondre à des questions à partir d’une base documentaire : le fameux Retrieval Augmented Generation (RAG). Les démonstrations font leur effet wahou ! Les douleurs arrivent lorsque la solution est vraiment utilisée : le modèle répond à côté, ignore des informations présentes dans les documents… Comment aller plus loin ? Comment rendre la solution plus robuste ? Plus fiable ? Pour répondre à ces questions, nous allons mettre les mains dans le code, dans l’architecture, pour appliquer les concepts classiques de l’informatique aux RAG. Pré-requis : Même si un rappel sera fait au début, pour assister à cet atelier et comprendre ce qui sera affiché à l’écran, il est recommandé d’être à l’aise dans la lecture de code Python et les principes de base des modèles de langage et des bases vectorielles.
Basile Du Plessis
Senior manager Digital & Data Organization
Poser des congés, avoir des accès à des ressources d’infrastructure ou des données, tout cela nécessite des process que nous subissons et dont nous souffrons souvent. En devenant chef, nous sommes nous-mêmes rapidement tentés d’en créer de nouveaux pour apporter notre cadre. Créer plus de process tout en continuant à les subir provoque une contradiction difficilement remédiable et pourtant, les règles du jeu sont nécessaires pour faire de la data et de l’IA à l’échelle. Au cours de cet atelier, nous allons voir un modèle qui permet de définir le bon cadre pour délivrer efficacement et de manière épanouissante.
Philippe Stepniewski
ML Engineer
Et si nous développions ensemble un moteur de recherche multimodal texte-image ? Imaginons un moteur qui, à partir d'une simple description textuelle d'un produit sur un site d'e-commerce, puisse trouver instantanément les images correspondantes, sans nécessiter la saisie préalable de textes descriptifs pour nos produits ! Les bases de données vectorielles seront au centre de cet atelier. Il serait tout à fait possible de prendre une solution clé en main, mais où serait le fun là-dedans ? Rien de tel que de mettre les mains dans le code pour comprendre le fonctionnement de tels concepts, alors implémentons en une nous-mêmes ! Pré-requis : Pour assister à cet atelier et comprendre ce qui sera affiché à l’écran, il est recommandé d’être à l’aise dans la lecture de code Python manipulant des données vectorielles (type Numpy). Même si nous effectuerons des rappels en début d’atelier, des rudiments en data science vous aideront à comprendre les concepts manipulés : CNN, embedding, distance/similarités entre vecteurs.
Matthieu Lagacherie
Architecte AI
Le musicien peut-il collaborer avec les IAs pour créer ? Entre tech et musique, plongez dans l’univers de l’intelligence artificielle au service de la création musicale et découvrez toute la dualité à laquelle le musicien fait face avec les IAs. À la fois formidable muse pour travailler et itérer, elles peuvent être un piège où la matière créée n’est qu’un reflet de l’univers musical, avec ses tendances et ses biais. De Bach aux modèles GPT, l’écart peut sembler immense, pourtant Matthieu va les harmoniser pendant 30 minutes.
